本書主要服務於深度學習的應用工程師. 努力在數學嚴謹性和工程易用性之間取得平衡.
不適合首次接觸深度學習的讀者, 但非常適合作爲第二本書.
建議深度學習的初學者先從基本概念開始學習, 本書亦有一篇關於入門資料的文章.
市面上已有大量注重於深度學習基礎概念介紹的資料, 也有注重於實戰項目的, 都很好.
這些資料的常見組織形式是基礎概念 + 代碼實現.
限於篇幅, 一般不會進行詳細的公式推導和配套的代碼實現, 而且這部分內容比較枯燥, 受衆較少. 然而, 若是缺少這一塊知識, 對於數學基礎薄弱的學習者來說, 會有某種空落落的不安全感.
本書省略了基礎概念的介紹, 把篇幅留給公式推導, 希望能爲讀者介紹更多的數學細節.
本書內容安排的順序是公式描述的基礎概念, 僞代碼風格的公式推導, 純 Python 實現, 最後藉助流行的深度學習框架進行驗證.
僞代碼的風格是指, 不方便使用代碼表示的數學符號, 不予採用. 若有成熟的標準函數, 則傾向於簡化嚴格的數學證明.
注意, 本書並無重新造輪子的打算. 純 Python 實現部分力求精簡, 僅用於理解公式原理, 夠用就好. 同一個算法若有多種實現, 優先考慮可讀性, 不考慮計算效率.
生產環境推薦使用成熟的框架, 如大名鼎鼎的 TensorFlow 和容易上手的 PyTorch.
大體內容如下 :
本書主要完成中間的公式推導, 代碼實現, 框架驗證這 3 塊.
基礎概念和項目實戰部分, 讀者需要自行補充.
首發 CSDN, 暫停更新, 敬請諒解.
BrightLamp
2018年12月21日