《从机器学习到深度学习：基于scikit-learn与TensorFlow的高效开发实战》是一本场景式的机器学习实践书，笔者努力做到“授人以渔，而非授人以鱼”。理论方面从人工智能（AI）与机器学习（ML）的基本要素讲起，逐步展开有监督学习、无监督学习、强化学习这三大类模型的应用场景与算法原理；实践方面通过金融预测、医疗诊断概率模型、月球登陆器、图像识别、写诗机器人、中国象棋博弈等案例启发读者将机器学习应用在各行各业里，其中后三个案例使用了深度学习技术。

《从机器学习到深度学习：基于scikit-learn与TensorFlow的高效开发实战》试图用通俗的语言讲解涵盖算法模型的机器学习，主要内容包括机器学习通用概念、三个基本科学计算工具、有监督学习、聚类模型、降维模型、隐马尔可夫模型、贝叶斯网络、自然语言处理、深度学习、强化学习、模型迁移等。在深入浅出地解析模型与算法之后，介绍使用Python相关工具进行开发的方法、解析经典案例，使读者做到“能理解、能设计、能编码、能调试”，没有任何专业基础的读者在学习本书后也能够上手设计与开发机器学习产品。

《从机器学习到深度学习：基于scikit-learn与TensorFlow的高效开发实战》内容深入浅出、实例典型，适合对机器学习感兴趣的产品设计、技术管理、数据分析、软件开发或学生读者。阅读本书既能了解当前工业界的主流机器学习与深度学习开发工具的使用方法，又能从战略方面掌握如何将人工智能技术应用到自己的企业与产品中。

深度学习是人工智能的前沿技术。《深度学习之美：AI时代的数据处理与最佳实践》深入浅出地介绍了深度学习的相关理论和实践，《深度学习之美：AI时代的数据处理与最佳实践》共分16章，采用理论和实践双主线写作方式。第1章给出深度学习的大图。第2章和第3章，讲解了机器学习的相关基础理论。第4章和第5章，讲解了Python基础和基于Python的机器学习实战。第6至10章，先后讲解了M-P模型、感知机、多层神经网络、BP神经网络等知识。第11章讲解了被广泛认可的深度学习框架TensorFlow。第12章和第13章详细讲解了卷积神经网络，并给出了相关的实战项目。第14章和第15章，分别讲解了循环递归网络和长短期记忆（LSTM）网络。第16章讲解了神经胶囊网络，并给出了神经胶囊网络设计的详细论述和实践案例分析。

《深度学习之美：AI时代的数据处理与最佳实践》结构完整、行文流畅，是一本难得的零基础入门、图文并茂、通俗易懂、理论结合实战的深度学习书籍。

编辑推荐

√ TensorFlow 2.0与上一版对比，可以视为一个完全不同的深度学习框架，必须重学。

√ 面向应用落地，涵盖图像识别|对话机器人|生成网络图片风格迁移|文本情感分析等。

√ 本书实战样例丰富，从TensorFlow模型训练到生产环境部署，全程剖析AI系统开发。

√ 通俗易懂地讲述人工智能从基本原理到知识结构再到工业应用，非常适合突击入门。

内容提要

《走向TensorFlow 2.0：深度学习应用编程快速入门》是TensorFlow 2.0编程实践的入门类书籍，目的是在TensorFlow 2.0正式版发布之际能够帮助大家快速了解其核心特性及基本编程技巧。本书通过5个常用的人工智能编程案例，帮助大家掌握如何在工作中使用TensorFlow 2.0进行应用开发。

《走向TensorFlow 2.0：深度学习应用编程快速入门》内容覆盖了Python和TensorFlow基础入门、自然语言处理和CV领域的实践案例、模型的服务化部署，希望在基于TensorFlow 2.0的人工智能编程上能够助你一臂之力。

精彩节摘

推荐序

AlphaGo以“Master”（大师）作为ID，横空出世，在中国乌镇围棋峰会上，它与世界围棋冠军柯洁对战，在围棋领域，击败人类精英。

继而，AlphaGo Zero，从空白状态起步，在无任何人类输入的条件下，能够迅速自学围棋，并以100∶0的战绩击败人类“前辈”。

机器学习，在尝试以人类经验图谱进行学习时，短短数年，就在围棋领域，击败了拥有几千年沉淀的人类顶尖高手。

如果说这是机器的力量，那么AlphaGo Zero在尝试不以人类的经验图谱进行自我深度学习时，产生了另一个质的飞跃，这，就是机器学习的力量。

机器学习作为人工智能的一种类型，可以让软件根据大量的数据来对未来的情况进行阐述或预判。这项技术，可以通过人类经验学习和自我深度学习，帮助人类在各个领域取得突破性进展。如今，领先的科技巨头无不在机器学习方面予以极大投入。Google、苹果、微软、阿里巴巴、百度，无不深度参与，期望成为机器学习技术的铺路者、领路者、践行者。

未来是什么样子的，没人说得清，但是未来在一步步来临的路上，必然有机器学习技术的铺垫。

2011年，“谷歌大脑”开始开展面向科学研究和工程应用的大规模深度学习。TensorFlow是Google第二代机器学习系统。如今，Google将此系统开源，并将此系统的参数公布给业界工程师、学者和大量拥有编程能力的技术人员，正是为了让全世界的人都能够从机器学习与人工智能中获益。

TensorFlow社区，是机器学习领域内最活跃和友善的社区之一。社区的好处，在于学习的路上，有很多人同行，你的任何问题和疑惑，在社区中都能得到相当不错的答案。如果你想了解和学习机器学习，那么TensorFlow是一个相当不错的选择。如果你想学习TensorFlow，那么这本书会让你以最低难度领略机器学习的奥秘。

我可以代表这样一类人，作为多年的技术工作者，在工作中和机器学习也有一些接触，对机器学习有比较浓厚的兴趣。拿到这本书，相见恨晚，翻阅着，用电脑作为武器，按照书中所示，比画着，一招一式中，不觉间就进入了机器学习的奇妙世界。这也使我通过学习机器如何进行自我深度学习，让自己从另一个角度进行思考，得到收获。

英俊的这本书，书如其名，内容英朗俊秀，深入浅出，浅显易懂，思在天地，行在山野。

推荐读者群体：期望入门机器学习的学生、技术工作者及其身边的人。如果你恰好是其中一类人，又读到了这里，这本书请不要错过，因为你阅读的书中项目可能会比Android系统更加深远地影响着世界！

阿里巴巴菜鸟网络技术专家 薛巍

中国，杭州

2019年9月

媒体评论

本书探讨了开源机器学习软件库TensorFlow 2.0的诸多应用实践，内容涵盖各种热门的应用场景，包括图像识别、自然语言对话机器人、基于生成网络的图片风格迁移、文本情感分析等。该书是为“应用落地”而编写的，每章均附有大量的代码和注释，帮助读者更快地入门和实现应用落地。本书前两章分别介绍了Python的用法和TensorFlow的基础，在最后一章又探讨了如何将TensorFlow所训练的模型部署到生产环境中。本书对有志于在相关领域进行研究并快速产出原型的技术人员具有很高的参考价值。

寿黎但

浙江大学计算机学院教授

深度学习在工业领域逐步得到应用，尤其是其与物联网的结合，在智能家居、智慧城市、智慧交通、智慧医疗、智慧教育、智慧工业等多种行业场景中具有广阔的发展空间。而在这一发展过程中，培养合格的人工智能与物联网结合方向的研发人才，实现人工智能技术在工业应用领域的技术落地和实际应用，是人工智能领域教育培训的一个重要方向。本书详细介绍了深度学习基本原理和基于TensorFlow 2.0的编程实践入门，可以为人工智能领域的入门读者提供非常好的实践导引。

董亚波

浙江大学计算机学院副教授，人工智能研究所副所长

在与本书作者的项目合作中，借助其丰富的TensorFlow开发经验，使得项目得以顺利进行。有幸能够看到本书样章，书中内容短小精悍，有大量实战样例。读者阅读本书后，能够快速走进以TensorFlow 2.0为基础的AI系统开发领域。

牟磊育

中国地震局地球物理研究所 地震数据质量人工智能检测项目负责人

这一波人工智能浪潮与以往我们所讨论的人工智能最大的不同，就是其已经迅速在工业领域进行应用。互联网+人工智能+大数据的时代正在到来，新一代人工智能正加速推进经济向智能化跃升。因此，投资界非常看好目前人工智能在IOT、5G等方向的应用前景。本书作者以深厚的专业知识和多年的实践经验，由浅入深，用生动语言讲述了人工智能的基本原理、知识结构、工业应用。相信此书能够为人工智能爱好者，以及在此领域开展技术研究的读者提供一个通俗易懂的入门导引，帮助读者更快捷地进入人工智能应用领域。

詹家芳

原德国林德工程（杭州）有限公司总经理，留美硕士

前言

坦白地说，在我的技术生涯规划中还未想过要在30岁生日之前出一本技术书。在30岁这一年里，我感觉有280天以上是每天工作超过12小时的，每天我积极处理工作上的事情以求在事业上取得成就、学习自己欠缺的技术以求提升能力、输出自己学到的知识以期帮助更多的人；在30岁这一年里，我第一次体会到颈椎病带来的痛苦，也将一直引以为傲的视力熬成了近视。之所以如此逼自己，大概是因为自己的不自信和痴痴的责任心在作祟。

创作初衷

最开始筹划这本书的时候，也只是想将自己在小象学院的课程内容整理成书（课程内容是关于TensorFlow 1.x的），但是当看到TensorFlow 2.0发布计划公布之后，我又觉得写一本关于TensorFlow 1.x的书是没有意义的，并且会浪费读者的时间和精力。因此，我彻底推翻书稿原来规划的内容，重新调整所有的知识点，所有的实践案例都用TensorFlow 2.0进行重新编程，从而导致交稿日期一拖再拖。说到这里，我要特别感谢电子工业出版社的张春雨老师，他一直在推动、鼓励甚至督促我，使我跌跌撞撞、写写停停完成了初稿、提升稿、提交稿。在本书写作过程中，江郎才尽和被掏空的感觉对我来说是最大的煎熬。我一直是一个喜欢分享知识和观点的人，但是这种成体系的、持续的、面向大众的分享和输出让我对自己的要求不断提高，总是担心如果写错了会误人子弟。这不是一个轻松的过程，尤其是在创业的初期，我首先要做的是全力以赴、出色地完成产品和技术工作，然后用本来就不多的休息时间来完成技术的提升和本书的编写。从一个追求技术深度的技术人员的视角来看，本书不能令我百分百满意，但是万事总要迈出第一步，希望这本书能够为读者带来一定的参考和学习价值。

内容结构

本书在内容规划上分3个部分，共7章，具体如下。

第1部分：编程基础入门，包括Python基础编程入门和TensorFlow 2.0快速入门知识。

 第1章　Python基础编程入门：本章阐述了Python的历史、基本数据类型、数据处理工具Pandas、图像处理工具PIL等，基本覆盖了在后续章节中要用到的Python编程知识和工具。

 第2章　TensorFlow 2.0快速入门：本章从快速上手的角度，通过TensorFlow 2.0的简介、环境搭建、基础知识、高级API编程等内容详细讲解了TensorFlow 2.0编程所需的知识和技巧。

第2部分：TensorFlow 2.0编程实践，讲解了4个编程案例，分别为基于CNN的图像识别应用、基于Seq2Seq的中文聊天机器人、基于CycleGAN的图片风格迁移应用、基于Transformer的文本情感分析。

 第3章　基于CNN的图像识别应用编程实践：本章介绍了基于CNN实现对CFAIR-10图像数据的训练以及在线图像分类预测，包括CNN基础理论知识、编程中用到的TensorFlow 2.0 API详解、项目工程结构设计、项目实现代码详解等。

 第4章　基于Seq2Seq的中文聊天机器人编程实践：本章介绍了基于Seq2Seq实现对“小黄鸡”对话数据集的训练以及在线中文聊天，包括自然语言模型、RNN（循环神经网络）、Seq2Seq模型、编程中用到的TensorFlow 2.0 API详解、项目工程结构设计、项目实现代码详解等。

 第5章　基于CycleGAN的图片风格迁移应用编程实践：本章介绍了基于CycleGAN实现对Apple2Orange数据集的训练以及图像在线风格迁移，包括GAN基础理论知识、CycleGAN算法原理、编程中用到的TensorFlow 2.0 API详解、项目工程结构设计、项目实现代码详解等。

 第6章　基于Transformer的文本情感分析编程实践：本章介绍了基于Transformer的变形结构实现对IMDB评价数据集的训练以及在线对文本的情感分析和预测，包括Transformer基本结构、注意力机制、位置编码、编程中用到的TensorFlow 2.0 API详解、项目工程结构设计、项目实现代码详解等。

第3部分：TensorFlow 2.0模型服务化部署，采用TensorFlow Serving实现对完成训练的模型进行生产环境的服务化部署。

 第7章　基于TensorFlow Serving的模型部署实践：本章介绍了基于TensorFlow Serving框架实现对基于CNN的图像分类模型的服务化部署，包括TensorFlow Serving框架简介、TensorFlow Serving环境搭建、编程中用到的TensorFlow 2.0 API详解、项目工程结构设计、项目实现代码详解等。

致谢

最后，衷心感谢我的妻子包佳楠，感谢她一直以来的鼓励，以及一丝不苟地校正书稿中的语法错误和错别字，每次当我想要放弃的时候，她总是用几句不轻不重的话语让我重新回到本书的编写中来。

计算机视觉、自然语言处理和语音识别是目前深度学习领域很热门的三大应用方向，《深度学习之PyTorch实战计算机视觉》旨在帮助零基础或基础较为薄弱的读者入门深度学习，达到能够独立使用深度学习知识处理计算机视觉问题的水平。通过阅读本书，读者将学到人工智能的基础概念及Python 编程技能，掌握PyTorch 的使用方法，学到深度学习相关的理论知识，比如卷积神经网络、循环神经网络、自动编码器，等等。在掌握深度学习理论和编程技能之后，读者还会学到如何基于PyTorch 深度学习框架实战计算机视觉。《深度学习之PyTorch实战计算机视觉》中的大量实例可让读者在循序渐进地学习的同时，不断地获得成就感。

《深度学习之PyTorch实战计算机视觉》面向对深度学习技术感兴趣、但是相关基础知识较为薄弱或者零基础的读者。

深度学习是机器学习的重要分支。《实战深度学习算法：零起点通关神经网络模型（基于Python和NumPy实现）》系统地介绍了如何用Python和NumPy一步步地实现深度学习的基础模型，无须借助TensorFlow、PyTorch等深度学习框架，帮助读者更好地理解底层算法的脉络，进而进行模型的定制、优化和改进。全书由简到难地讲述感知机模型、多分类神经网络、深层全连接网络、卷积神经网络、批量规范化方法、循环神经网络、长短时记忆网络、双向结构的BiGRU模型等神经网络模型的必要算法推导、实现及其实例，读者可直接动手调试和观察整个训练过程，进一步理解模型及其算法原理。

《实战深度学习算法：零起点通关神经网络模型（基于Python和NumPy实现）》适合没有深度学习基础，希望进入此领域的在校学生、研究者阅读，也适合有一定基础但不满足于“调包”和“调参”的工程师学习，还可供想要深入了解底层算法的研究人员参考阅读。

人工智能已成趋势，而深度学习则是其中最有用的工具之一。虽然由于科技发展的迅猛，现在实用技术更新换代的频率已经几乎达到了一周，但是其背后最为基础的知识却是共通的。《Python与神经网络实战》的目的就是较为全面地介绍神经网络的诸多基础与进阶的技术，同时也会介绍如何利用神经网络来解决真实世界中的现实任务。各章节的内容不仅包括了经典的传统机器学习算法与神经网络的方方面面，也对它们进行了对比与创新。如果能够掌握好本书所叙述的知识的话，相信即使具体的技术迭代得再快，读者也能根据本书所打好的基础来快速理解、上手与改进它们吧。

《Python与神经网络实战》兼顾了理论与实践，不仅会从公式上推导出各种性质，也会从实验上去验证它们，比较适合初学者进行学习。同时，《Python与神经网络实战》所给出的框架更是能直接、简单、快速地应用在实际任务中，比较适合相关从业人员使用。

《计算机视觉与深度学习实战：以MATLAB、Python为工具》详细讲解了36个计算机视觉与深度学习实战案例（含可运行程序），涉及雾霾去噪、答题卡自动阅卷、肺部图像分割、小波数字水印、图像检索、人脸二维码识别、车牌定位及识别、霍夫曼图像压缩、手写数字识别、英文字符文本识别、眼前节组织提取、全景图像拼接、小波图像融合、基于语音识别的音频信号模拟灯控、路面裂缝检测识别、视频运动估计追踪、Simulink图像处理、胸片及肝脏分割、基于深度学习的汽车目标检测、基于计算机视觉的自动驾驶应用、基于深度学习的视觉场景识别、基于深度特征的以图搜画、基于CNN的字符识别、基于CNN的物体识别、基于CNN的图像矫正、基于LSTM的时间序列分析、基于深度学习的以图搜图技术、基于YOLO的智能交通目标检测等多项重要技术及应用，涵盖了数字图像处理中几乎所有的基本模块，并延伸到了深度学习理论及其应用方面。工欲善其事，必先利其器，本书对每个数字图像处理的知识点都提供了丰富、生动的案例素材，并以MATLAB、Python为工具详细讲解了实验的核心程序。通过对这些程序的阅读、理解和仿真运行，读者可以更加深刻地理解图像处理的内容，并且更加熟练地掌握计算机视觉及深度学习在不同实际领域中的用法。

《计算机视觉与深度学习实战：以MATLAB、Python为工具》以案例为基础，结构布局紧凑，内容深入浅出，实验简捷高效，适合计算机、信号通信和自动化等相关专业的教师、本科生、研究生，以及广大从事数字图像处理的工程研发人员阅读参考。

《从AI模型到智能机器人：基于Python与TensorFlow》本书是一本介绍AI技术的入门图书。第1～9章从OOP+Python 应用出发，由浅入深，循序渐进，帮助用户建立扎实的AI软件开发的技术根基。第10～12章以AI技术简史为起点，以机器学习为范例，说明如何用Python 来撰写简单的AI模型，并通过实际训练，让用户了解机器学习的原理。第13～15章以TensorFlow平台为例，说明如何利用该平台来设计NN（神经网络）模型，熟悉其训练及应用过程。

《从AI模型到智能机器人：基于Python与TensorFlow》内容翔实，语言生动，既适合初入门者学习，也适合有一定编程基础的人扩展AI技术思维。

《深度学习计算机视觉实战》是一本看懂计算机视觉的实战指南，使用理论与实践相结合的思想，真正一站式搞定理论学习、算法开发到模型部署上线。 全书内容共分为四个部分。第一部分包括第1、2章，主要讲解深度学习和计算机视觉基础，如计算机视觉领域的经典网络和常见的目标检测算法；第二部分包括第3～6章，主要讲解图像处理知识，结合应用案例，对知识点进行分析说明；第三部分包括第7～11章，主要讲解计算机视觉中的实战项目，对实现细节做了追本溯源的讲解；第四部分包括第12～13章，主要讲解模型的落地部署，该部分的讲解基于TensorFlow Lite框架，该框架受众广、热度高，且在各种平台都有对应的支持与优化加速方案，方便读者使用。 本书中的上百个知识点与50多个案例都是作者工程应用中的经验总结，每章末尾均有"进阶必备”，给读者提供更多的拓展知识。本书适合计算机视觉的初学者、计算机视觉算法开发人员、对深度学习有兴趣的用户或者亟须工程落地使用的用户，也适合作为高校相关专业的学生教材使用。

深度学习已经成为人工智能炙手可热的技术，PyTorch是一个较新的、容易上手的深度学习开源框架，目前已得到广泛应用。《深度学习框架PyTorch快速开发与实战》从PyTorch框架结构出发，通过案例主要介绍了线性回归、逻辑回归、前馈神经网络、卷积神经网络、循环神经网络、自编码模型、以及生成对抗网络。《深度学习框架PyTorch快速开发与实战》作为深度学习的入门教材，省略了大量的数学模型推导，适合深度学习初学者，人工智能领域的从业者，以及深度学习感兴趣的人阅读。

《深度学习模型及应用详解》作者都是微软人工智能及研究院的研究人员和应用科学家，具有深厚的机器学习背景，在一线针对产品需求和支持的场景进行了大量的深度学习模型及算法的研究和开发，在模型设计、训练、评估、部署、推理优化等模型开发全生命周期积累了丰富的经验。

《深度学习模型及应用详解》分为4 部分，共13 章。其中第1 部分（第1、2 章）简要介绍了深度学习的现状、概念和实现工具。第2 部分（第3～5 章）以具体的实际应用展示基于深度学习技术进行工程实践和开发的流程和技巧。第3 部分（第6～12 章）介绍了学术界和工业界最新的高阶深度学习模型的实现和应用。第4 部分（第13章）介绍了深度学习领域的一些前沿研究方向，并对深度学习的未来发展进行展望。

《深度学习模型及应用详解》面向的读者是希望学习和运用深度学习模型到具体应用场景的企业工程师、科研院所的学生和科研人员。读者学习本书的目的是了解深度学习模型和算法基础后，快速部署到自己的工作领域，并取得落地成果。

深度学习已经成为人工智能炙手可热的技术，PyTorch是一个较新的、容易上手的深度学习开源框架，目前已得到广泛应用。《深度学习框架PyTorch快速开发与实战》从PyTorch框架结构出发，通过案例主要介绍了线性回归、逻辑回归、前馈神经网络、卷积神经网络、循环神经网络、自编码模型、以及生成对抗网络。《深度学习框架PyTorch快速开发与实战》作为深度学习的入门教材，省略了大量的数学模型推导，适合深度学习初学者，人工智能领域的从业者，以及深度学习感兴趣的人阅读。

《深度学习：基于Keras的Python实践》本书系统讲解了深度学习的基本知识，以及使用深度学习解决实际问题，详细介绍了如何构建及优化模型，并针对不同的问题给出不同的解决方案，通过不同的例子展示了在具体项目中的应用和实践经验，是一本非常好的深度学习的入门和实践书籍。

《深度学习：基于Keras的Python实践》以实践为导向，使用Keras 作为编程框架，强调简单、快速地上手建立模型，解决实际项目问题。读者可以通过学习本书，迅速上手实践深度学习，并利用深度学习解决实际问题。

《深度学习：基于Keras的Python实践》非常适合于项目经理，有意从事机器学习开发的程序员，以及高校在读相关专业的学生。