同学荐书：深度学习

北京交通大学，研究生同学，2023 年探索图书馆成果

朱雪瑞

《强化学习》—— [荷]马可威宁、马丁奥特罗

内容很全面，介绍了马尔可夫决策过程（ Markov Decision Process MDP）、动态规划、批处理强化学习算法、策略迭代的最小二乘法等相关知识；同时介绍了强化学习迁移的框架、样本复杂度边界、连续状态和动作空间中的强化学习等知识。文章还介绍了贝叶斯强化学习模型、部分可观察的马尔可夫决策过程、预测性定义状态表示、博弈论和多学习器强化学习。此书提供了强化学习领域的广泛概述，从基础知识到高级话题，以及实际应用。耐心看完收获会很大。

现代设计和优化的基本概念、约束设计空间的搜索方法、单目标优化设计问题的直接搜索法、启发式随机搜索方法和具有学习能力的网络技术、多目标优化问题的处理方法、灵敏度分析、多学科设计优化方法（MDO）、知识工程（KBE）、不确定性多学科设计优化方法以及降低优化计算时间耗费的方法。

《阿里云天池大赛赛题解析》，天池平台

一本非常好的教学读物，不仅是赛题的归纳，天池团队在赛题之外全流程的介绍了数据分析和数据挖掘的过程，各个步骤的介绍都非常详细。平时作为备查的资料也相当不错。

《多智能体机器学习：强化学习方法》，

介绍了监督式学习（LS、RLS、LMS、随机逼近法）、单智能体强化学习（值函数、最优值函数、学习值函数、策略迭代、时间差分学习、状态-行为函数的时间差分学习、Q学习、资格迹）、双人矩阵博弈学习（矩阵博弈、纳什均衡、线性规划、学习算法、梯度上升算法、WoLF-IGA算法、PHC算法、分散式学习、学习自动机、无为算法、惩罚算法、滞后锚算法）、多人随机博弈学习（极大极小Q学习算法、纳什Q学习算法、朋友或敌人算法、无限梯度上升算法、PHC算法、EMA Q学习算法）、微分博弈（模糊系统、模糊Q学习、FACL、疯狂司机微分博弈）、群智能与性格特征的进化（群智能进化、性格特征进化、零和博弈、机器人走出房间、机器人追踪目标）等内容。这本书的目录展示了很多有意思的算法，其中部分算法很耳熟，让我很有读下去的欲望。

《机器学习导论》（美）米罗斯拉夫库巴特

适用于初学者快速入门。易于理解。主题包括贝叶斯分类器、近邻分类器、线性和多项式分类器、决策树、神经网络以及支持向量机、遗传算法。后面章节讲了如何把这些简单工具通过boosting的方式结合起来，怎样将它们应用于更加复杂的领域，以及如何处理各种实践问题。

《数据结构》严蔚敏

讲了算法时间空间复杂度分析、抽象数据类型ADT、栈和队列、树图等知识，讲了迪杰斯特拉路径规划方法、排序、查找等。对于学习大数据知识有很大的帮助。强烈推荐。

《深度学习与飞桨PaddlePaddle Fluid实战》

搭配百度的飞桨系列课程，另外百度还举办了人工智能飞桨相关比赛。

百度飞桨PaddlePaddle技术人员深度解析。涵盖飞桨设计思想与核心技术、解析飞桨移动端底层技术。 详解8种 CV、NLP的工业级经典案例。基于最新的飞桨PaddlePaddle Fluid版本，以真实的应用案例介绍如何用飞桨PaddlePaddle解决主流的深度学习问题。

《移动端机器学习实战》 【印度】 卡斯基延·NG（Karthikeyan NG）

系统介绍机器学习在移动端应用程序开发中的应用，讲述如何使用TensorFlow Lite 和Core ML开发Android与iOS应用程序。本书展示如何将机器学习技术应用于移动端的应用程序开发中。首先介绍TensorFlow Lite和Core ML的基础知识，然后讲述7个常见应用程序的开发，最后讨论基于机器学习的云服务。通过本书，读者可以学会如何开发一个预测年龄和性别的应用程序，如何对图片进行艺术风格迁移，如何实现面部检测和条形码扫描，如何构建一个用于美化的AR滤镜，如何在移动设备上检测手写的数字，如何实现可以换脸的应用程序，如何利用迁移学习对食物进行分类。

阅读《阿里云天池大赛赛题解析》

全书的结构围绕以下4道赛题组成：

• 工业蒸汽量预测
• 天猫用户重复购买预测
• O2O优惠券预测
• 阿里云安全恶意程序检测

4道赛题所采用的算法模型都是机器学习算法，也符合本书的定位，没有涉及到深度学习的领域，实际上从近期天池平台的赛题设置包括kaggle的赛题设置可以发现，针对图像处理相关赛题的比重正在逐步变多，个人感觉是和现实生活包括工业场景中数据异构的情况占绝大部分有关。因此，如果纯粹的把算法的使用或者赛题的设置限制在结构化数据，则会对算法的落地产生麻烦，最终会造成因比赛而比赛，为了获奖而设计算法的情况，这明显不是天池比赛的初衷。而本书之所以会单独将机器学习算法赛题集结成册，个人感觉是成书的目标不仅仅是赛题的解读或者获奖选手的代码集锦，而是有教学目的的，这个从书中每道题的讲解顺序中也可以发现。

因此，从全书的结构角度虽然很可能乍一看觉得是讲了4道题的解答方法，但是4道题的代码解释明显用不了那么大的篇幅。仔细的看下去，就可以发现，其实是目前机器学习教科书中很特殊的一种写作方式，以赛题为核心，先以理论切入，后将理论结合赛题说明思路，最后是代码的解释。

由于机器学习的算法涉及到一些数学方面的知识（当然数学要求比深度学习略低），仅仅看理论的教材很容易让初学者有退却的心理，面对一大堆的公式无所适从，更不知道这些算法在实际过程中如何应用，而看论坛里各位大神的代码，又是没有理论解释的，天池团队的这本书正好填补了中间这个空白。

本书的4道题，每道的细分章节都相似，其实就是整个数据科学家或者数据分析师工作的流程，当然缺少了数据采集的环节，原始数据作为赛题本身的一部分已经预先提供。

收到数据以后，之后的步骤就是数据概览（书里叫数据探索）、特征工程、模型训练、模型验证和作为提高的模型优化，当然也可能全部流程完成后发现瓶颈其实不在模型和调参，而在于特征工程没有做好，这个情况其实我觉得在进入一个陌生的领域时会经常发生，所以特别面向工业领域的算法设计，了解工艺生产流程是非常有必要的，甚至可以直接决定特征工程的结果。

数据探索方面，其主要的目的是对于数据集及数据的分布情况有一个全面的了解。如果对于机器学习的算法原理比较熟悉的话，在这个阶段已经会有意向中可能会采用的算法。书中，天池团队先进行了本阶段所需要理论知识的介绍，这一个部分中，所需要的理论知识基本属于统计范畴和可视化范畴，所得出的结果也是描述型的。从宏观上对于数据的分布有一个了解，细节上知道数据集的缺失值情况、各个维度间的相关性以及作为赛题来说训练集和测试集的关系。

特征工程方面，这个步骤其实占了全局绝大部分的工作量，比较繁琐，又不得不做，因为自然渠道收集到的各种数据多多少少存在问题。事实上，数据中台的价值一直被通俗的概括为数据驱动，看似宏观但从特征工程方面就可以准确理解什么是数据驱动。要驱动形形色色的功能业务，必然需要面对特定场景的数据，而采集的原始数据基本上都不能直接作为输入。因此，特征工程的任务就是将杂乱的原始数据整合成生产资料的过程。书中介绍的特征工程内容是全书的一个重头戏，也是其他参考书中比较少涉及到的领域，毕竟介绍模型和算法的参考书非常多，而包括降维、异常值检测、缺失值填充则只有全流程经历过并依靠实际的数据集处理展示才能讲明白。

模型的训练部分，书中提供了同一场景多种模型的解题思路，也是从算法的原理讲起，但是并不偏向纯数学，个人感觉，如果是面向工程的，足够，如果偏向算法原理改进等学术研究的，则还需要结合其他更偏重理论研究的参考资料，本书在这方面着眼于机器学习的面，并不过于纠结某个点。4道题的模型介绍基本覆盖了常用的机器学习算法，和kaggle同类题采用的算法也差不多，仔细看一遍能够了解整个领域的算法模型组成和具体的使用场景。

模型验证方面，主要由两部分的内容组成，即验证指标的选择和调参，验证指标方面书中并未完全拘泥于赛题的验证指标，对于不同算法所采用的验证指标介绍是非常详细的。调参方面，这其实是一个迭代过程，手工调参高手必然是结合了对算法原理的精通和大量的实际调参经验，而自动调参则是在经验法则下的反复尝试。

阅读此书，我了解了利用深度学习解决实际问题的相关知识，打算参与一下天池比赛。

史玉洁

《算法导论》（Introduction to Algorithms）- Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, Clifford Stein 这本经典教材是计算机科学领域中最重要的书籍之一。它详细介绍了各种常见的数据结构和算法，包括数组、链表、树、图、排序算法、查找算法等。这本书深入浅出地解释了算法的设计和分析，是学习数据结构和算法的必备之书。4分

《算法（第4版）》（Algorithms, Part I）- Robert Sedgewick, Kevin Wayne 这本书是普林斯顿大学的一门算法课程的教材，也是一本非常受欢迎的算法入门书籍。它以Java语言为基础，介绍了各种常见的数据结构和算法，包括栈、队列、排序算法、查找算法、图算法等。书中提供了丰富的示例代码和练习题，帮助读者深入理解算法的实现和应用。3分

《数据结构与算法分析：C语言描述》（Data Structures and Algorithm Analysis in C）是由Mark Allen Weiss撰写的一本经典教材。这本书以C语言为基础，系统地介绍了各种数据结构和算法的实现和分析。 5分

“Python编程：从入门到实践”（”Python Crash Course”）- Eric Matthes 这本书适合初学者，通过实际项目和示例代码引导读者学习Python编程。它从基础的语法和数据类型开始，逐步介绍函数、类、文件处理、数据可视化等主题。书中还包含了一些有趣的项目，如游戏开发和Web应用程序开发，帮助读者将所学知识应用到实际项目中。4分

“流畅的Python”（”Fluent Python”）- Luciano Ramalho 这本书适合有一定Python基础的读者，深入探讨了Python的高级特性和最佳实践。它涵盖了Python的核心概念、面向对象编程、函数式编程、并发编程等内容。通过详细的示例代码和解释，读者可以学习如何使用Python的各种特性来编写高效、优雅的代码。4分

《数据结构与算法分析：C语言描述》（Data Structures and Algorithm Analysis in C）- Mark Allen Weiss

张众

《深度学习》(Deep Learning) - 作者：Ian Goodfellow, Yoshua Bengio, Aaron Courville

评价：这是深度学习领域的经典教材，由该领域的权威人士撰写。内容涵盖了深度学习的基础知识以及各种重要的应用。

《神经网络与深度学习： 高清晰版本》(Neural Networks and Deep Learning: A Textbook) - 作者：Charu Aggarwal

评价：这是一本清晰易懂的教科书，涵盖了神经网络和深度学习的基本原理和实践。

《深度学习的数学》(Mathematics for Machine Learning) - 作者：Marc Peter Deisenroth, A Aldo Faisal, Cheng Soon Ong

评价：这本书突出了深度学习中的数学基础，为理解和应用深度学习提供了坚实的数学基础。

《Python深度学习》(Python Deep Learning) - 作者： Ivan Vasilev, Daniel Slater

评价：这是一本关于如何用Python实现深度学习的实用指南，适合那些想要动手实践的读者。

《深度学习的艺术与科学》(The Art and Science of Deep Learning) - 作者：Adam Gibson, Josh Patterson

评价：这本书侧重于实际应用，介绍了如何在实际项目中使用深度学习技术。

周帅杰

《机器学习原理与实践》作者是左飞、补彬。是一本面向机器学习初学者的入门级书籍，提供了机器学习的基本概念和实践应用。这本书旨在帮助读者了解机器学习的基本原理，并通过实际项目和示例来实践这些原理，为读者提供了一条掌握机器学习的途径，5分。

《机器学习公式详解》作者是谢文睿、秦州。是一本针对机器学习领域的技术参考书，旨在提供读者对机器学习中关键概念和数学公式的深入理解。除了数学公式，书中还提供了对各种机器学习算法和模型的概述。读者可以了解这些算法的工作原理和应用场景。总的来说，它可以作为一个技术参考书，帮助读者更好地理解和应用机器学习领域的关键概念。因为该书包含大量数学公式和技术术语，建议读者具备一定的数学和编程背景以更好地理解书中内容，5分。

《机器学习数学基础》作者是周洋、张小霞。是一本旨在帮助读者建立机器学习领域所需数学知识基础的书籍。它重点关注了机器学习中常用的数学概念和技术，适用于那些希望深入了解机器学习的初学者和从业者。可以先阅读这一本，在它的基础上可以更好的理解上面两本，5分。

《机器学习导论》作者是王东。是一本广泛用于机器学习教育的教材，旨在向学习者介绍机器学习的基本原理、方法和应用。这本书是机器学习领域的经典之一。想要学机器学习，我推荐首先看这一本，5分。

《机器学习应用实战》作者是刘袁缘、李圣文、方芳。是一本旨在帮助读者将机器学习理论应用于实际项目和问题解决的实战指南。它提供了丰富的项目示例和实践技巧，适用于那些希望在机器学习领域应用知识的读者。这本书强调了实际项目经验的重要性，帮助读者更好地准备机器学习应用实践。在读完上面四本书后，当然要进行实战拉练，这本书可以很好地实现读者所愿，5分。

郭泽宇

《深度学习极简入门》，李烨 4分 这本书用相对简单的语言，面向初学者，简单概括地介绍了一些几点的深度学习机器模型，也运用了数学推导，比较适合深度学习上手。

《PyTorch深度学习实战》，张敏 5分 这本书用PyTorch为基础详细的介绍了深度学习，运用了大量代码来说明深度学习模型及其实现，非常有助于编程水平的基础及提高。

《统计学习方法》，李航 5分 这是一本机器学习的教科书，非常重视数学基础，每一个模型都有相关的数学推导及例题，有助于夯实数学基础。

《神经网络与深度学习》，邱锡鹏 5分

这本书来自学长的推荐，这是一本非常好的神经网络与深度学习的图书，即较为清楚的描述了模型的核心原理，也用数学进行了比较完整的证明，而且常用的经典的深度学习模型它几乎都已经包括了，对模型有疑问时翻看这本书也许会有新的收获。

图书分为三大部分：入门篇、基础模型及进阶模型。每一部分逐步深入，从最简单深度学习基础知识，到一些非常基础的深度学习模型以及深度学习经典的那些步骤的处理方法，最后又会介绍一些较为复杂但是经常会用到的经典的进阶模型。更重要的是他的模型非常的全，对某类模型有疑问时，翻阅大概率可以找到对应的基本模型并有所收获。其实我并没能够完整的翻阅完，但这本书在我学习过程中给我提供了很大的帮助。

这本书唯一的缺点是某些地方还是不够详细，某些地方刚开始学习时看完还是会有一头雾水的感觉，没有一些基础很多地方还是不能完全搞懂的。

吕涂

读书：《大数据与机器学习经典案例》/董相至等编著

这本书包括房产零售、生物信息、自动驾驶、机器问答等，并且每个案例从数据分析和预处理开始，到特征工程，再到机器学习建模，最后完成模型评估。书上的案例像我们详细展示了在进行机器学习相关的项目时的步骤，让我印象最深的是在苹果树病虫害识别这一章中，作者使用到了数据增强的技术，就是将原始图片进行翻转、旋转、添加噪声等操作，这部分作者给出了项目中的数据增强函数，让我能更直观地感受这个操作。因为在我学习的TEDS这部分数据集也是较少的，需要进行P图和数据增强，在学习论文时，论文中只给出描述和结果，对于复现这部分不好完成。书的优势就是可以包含更多的内容，让我更好地学好复杂系统的设计过程。

我认为这本书好在相比论文可以将项目更详细地展示在我面前，因此这本书适合刚入门想复现项目代码或想详细了解这一领域的人来读。我建议在后边加上一些练习题，让读者可以换一个数据集、网络结构中的部分或者用更新的技术来完成项目，这样能让读者举一反三，起到进阶学习的作用。

徐泽靖

深度学习与目标检测

从这本书中能够学到

这本书侧重对卷积神经网络的介绍。作者将深度学习分为有监督学习、无监督学习和强化学习三类，并分别对其原理进行了概括性的讲解。同时在书的后半段也给出了具体的应用，肋骨骨折检测、肺结节检测和车道线检测等实际应用情况。

对于涉及到的目标检测方法，主要分为三部分：

1.目标检测的准备工作：主要介绍了目标检测的常识、深度学习框架的选型、开发环境的搭建以及数据处理工具的使用。

2.目标检测的技术基础：主要讲解了数据预处理和卷积神经网络等图像分类技术的基础知识。

3.技术实现：书中详细讲解了如何使用目标检测算法实现具体项目。例如，书中首先从人工智能产业的发展史和机器“眼中”的图像世界开始讲述，逐步引导读者进入机器学习的图像处理当中；然后讲解深度学习中实现目标检测的主要算法，和以PyTorch框架为基础构建的神经网络

建议阅读理由

如果想要阅读这本书来学习一些跟目标检测相关的内容的话，举个例子，假设你正在研究如何使用深度学习进行目标检测。你可以首先阅读书中关于目标检测的基础知识，了解什么是目标检测，以及在进行目标检测时需要注意什么。然后，可以选择一个适合你的深度学习框架，搭建开发环境。接下来，学习如何处理数据，包括如何收集和清洗数据，以及如何将数据转化为适合深度学习模型使用的格式。在掌握了这些基础知识后，就可以开始阅读书中关于如何使用深度学习进行目标检测的部分了。从这本书中学习到一些主要的目标检测算法，以及如何使用PyTorch框架构建神经网络来实现这些算法。最后，通过阅读书中的实战部分，可以了解到如何将这些理论知识应用到具体项目中去。

不足之处

用较大篇幅讲深度学习的历史和一些基础概念，再用很多篇幅讲卷积的知识，这部分占了将近整本书一半。然后才开始讲目标检测的模型，每个模型讲解与参考文献的译文相似度较高（包括示意图），而且缺少相关代码，caffe模型的描述json片段占用的篇幅较大。然后应用篇，就是简单的介绍，说是实践，实则就是介绍一下目标检测可以用在那些地方，并没有如何实现的代码。

书本想阐明原理，但短短的篇幅显然不能做到。以RCNN为例，书本共计用了五页半的篇幅。我们知道RCNN算法比较繁琐，有特征提取，SVM用作分类等，但书中却是一笔带过，无法详细了解。到了边界框回归，有了算法公式，但对于读者理解帮助不大。

张雪松

Python深度学习 作者：吴茂贵 评价：4.5分

本书主要将python语言与深度学习相结合，介绍了深度学习与python编程的基础知识。

神经网络与深度学习 作者：Michael Nielsen 评价：5分

这本书是一本介绍深度学习的不错的书籍，它详细地讲解了神经网络和深度学习的基础知识和应用。

深度学习理论与实践 作者：杨博雄 评价：4分

这是一本对深度学习进行理论分析并将理论分析应用于实践的书籍，值得一读。

机器学习数学基础：概率论与数理统计 作者：李昂 评价：5分

本书非常适合机器学习的新手，主要介绍了机器学习中的最基础的数学知识：概率论与数理统计。

《机器学习数学基础：概率论与数理统计》是一本非常优秀的机器学习数学基础书籍，本书作者李昂，本书主要介绍了机器学习中最基础的数学知识——概率论和数理统计，这些知识是机器学习的基石，对于我们想要深入学习机器的人非常重要。

本书的内容非常系统和全面，从概率论和数理统计的基本概念开始介绍，逐步深入到更加复杂的知识点。本书提到了许多我们大学时期学过的知识，比如条件概率、随机变量、概率分布、大数定律、中心极限定理、假设检验等等。本书作者在讲解每个知识点时，都会给出详细的数学公式和推导过程，同时也会给出一些实际应用的例子，让读者更好地理解这些概念和方法。这是我觉得他非常优秀的点。

这本书的难度适中，对于我们在大学阶段已经学习过概率论与数理统计这门课程的人来说并不难以理解。同时，本书也给出了许多习题和实战案例，可以帮助我们更好地巩固和应用所学的知识。这也是这本书比较优秀的地方。

由于时间有限，不能更深一步地精读本书，发表自己的观点难免有不准确的地方。对于个人来说，喜欢在读书的同时不失趣味性，这样可以更好地吸引读者。如果我是作者，会在写书的同时增添一些有趣的东西。

总的来说，《机器学习数学基础：概率论与数理统计》是一本非常优秀的机器学习数学基础书籍，非常值得推荐。

张众

我选择精读《深度学习》(Deep Learning)和《动手学深度学习》(DIVE INTO DEEP LEARNING)；

选择原因：1、这两本书相辅相成，一本注重理论，另外一本注重实践。2、在网上查阅有关推荐学习深度学习的书中，这俩本书的推荐指数要多一些。

首先介绍一下李沐的《动手学深度学习》这本书吧，此书可以结合李沐的课程视频一起学习。李沐被广大的学生称为沐神，我认为沐神是真的强，在视频课程中，沐神不仅仅把理论知识讲清楚了，关键还结合了相关知识的代码，真的很适合我这种只有一点点python基础的小白。此书的每一节都是一个jupyter记事本，将文字、公式、图像、代码和运行结果结合在了一起；读者不仅仅可以直接阅读，还可以运行它们来获得交互式的学习体验。哦，对了，这本书中的代码是基于Apache MXNet实现的，此外，改书还提供了学习社区地址和GitHub开源地址以及社区讨论（https://discuss.d2l.ai/c/chinese-version/16）等等。关于此书的改进建议，我并没有什么要补充的，沐神的这本书很适合新手入门深度学习；沐神的课程中不涉及过于详细的公式推导等理论知识，这是我认为唯一的不足吧，毕竟此书注重的是编程实践。如果想要仔细搞明白其中的一些公式推导和更为详细的理论知识如贝叶斯准则、信息论相关的知识、深度学习中的正则化等等一系列知识点的话，可以好好阅读下面的《深度学习》这本书。

下面介绍Ian Goodfellow的《Deep Learning》，作者Google的研究科学家，但我本人并没有过多了解该作者。我认为，这本书是对沐神的《动手学深度学习》的很好的补充，或者可以理解为一本词典。一般我在跟着沐神学习深度学习时遇到某些知识不是很理解或者没听懂，那么就可以在《Deep Learning》上找到该知识点。这本《Deep Learning》还是很不错的，知识面很全，共有20章的内容，分为三个部分，即第一部分——应用数学与机器学习基础、第二部分——深度网络：现代实践、第三部分——深度学习研究；比如此书包含了卷积网络（第9章）、概率与信息论（第3章）、线性代数（第2章）等基础知识和深度学习中的结构化概率模型（第16章）、深度生成模型（第20章）等深层知识。该书和《动手学深度学习》相对应，是对后者的一个很好的补充。

总而言之，我本人建议两本书要结合使用，既要注重对深度学习的理论学习，也要注重其代码的实现，二者相辅相成。对了，在学习《动手学深度学习》时，要多跟着沐神的实践并且要多参与社区的讨论，里面有很多意想不到的收获哦。

赵长杰

《深度学习—基于案例理解深度学习网络》著：翁贝托·米凯卢奇[瑞士] 译：陶阳 郑红平

这本书讲解真的非常详细！！！给人的感觉就是通篇读下来如果按照他所讲解的步骤一步步的操作的话，可以逐步的实现一个神经网络的搭建过程。当然，在此过程中，你会一点点的了解到深度学习所涉及的各方面知识，从最基本的工具和环境搭建开始筑基，你会了解到tensorflow的一些基本操作，懂得深度学习的环境是怎样的；接着本书讲解了神经网络的神经元的结构以及各类激活函数等；然后讲解了前馈神经网络，包括之前所学的梯度下降算法在内整个的网络架构；进而是神经网络的训练包括学习率的衰减和各种优化器；然后又讲解了正则化和指标的分析，接着讲解了一系列的超参数调优；最终介绍了卷积神经网络和循环神经网络，并就某一项目进行实际操作演练，使得理解更加深刻。

就我浅显的观点来看，本书确实是一本讲解的非常全面细致的好书，让人全方面的了解了深度学习的知识。但是美中不足的是，该书在最后只讲解两种神经网络模型，包括卷积神经网络和循环神经网络，而其他的一些则没有涉及，最终的项目案例也有些少。如果能更加全面的讲解一下各个神经网络模型并利用其进行一些项目实践的话，也许会更好一点。

周王健

《PyTorch 深度学习入门》

第一章引导读者进行 PyTorch 以及 cuda 的安装，详尽地介绍了开始深度学习之前的工具准备工作。

第二章讲述了 Tensor 的基础，在阅读完本章之后，使我个人在阅读代码的时候，对于代码实现的思路有了更加清晰的理解。

第三章开始，讲述深度学习基础，使用理论+代码实现的方式具体讲述了线性回归、逻辑回归、反向传播、卷积神经网络等知识，层层递进地讲述如何构 建一个卷积神经网络，使我对课上所讲述的内容更加了解。

第四章，开始讲述一些较为经典的图像识别的模型，如：AlexNet、VGGNet 等，之后又讲述了迁移学习的原理，最后通过一个实战例子，帮助进行迁移学习的实现。

第五章，具体讲述了 RNN 以及 LSTM 的原理，同样的，也是利用图解理论+代码实现的方式帮助理解 RNN 以及 LSTM，之后通过讲述 OpenNMT 构建神经翻译机。通过本章的阅读，可以对于循环神经网络的知识有着进一步的了解。

第六章，讲述了如何生成对抗网络，讲述了生成对抗网络的基本原理，使用生成器来生成所需的东西并且使用鉴别器对于生成器所生成的东西进行训练进而对于生成器进行训练，对于对抗网络的训练主要是在于对于鉴别器以及生成器的迭代更新。阅读完本章之后，能够大致对于对抗网络有初步的了解。该书利用理论+代码的形式讲述，基础较弱的读者阅读这本书的话比较容易读得懂，也比较容易进行代码得复现。但是有部分内容利用到了 PyTorch 的并行计算的内容，因此感觉在前边部分讲述一点 PyTorch 并行计算的内容会比较好。

付雅欣

《深度学习案例循环神经网络RNN》

这本书的可取之处：

书中有作者及其团队近些年的研究成果，并且这些成果是较新的，如其中的项目13《新冠疫情舆情监督》就是一个最近几年的成功，非常具有现实意义和社会价值。这些项目都是切实可行的项目，并且也都是解决了一些过去的热点问题，是科研与现实的统一体现，真正告知读者深度学习可以做的研究方向有哪些。大家可以去积极探索的方向又有哪些。

这本书存在的缺失：（1）没有更全面的学习过程，这可能涉及到算法的选取到底经历了一个怎样的过程；（2）没有实验中遇到的问题以及一些解决的小技巧。

这本书的优势：书中总共有25个项目，每个项目都有特别详尽的流程，从整体框图到算法的流程设计，需要配置的环境和每一部分的模块设计以及最后的系统测试。

如果我写这本书，怎么改进：我会在每个案例的最后做一个团队的评论专栏，让参与过项目的人谈谈遇到的最大的困难和切实可行的解决方法；我还会对于每个项目的整体实验效果，从实验室到现场实际的产品效果都做一个短片进行播放，这可以吸引到更多读者的注意力，还可以给感兴趣的同学多补充一点项目的细节。