陳雷：香港科技大學計算機科學與工程系教授，大數據研究所主任，IEEE Fellow和ACM杰出科學家。研究方向包括數據驅動AI、人力機器學習、知識圖譜、社交媒體上的數據挖掘等。在國際著名期刊和會議上發(fā)表300余篇論文，曾獲得2015年SIGMOD時間測試獎�，F任VLDB 2019程序委員會聯合主席、VLDB期刊主編、IEEE TKDE期刊副總編輯、VLDB Endowment執(zhí)行成員。

　　本書系統地介紹了深度學習理論，并基于MindSpore AI計算框架進行實踐。全書共分14章，內容涵蓋深度學習概況、深度學習基礎知識、深度神經網絡、卷積神經網絡、循環(huán)神經網絡、無監(jiān)督學習、深度強化學習、自動化機器學習、端云協同、深度學習可視化及深度學習的數據準備等。為便于讀者學習，書中還給出了基于MindSpore實現的關于深度學習的開發(fā)實例及線上資源。本書可作為普通高等學校人工智能、智能科學與技術、計算機科學與技術、電子信息工程、自動化等專業(yè)的本科生及研究生教材，也可作為從事深度學習相關工作的軟件開發(fā)工程師與科研人員的學習、參考用書。

　　第1章引言

　　1.1人工智能的歷史變遷

　　1.2什么是深度學習

　　1.3深度學習的現實應用

　　1.3.1自動語音識別

　　1.3.2圖像識別

　　1.3.3自然語言處理

　　1.3.4其他領域

　　1.4本書的組織架構

　　1.5MindSpore簡介

　　1.5.1編程簡單

　　1.5.2端云協同

　　1.5.3調試輕松

　　1.5.4性能卓越

　　1.5.5開源開放

　　第2章深度學習基礎知識

　　2.1回歸問題算法

　　2.2梯度下降算法

　　2.3分類問題算法

　　2.4過擬合與欠擬合

　　第3章深度神經網絡

　　3.1前向網絡

　　3.2反向傳播

　　3.3泛化能力

　　3.4用MindSpore實現簡單神經網絡

　　3.4.1各層參數說明

　　3.4.2詳細步驟

　　第4章深度神經網絡的訓練

　　4.1深度學習系統面臨的主要挑戰(zhàn)

　　4.1.1大數據集需求

　　4.1.2硬件需求

　　4.1.3過擬合

　　4.1.4超參數優(yōu)化

　　4.1.5不透明性

　　4.1.6缺少靈活性

　　4.2正則化

　　4.2.1L2范數正則化

　　4.2.2L1范數正則化

　　4.3Dropout

　　4.4自適應學習率

　　4.4.1AdaGrad

　　4.4.2RMSProp

　　4.4.3Adam

　　4.5批標準化

　　4.6用MindSpore 實現深度神經網絡

　　4.6.1各層參數說明

　　4.6.2詳細步驟

　　第5章卷積神經網絡

　　5.1卷積操作

　　5.2池化

　　5.3殘差網絡

　　5.4應用：圖片分類

　　5.5用MindSpore實現基于卷積神經網絡圖片分類

　　5.5.1加載MindSpore模塊

　　5.5.2定義ResNet網絡結構

　　5.5.3設置超參數

　　5.5.4導入數據集

　　5.5.5訓練模型

　　第6章循環(huán)神經網絡

　　6.1循環(huán)神經網絡概述

　　6.2深度循環(huán)神經網絡

　　6.3長期依賴的挑戰(zhàn)

　　6.4長短期記憶網絡和門控循環(huán)神經網絡

　　6.4.1長短期記憶網絡

　　6.4.2門控循環(huán)神經網絡

　　6.5應用：文本預測

　　6.6用MindSpore實現基于長短期記憶網絡的文本預測

　　6.6.1加載MindSpore模塊

　　6.6.2數據準備

　　6.6.3定義網絡

　　6.6.4參數介紹

　　6.6.5訓練模型

　　參考文獻

　　第7章無監(jiān)督學習：詞向量

　　7.1Word2Vec

　　7.1.1提出背景

　　7.1.2發(fā)展現狀

　　7.1.3技術原理

　　7.1.4技術難點

　　7.1.5應用場景

　　7.1.6框架模塊

　　7.2GloVe

　　7.2.1提出背景

　　7.2.2發(fā)展現狀

　　7.2.3技術原理

　　7.2.4技術難點

　　7.2.5應用場景

　　7.2.6框架模塊

　　7.3Transformer

　　7.3.1提出背景

　　7.3.2發(fā)展現狀

　　7.3.3技術原理

　　7.3.4技術難點

　　7.3.5應用場景

　　7.3.6框架模塊

　　7.4BERT

　　7.4.1提出背景

　　7.4.2發(fā)展現狀

　　7.4.3技術原理

　　7.4.4技術難點

　　7.4.5應用場景

　　7.4.6框架模塊

　　7.5詞向量典型生成算法對比

　　7.6應用：自動問答

　　7.6.1自動問答的相關概念

　　7.6.2傳統的自動問答方法

　　7.6.3基于深度學習的自動問答方法

　　7.7用MindSpore 實現基于BERT的自動問答

　　7.7.1數據集準備

　　7.7.2訓練BERT網絡

　　參考文獻

　　第8章無監(jiān)督學習：圖向量

　　8.1圖向量簡介

　　8.2DeepWalk算法

　　8.2.1DeepWalk算法原理

　　8.2.2DeepWalk算法實現

　　8.3LINE算法

　　8.3.1LINE算法原理

　　8.3.2LINE算法實現

　　8.4Node2Vec算法

　　8.4.1Node2Vec算法原理

　　8.4.2Node2Vec算法實現

　　8.5GCN算法

　　8.5.1GCN算法原理

　　8.5.2GCN算法實現

　　8.6GAT算法

　　8.6.1GAT算法原理

　　8.6.2GAT算法實現

　　8.7應用：推薦系統

　　8.7.1工業(yè)界中的推薦系統

　　8.7.2推薦系統中的圖神經網絡模型

　　參考文獻

　　第9章無監(jiān)督學習：深度生成模型

　　9.1變分自編碼器

　　9.1.1提出背景

　　9.1.2發(fā)展現狀

　　9.1.3技術原理

　　9.1.4技術難點

　　9.1.5應用場景

　　9.2生成對抗網絡

　　9.2.1提出背景

　　9.2.2發(fā)展現狀

　　9.2.3技術原理

　　9.2.4技術難點

　　9.2.5應用場景

　　9.2.6框架模塊

　　9.3應用：數據增強

　　9.3.1數據增強的定義

　　9.3.2數據增強的目的

　　9.3.3傳統數據增強的方法

　　9.3.4基于深度學習的數據增強方法

　　9.4用MindSpore實現基于生成對抗網絡的數據增強

　　參考文獻

　　第10章深度強化學習

　　10.1強化學習基本概念

　　10.1.1基礎概念與理論

　　10.1.2馬爾可夫決策過程

　　10.1.3貝爾曼方程

　　10.2基本求解方法

　　10.2.1動態(tài)規(guī)劃法

　　10.2.2蒙特卡羅法

　　10.2.3時間差分法

　　10.3深度強化學習算法

　　10.3.1DQN算法

　　10.3.2DDPG算法

　　10.3.3A3C算法

　　10.4最新應用

　　10.4.1推薦系統

　　10.4.2博弈游戲

　　10.5用MindSpore實現基于DQN的博弈游戲

　　參考文獻

　　第11章自動化機器學習

　　11.1AutoML框架

　　11.1.1NAS算法

　　11.1.2超參調優(yōu)

　　11.2現有AutoML系統介紹

　　11.2.1AutoWeka/Auto�睸klearn/HyperOpt

　　11.2.2Microsoft NNI

　　11.3元學習

　　11.3.1學習優(yōu)化器

　　11.3.2學習參數初始化

　　11.3.3學習損失函數

　　11.3.4學習度量

　　11.4用MindSpore實現AutoML

　　參考文獻

　　第12章端云協同

　　12.1端側推理

　　12.2端云遷移學習

　　12.3端云聯邦學習

　　12.3.1聯邦平均

　　12.3.2梯度壓縮

　　12.4端云協同框架

　　參考文獻

　　第13章深度學習可視化

　　13.1深度學習可視化概述

　　13.1.1數據分析

　　13.1.2模型建立與理解

　　13.1.3訓練

　　13.1.4評估

　　13.2MindSpore可視化實踐

　　13.2.1可視化流程

　　13.2.2數據集可視化

　　13.2.3模型與訓練可視化

　　13.2.4Summary匯總數據格式

　　參考文獻

　　第14章深度學習的數據準備

　　14.1數據格式概述

　　14.2深度學習中的數據格式

　　14.2.1原始輸入

　　14.2.2標注信息

　　14.3常用的深度學習數據格式

　　14.3.1TFRecord格式

　　14.3.2LMDB存儲

　　14.3.3Rec格式

　　14.3.4MindSpore數據格式

　　14.3.5MindSpore數據集

　　14.4使用MindSpore數據格式進行訓練數據準備

　　14.4.1MindSpore數據格式生成

　　14.4.2MindSpore數據格式統計與檢索

　　14.4.3MindSpore數據格式訓練數據讀取

　　附錄A中、英文對照詞匯表

　　附錄BMindSpore白皮書

　　參考文獻

　　MindSpore是華為公司開發(fā)的深度學習框架，兼容目前主流的深度學習框架，支持端/邊/云全場景全棧協同開發(fā)。本書由陳雷教授傾力編著，陳雷教授是香港科技大學計算機科學與工程系教授，大數據研究所主任，IEEE Fellow和ACM杰出科學家。《深度學習與MindSpore實踐》系統介紹了深度學習的基礎理論、常用的深度神經算法設計，并以大量基于MindSpore的實例幫助讀者掌握深度學習算法的實現。此外，本書還對深度學習中的樣本數據處理、可視化及端云協同進行了深入的探討，因此我相信本書適合廣大讀者作為深度學習技術的入門讀物。

　　深度學習在最近十年得到了巨大發(fā)展，它使人工智能產生了革命性的突破，讓我們切實地領略到人工智能給生活帶來改變的潛力。《深度學習與MindSpore實踐》對深度學習的基礎技術進行了深入淺出的闡述，既給出了富于啟發(fā)性和思想性的見解，又強調通過深度學習框架MindSpore的操作和實踐，特別適合從事深度學習的研發(fā)人員參考閱讀！

　　人工智能已成為我國發(fā)展的戰(zhàn)略性方向，而人工智能的發(fā)展離不開計算框架的合理應用。MindSpore是開源的深度學習計算框架，支持端/邊/云全場景全棧協同開發(fā)，適配所有的AI 應用場景。很高興看到《深度學習與MindSpore實踐》系統介紹了深度學習的基礎知識和各種網絡模型，并通過MindSpore給出不同領域的應用，對深度學習的推廣具有重大意義。

　　MindSpore是華為公司開發(fā)的深度學習框架，兼容目前主流的深度學習框架，支持端/邊/云全場景全棧協同開發(fā)。《深度學習與MindSpore實踐》在總結深度學習的理論基礎上，系統地介紹了MindSpore框架，適合作為以MindSpore為工具開發(fā)人工智能系統的研發(fā)人員的參考讀物。本書理論聯系實踐，不僅講解深度學習的模型、概念和算法，還給出了在MindSpore上實現的具體程序及步驟，強烈推薦閱讀。

　　我從事人工智能教學已經十三年了，深刻感受到人工智能尤其是深度學習的教學效果很大程度上要依賴于實踐環(huán)節(jié)。特別是未來一段時間，深度學習仍然依賴于大數據和強大的算力，缺乏解釋性。華為公司硬件與軟件齊頭并進，不僅構造了令人驕傲的強大算力平臺，還推出了MindSpore全場景AI計算框架，為人工智能人才的培養(yǎng)提供了優(yōu)秀的實踐平臺。相信《深度學習與MindSpore實踐》會很快進入全國各大高校的課堂，并建議華為公司能把整個教學生態(tài)建好，打造人工智能人才培養(yǎng)的高地。

　　深度學習在人工智能領域有著廣泛的應用。《深度學習與MindSpore實踐》系統介紹了深度學習的基礎理論、常用的深度神經算法設計，并以大量基于MindSpore的實例幫助讀者掌握深度學習算法的實現。此外，本書還對深度學習中的樣本數據處理、可視化及端云協同進行了深入的探討，因此我相信本書適合廣大讀者作為深度學習技術的入門讀物。

　　本書提供部分配套教學資源，可以關注「人工智能科學與技術」公眾號，在對話框界面輸入“教學資源”即可獲得本書的部分“教材樣章”。

　　一、您若是教師，可按以下方式申請圖書

　�。�1）關注「人工智能科學與技術」公眾號，將本篇文章分享至朋友圈；

　�。�2）打開「人工智能科學與技術」公眾號對話框界面，輸入文字“圖書申請”，系統會彈出申請樣書二維碼；

　　（3）申請人須是普通高校教師并擔任所申請樣書對應課程，申請表中需要上傳相近課程的教學大綱證明身份。

　　注：申請圖書長期有效，五個工作日內寄出圖書。

　　二、您若不是教師，可按以下方式圖書抽獎

　�。�1）關注「人工智能科學與技術」公眾號，將本篇文章分享至朋友圈；

　�。�2）打開「人工智能科學與技術」公眾號對話框界面，輸入文字“深度學習抽獎”，系統會彈出抽獎二維碼；

　�。�3）長按二維碼參與抽獎即可，2020年06月07日晚9:00開獎，請在開獎后24小時內填寫郵寄地址。

　　注：抽獎有效期截至2020年06月07日9:00，五個工作日內寄出。