適讀人群 ：從業人員以及對算法、機器學習感興趣的人群
《深度學習算法實踐》以一位軟件工程師在工作遇到的問題為主線，闡述了如何從軟件工程的思維向算法思維轉變，以及深度學習算法的概念與實踐：比如在哪些場景下需要運用深度學習算法、如何將深度學習算法應用到任務中、提高工作效率？不僅如此，作者還結合程序員在工作中經常面臨的產品需求，詳細闡述了應該怎樣從算法的角度來看待、分解需求，并結合經典的任務對深度學習算法做了清晰的分析：如何用RNN和CNN結合來提取深度文本特征？如何開始寫一個Chatbot？如何在Chatbot中應用深度學習？強化學習為什么這么強大，它是萬能的嗎？強化學習可以用在什么地方？對于圖形領域的深度網絡來說，是否有通用的提高模型精度的方法？如何利用深度學習來預測股票的趨勢？YouTube是如何推薦影片的，我們如何將YouTube的深度學習經驗應用在推薦系統中……這些經典的應用案例，能讓有志于學習深度學習的讀者，快速地理解核心所在，并順利地上手實踐。
隨著機器智能的進步，人類預測技能的價值將會降低。原因在于機器預測比人工預測更為低價和優質，正如機器算數肯定比人力算數更為迅速準確。然而，這卻并不像許多專家預言的意味著人類工作的末日，因為人類判斷技能的價值將得以凸顯。用經濟學語言表述就是，判斷是預測的互補品，因此當預測的成本降低，對判斷的需求就會增大。
——The Simple Economics of Machine Intelligence，《哈佛商業評論》
當年互聯網的大潮席卷一切時，數字通信技術被認為將顛覆商業、改變一切。之后的移動互聯網也在某種程度上被認為將顛覆商業。經濟學家總體上并沒有被當時的互聯網泡沫所忽悠。
現如今，有關人工智能的報道鋪天蓋地，有昔日“新經濟”泡沫之勢。這一次，基本的經濟學原理和框架就足以幫助我們理解和預測這一技術形態對商業產生的影響。技術革命往往會使某些重要活動的成本降低，比如說通信或搜索信息等活動。究其實質，人工智能或者機器智能（Machine Intelligence）是一項預測技術，因此它的經濟影響將圍繞降低預測成本這個中心來展開。
對于已經身處這個大潮中的開發者、架構師、數據分析人員等，只能去擁抱這項技術。深度學習并不是一項憑空冒出來的技術，它在機器學習之上做了很多優化。本質上所有的有監督學習都是在探討怎樣無限地逼近目標函數（強化學習另外討論），而深度網絡就是讓機器代替人類提取特征的工作變得更有可能真正實現。在經濟學家的眼里，現階段人工智能的本質是從預測（或分類問題）開始，我想通過幾個實際的例子來和大家聊聊這個話題；另一方面，我的團隊在工作中積累了一些實際經驗，我們也希望能將這些經驗貢獻出來，如果能在某種程度上對讀者有所幫助那就最好不過了。以上兩點，促成了本書的誕生。
我寫的前一本書（《神經網絡與深度學習》，電子工業出版社出版）偏向于概念講解，因為寫的時候深度學習并不普及，讓大眾了解深度學習的基本概念是最急迫的目標。本書大部分內容則偏向于應用，因為無論是降低社會成本，還是發明創造出新算法，都離不開實踐；如果還能從實踐中思考一些東西，那就是舉一反三的能力了——這是我們人類獨特的價值。所以在本書后面的強化學習、股票預測等章節，我們都會留一些問題，讀者可以親自實踐，用深度學習這個工具創造出更多的價值，更長遠地說，為推動強人工智能貢獻自己的一份力量。
我一直相信，創造具有意識的AI，對所有的科技人員都是一種誘惑，盡管有可能造出來就意味著人類的邊緣化，但仍然要憋著勁兒去研究如何把它造出來——這簡直就不像人類的自由意志，更像背后有一只手在推動著，我想上帝在造人時的心情也不過如此吧。
本書面向有一定基礎、在工作中對深度學習有一定實際需求的讀者；也面向那些有志于從傳統的軟件工程領域轉型的工程師們。
本書一共分為6章。
第1章，主要講從工程思維到算法思維的轉變，對于有基礎的讀者來說稍顯啰唆，但很重要，希望讀者能仔細閱讀。
第2章，闡述文本分析、文本深度特征等內容，已有基礎的讀者可以根據自己的需求部分略過。
第3章，主要介紹對話機器人的相關技術和發展。
第4章，主要介紹視覺，以人臉檢測為例，從傳統的OpenCV模式識別做人臉檢測到用CNN網絡做人臉表情識別。勾勒CNN的傳承發展，講述做圖像分類、目標識別等其他應用。
第5章，主要講區別于一般的有監督學習的另一個問題：強化學習和DQN網絡實踐。
第6章，主要講預測與推薦，以股票為例，并同時討論了深度學習在推薦領域的應用。
本書的完成得到了團隊的大力支持：張帥、郭曉璐提供了圖像方面的支持；周維提供了強化學習內容上的支持，在此衷心地感謝他們。
下面是本書用到的環境說明。
為保持一致性，本書所有的代碼如無特殊說明都基于Python 2.7版本，系統環境為Ubuntu 16.04，以及所用到的Keras、TensorFlow、MXNet、Caffe、Openface、openAI、OpenCV、Dlib、NumPy、SciPy、Gensim、Theano等均為2016年9月的最新版本。
本書的部分源代碼整理在：https://github.com/wac81/Book_DeepLearning_ Practice，僅供研究使用，使用時請注明來源，如需用作商業或其他用途，請聯系作者取得授權。
1 開始 1
1.1 從傳統的軟件工程思維轉型 1
1.2 建立算法思維 2
1.2.1 算法的開發流程 3
1.2.2 做算法的步驟 4
1.2.3 英特的總結 8
1.3 觀察！觀察！觀察！重要的事情說三遍 11
2 文本分析實戰 15
2.1 第一個文本問題 15
2.1.1 郵件標題的預處理 15
2.1.2 選用算法 18
2.1.3 用CNN做文本分類 21
2.2 情感分類 24
2.2.1 先分析需求 24
2.2.2 詞法分析 25
2.2.3 機器學習 28
2.2.4 試試LSTM模型 30
2.3 文本深度特征提取 31
2.3.1 詞特征表示 31
2.3.2 句子特征表示 42
2.3.3 深度語義模型 51
3 做一個對話機器人 53
3.1 理解人類提問 56
3.2 答案的抽取和選擇 57
3.3 蘊含關系 62
3.4 生成式對話模型（Generative Model） 63
3.5 判斷機器人說話的準確性 69
3.6 智能對話的總結和思考 70
4 視覺識別 73
4.1 從人臉識別開始 74
4.1.1 OpenCV能做什么 74
4.1.2 檢測精度的進化：Dlib 79
4.1.3 表情識別：Openface 83
4.2 深度卷積網絡 87
4.2.1 CNN的演化過程 87
4.2.2 深度卷積和更深的卷積 96
4.2.3 實現更深的卷積網絡 103
4.2.4 殘差網絡的實現 108
4.2.5 十全大補藥：通用的提高精度的方法 111
4.2.6 圖像訓練需要注意的地方 116
4.3 目標檢測 125
4.3.1 用SSD來實現目標檢測應用 133
4.3.2 SSD訓練源碼提示 136
4.4 視覺領域的應用 138
4.4.1 藝術風格畫 138
4.4.2 看圖說話：用文字描述一幅圖像（BiRNN+CNN） 140
4.4.3 CNN的有趣應用：語音識別 142
5 強化學習實踐 145
5.1 吃豆子和強化學習 145
5.2 馬爾科夫決策過程 147
5.3 理解Q網絡 150
5.4 模擬物理世界：OpenAI 152
5.5 實現一個DQN 154
5.5.1 DQN代碼實現 154
5.5.2 DQN過程的圖表化 160
5.6 關于強化學習的思考 163
5.6.1 強化學習的特殊性 163
5.6.2 知識的形成要素：記憶 165
5.6.3 終極理想：終身學習 170
6 預測與推薦 173
6.1 從Google的感冒預測說起 173
6.2 股票預測（一） 175
6.2.1 股票業務整理 176
6.2.2 數據獲取和準備 179
6.2.3 模型搭建 183
6.2.4 優化 186
6.2.5 后續 187
6.3 股票預測（二） 189
6.4 深度學習在推薦領域的應用：Lookalike算法 197
6.4.1 調研 198
6.4.2 實現 201
6.4.3 結果 205
6.4.4 總結探討 205
參考文獻
新書資訊