刘子瑛，毕业于清华大学软件学院。曾在高通、摩托罗拉等公司长期从事移动技术开发工作，现在阿里巴巴集团阿里云智能事业群从事智能互联网汽车等相关研发工作。

　　《TensorFlow+PyTorch深度学习从算法到实战》详尽介绍深度学习相关的基本原理与使用TensorFlow、PyTorch两大主流框架的开发基础知识和基本技术，并且展示了在图像识别与文本生成实际问题中的应用方法。同时考虑到程序员擅长JavaScript 的人员比熟悉Python 的人员更多的情况，特别增加了对于TensorFlow.js 的介绍。初学者面对深度学习望而却步的主要原因是认为入门门槛太高，需要较多的算法基础训练。针对此问题，本书原创了5-4-6 学习模型提纲挈领地降低学习曲线，并通过将知识点和难点分散到代码中的方式让读者以熟悉的方式迅速入门，并且为进一步学习打下坚实的基础。同时，本书也介绍了AutoML和深度强化学习等新技术，帮助读者开阔眼界。
　　《TensorFlow+PyTorch深度学习从算法到实战》内容翔实，讲解深入浅出，通俗易懂，配有大量的程序案例可供实操学习，既适合职场中经验丰富的开发人员学习，又可供计算机等相关专业的在校学生和其他科技人员参考，还可供算法理论相关的研究人员参考。

人工智能时代，深度学习是程序员必须具备的基础技能，此书知识全面，从环境搭建，学习方法到应用分析，真正做到了“深度学习的开发指南”。
——北京人人众包科技有限公司CEO 张建胜

本书是程序员掌握深度学习的利器之一，采用更多示例和工程经验来展示深度学习背后的数学原理，对术语的解释也更贴近程序员的理解范畴，实用性和平缓的学习曲线是本书的一大特点。对于人工智能专业的学生以及工业界的开发人员来说，本书都值得一读。
——开源编译器XOC作者 苏振宇

深度学习涉及的知识点比较多，特别是对数学基础要求很高，而这门学问在高校学习中尚属新宠。从学术的角度，很难绕过这些枯燥的理论，而本书却巧妙的规避了这个难题，通过自己的亲手实践，在作者一步一步的指导下结合具体的应用不断深入。本书另外一个突出点就是并未回避那些必须深入学习的理论。将他们一一罗列出来，给出一个梗概，让学者有迹可循，有纲可依，凭此一书，既可以快速上手又可以寻迹深入，实在难得。在我阅读过程中，丝毫没有违和感，学习起来轻松自在，就好像是在读自己整理的学习笔记。本书即可以作为大学深度学习普及课程用书，也适合做程序员掌中宝。
——清华大学校友会软件学院分会副会长 周虎

人工智能是科技新纪元的开端，深度学习就是打开这个新纪元的钥匙。作为“给程序员看的深度学习教程”，本书既符合了程序员迅速入门深度学习的实际需求，又搭建了一套完整的深度学习知识体系，并且给出了前沿的论文线索，读者可以根据自己的需要进行阅读，由表及里、由浅入深地掌握深度学习的各个层次知识。另外，本书同时讲解多框架也极具特色，有助于读者在比较的基础上进行灵活选用，真正理解深度学习的精华。
——北京微识科技有限公司CEO杨竹筠

曾有幸与本书作者共事，就很佩服他作为一个技术出身的工程师，对待项目有着极其开阔的视野，从大势出发，在细节着眼。本书中不只介绍深度学习开发框架的使用，还通过对比，寄希读者可以更高维度地思考框架背后的设计理念，有所取舍，而不沦为其奴仆。
至今，机器学习还在快速发展中，每天都有各类新的理论、模型去试图解决历史方法无法拟合的场景。各种模型本身并没有高低贵贱之分，只是对当前场景适合与否。作为一个从业者，需要打下扎实的理论基础，多向同行学习一些新的建模思路，定期看paper了解业内的观点，并坚信未来已来。
——今天便利店信息技术负责人 姚军勇

绪论程序员为什么要学习机器学习

 

0.1工业革命级的技术红利

 

0.2中美两国为机器学习作背书

 

0.3从编程思维向数据思维的进化

 

第1章30分钟环境搭建速成

 

1.1使用Anaconda搭建开发环境

 

1.2使用Python自带的开发环境

 

1.3从源代码搭建开发环境

 

第2章深度学习5-4-6速成法

 

2.1计算图模型与计算框架

 

2.2五步法构造基本模型

 

2.3案例教程

 

2.45-4-6速成法学习PyTorch

 

2.55-4-6速成法学习TensorFlow

 

2.6在TensorFlow中使用Keras

 

2.7本章小结

 

第3章张量与计算图

 

3.10维张量：标量

 

3.2计算图与流程控制

 

3.3变量

 

第4章向量与矩阵

 

4.11维张量：向量

 

4.22维张量：矩阵

 

4.3n维：张量

 

第5章高级矩阵编程

 

5.1范数及其实现

 

5.2迹运算

 

5.3矩阵分解

 

第6章优化方法

 

6.1梯度下降的基本原理

 

6.2高维条件下的梯度下降

 

6.3PyTorch和TensorFlow中的梯度计算

 

6.4梯度下降案例教程

 

6.5优化方法进阶

 

第7章深度学习基础

 

7.1从回归到分类

 

7.2深度学习简史

 

第8章基础网络结构：卷积网络

 

8.1卷积的原理与计算

 

8.2池化层

 

8.3激活函数

 

8.4AlexNet

 

第9章卷积网络图像处理进阶

 

9.1小卷积核改进VGGNet

 

9.2GoogLeNet

 

9.3残差网络

 

9.4目标检测

 

9.5人脸识别

 

第10章基础网络结构：循环神经网络

 

10.1循环神经网络原理

 

10.2实用循环神经网络：LSTM

 

10.3LSTM案例教程

 

10.4实用循环神经网络：GRU

 

10.5双向循环神经网络

 

10.6将隐藏状态串联起来

 

第11章RNN在自然语言处理中的应用

 

11.1文本编码：从独热编码到词向量

 

11.2Char-RNN算法

 

11.3Char-RNN的训练

 

11.4Char-RNN的预测推理

 

11.5Char-RNN完整模型

 

第12章用JavaScript进行TensorFlow编程

 

12.1TensorFlow.js的简介和安装

 

12.2TensorFlow.js的张量操作

 

12.3TensorFlow.js的常用运算

 

12.4激活函数

 

12.5TensorFlow.js变量

 

12.6TensorFlow.js神经网络编程

 

12.7TensorFlow.js实现完整模型

 

12.8TensorFlow.js的后端接口

 

第13章高级编程

 

13.1GPU加速

 

13.2生成对抗网络

 

13.3Attention机制

 

13.4多任务学习

 

第14章超越深度学习

 

14.1自动机器学习AutoML

 

14.2Autokeras

 

14.3WindowsSubsystemforLinux

 

14.4强化学习

 

14.5强化学习编程

 

14.6下一步的学习方法