内容提要

本书从人工智能发展的简要历程和深度学习概念的介绍开始，深入浅出地讲解了如何使用人工智能神经网络（尤其是当前最具潜力与热度的深度学习理论和技术）来解决实际问题。认真阅读完本书，即可掌握深度学习技术的基础知识、重要概念、主要方法和部分最佳实践，并具备足够继续往下深造的自学能力。

本书中的案例均是结合生活中真实场景的鲜活实例，配合从零开始循序渐进的讲解，并尽量避开枯燥的数学理论和烦琐的推导过程，非常适合希望快速入门的学习者和技术人员，也适合希望简要了解人工智能、神经网络、深度学习基本概念和思维方法的读者。

前言

人工智能（Artificial Intelligence，AI）从孕育、诞生至今，已经有近80年历史了。近80年的光阴，虽然在历史的长河中不过是浪花一朵，但如果以人的一生来说，已经是进入耄耋之年了。但奇迹般的是，随着深度学习技术的横空出世，人工智能又神奇地焕发出了再一次的“青春”。深度学习系统AlphaGo及其升级版本一再战胜围棋领域的多位世界冠军级选手，最后甚至到了一败难求、人类选手只能仰视的地步，不能不说这是引起了世人广泛关注人工智能领域的决定性事件。指纹识别、人脸识别、无人驾驶等应用了深度学习方法而又贴近人们日常生活的技术，可以说深刻地改变了人类的生活和消费方式，也因此让人工智能更加深入人心，激起了人工智能（尤其是深度学习领域）的学习热潮。

笔者从小学三年级开始学习计算机，初中时就有机会接触第一个人工智能应用Animals，这是一款通过人的训练，不断向人提问，来猜测人心中所想的一种动物的程序。程序每次猜错后，会要求人提供一个可以纠正其判断逻辑的新问题，从而猜测得越来越准，能猜的动物越来越多。后来笔者也接触过当时最热的人工智能语言之一——Prolog语言。从那时起，笔者和大多数人工智能领域专家等都认为人工智能始终是要在人的指导下进行学习的，甚至到IBM公司的DeepBlue（深蓝）系统战胜了围棋世界冠军卡斯帕罗夫后仍没有改变这个观点。然而，深度学习的出现，颠覆了大多数人的看法，尤其是AlphaGo Zero系统，只在了解围棋基本下棋规则的基础上，完全不依赖人类的围棋知识，进行不到一天的自我学习，就能对围棋、国际象棋、日本将棋等最高水平的人类选手，甚至是AlphaGo这个它的前任实现完美超越。这充分证明了人工智能能够不依赖人类，从零开始，自己分析事物的逻辑，提取数据的特征，解决超出人脑计算和思考能力之外的问题。

因此，虽然计算机还缺少人类所具有的很多思考模式、逻辑创新、情感产生和变化的能力，但是在处理一些基于经验的、需要海量处理和计算（如图片、语音、视频的识别等）的机械任务上，人工智能已经具备条件帮助人类去更快、更准地完成。而以大数据为基础的逻辑判断和行为决断（如无人驾驶和医疗机器人），是深度学习下一步发展的目标。

当前对几款主流的深度学习框架（如谷歌的TensorFlow、微软的CNTK、新锐MXNet及老牌的Theano和Caffe、另辟蹊径的Torch等）的学习，无论是在国内还是在国外，可以说是如火如荼。然而，由于深度学习技术的基础属于人工智能中神经网络相关的知识范畴，而神经网络的研究又基于线性代数、矩阵运算、微积分、图论、概率论等复杂的数学理论，市面上出版的一些书也是开篇就讲这些数学理论基础，这让很多初学者望而生畏。另外，这些深度学习框架的最新文档大多为英文，并且直接讲类似MNIST的较复杂图像识别范例。诚然，图像识别是深度学习中最激动人心的创新应用之一，也是本次人工智能大潮的焦点，但对初学者来说，骤然跨过这么高的门槛反而会增加入门的难度，并影响学习的信心。