深度學習是如今最火熱的技術之一，但是對于有心入門卻不得其法的同學來說，選擇適合自己的書籍至關重要。
本著樂于助人、無私奉獻的精神，營長特意為大家精選了 7 本深度學習相關的書籍。這些書籍中，有些非常注重理論知識，主要關注神經(jīng)網(wǎng)絡和深度學習背后的數(shù)學和相關假設；有些則注重實戰(zhàn)，通過代碼而不是理論來講解深度學習。而那種既有理論講解，同時又有相應的實戰(zhàn)訓練的書籍，往往是營長的最愛。
接下來，營長將列出每本書籍的核心內(nèi)容以及目標受眾，幫助大家選擇最適合自己的深度學習教材。
1.《深度學習》（Deep Learning）
出自 Goodfellow、Bengio 和 Courville 三位大牛之手的《深度學習》（Deep Learning）不可不提。本書旨在成為一本教科書，用于在大學課堂上教授關于深度學習的基本原理和理論。Goodfellow 等人的《深度學習》完全是理論性的書籍，而且沒有代碼，因此適用對象為學術界的讀者。
這本書首先討論了機器學習的基礎知識，從學術角度講解了有效研究深度學習所需的應用數(shù)學（線性代數(shù)，概率和信息論等）知識；在此基礎上，本書進一步講解了深度學習算法和技術的相關知識；在最后一部分，《深度學習》這本書主要講解了深度學習領域當前的研究趨勢以及正在發(fā)生的變化。
本書適用人群：
1. 習慣從理論中學習，而不是實踐
2. 喜歡學術寫作
3. 本科生、研究生、教授等學術界的人員
2、Neural networks and Deep Learning
第二本以理論為主的深度學習圖書是 Michael Nielsen 撰寫的《神經(jīng)網(wǎng)絡和深度學習》（Neural networks and Deep Learning）。
本書其實還包含了 7 段由 Python 編寫的代碼，包括各種基本的機器學習算法，神經(jīng)網(wǎng)絡或深度學習技術，所有都是基于 MNIST 數(shù)據(jù)集上實現(xiàn)的。雖然這些代碼的實現(xiàn)手段可能并不是最好的，但它們可以幫助讀者理解書中的一些理論概念。
如果你對機器學習和深度學習不熟悉，但渴望深入了解其理論方法，Nielsen 的書應該是你的首選。這本書比 Goodfellow 的《深度學習》要更容易閱讀，而 Nielsen 的寫作風格加上一些的代碼片段使得知識更容易融會貫通。
本書適用人群：
1. 正在尋找一本基于理論的深度學習書籍
2. 機器學習/深度學習的新手，但希望從更學術的角度來看待這一領域
3、Deep Learning with Python
谷歌 AI 研究員、Keras 的作者 Francois Chollet 在 2017 年 10 月出版了他自己的書 Deep Learning with Python 。
在該書中，F(xiàn)rancois 從一個從業(yè)者的角度來講解深度學習方法。書中包括了一些理論知識和相應的討論，但是每一段理論都會配合基于 Keras 的實現(xiàn)方式。
這本書我最喜歡的一個地方是 Francois 列舉了將深度學習應用于計算機視覺、文本和序列的例子，使這本書為那些希望在了解機器學習和深度學習的同時學習 Keras 的讀者，提供了一個不錯的選擇。
我發(fā)現(xiàn) Francois 的文字清晰易讀，他對深度學習趨勢和歷史的評論非常富有洞察力。需要特別指出的是，這本書并不是一本深入深度學習的書。相反，它的主要用途是通過 Keras 來教會你深度學習基礎和不同領域的深度學習實戰(zhàn)案例。
本書適用人群：
1. 對 Keras 感興趣
2. 習慣通過動手來學習
3. 希望快速了解如何將深度學習應用于各個領域，如計算機視覺、序列學習和文本等
4、Hands-On Machine Learning with Scikit-Learn and TensorFlow
當我第一次拿到 Aurélien Géron 的 Hands-On Machine Learning with Scikit-Learn and TensorFlow 這本書時，如果不是標題中包含了“TensorFlow”這個詞，我可能僅認為它只是關于機器學習的基本介紹。
幸運的是，這本書其實非常棒，而且是被標題耽誤的一本好書。
Géron 的深度學習書籍分為兩部分：第一部分介紹支持向量機（SVM），決策樹，隨機森林，集成方法和無監(jiān)督學習算法等基本機器學習算法，而且還包括了每個算法的 Scikit-learn 代碼示例；第二部分是基于 TensorFlow 庫講解了基本的深度學習內(nèi)容。
本書適用人群：
機器學習的新手，并希望從代碼示例來學習核心算法
對流行的 scikit-learn 機器學習庫感興趣
想要快速學習如何使用 TensorFlow 庫來完成基本的深度學習任務
5、TensorFlow Deep Learning Cookbook
如果你喜歡“食譜”那樣的教學風格（理論少、代碼多），我會建議你看看 Gulli 和 Kapoor 撰寫的 TensorFlow Deep Learning Cookbook 這本書。
這是一本非常具有實用性的深度學習手冊，而且對于 TensorFlow 使用者來說也是一個很好的參考。再次說明，這本書并不是要教深度學習，而是告訴你如何在深度學習的背景下使用 TensorFlow庫。
當然，讀完這本書，你一定會學習到新的深度學習概念、技術和算法。但是這本書采用了嚴格的類似于食譜的寫作手法：大量的代碼和相應的解釋。
我認為這本書的唯一不足之處是代碼片段中存在一些拼寫錯誤。當你閱讀這本書時，請注意這一點。
本書適用人群：
1. 已經(jīng)學習了深度學習的基礎知識
2. 對 TensorFlow 感興趣
3. 喜歡“食譜”這種文風，也就是用代碼來解決特定問題，但不討論基礎理論
6、Deep Learning: A Practitioners Approach
雖然大多數(shù)包含代碼示例的深度學習書籍都使用 Python，但 Adam Gibson 和 Josh Patterson 撰寫的 Deep Learning：A Practitioners Approach 一書卻使用 Java 和 DL4J 庫。
為什么選擇 Java?
Java 是大型企業(yè)中最常用的編程語言，特別是在企業(yè)級的應用上。
Gibson 和 Patterson 在前幾章討論了基本的機器學習和深度學習基礎知識，剩下的部分包括了使用 DL4J 庫，基于 Java 的深度學習代碼示例。
本書適用人群：
1. 需要使用 Java 編程語言來進行特定的開發(fā)
2. 為主要使用 Java 的大型公司或企業(yè)工作
3. 想了解如何使用 DL4J 庫
7、Deep Learning for Computer Vision with Python
這本書已經(jīng)成為當今最好的深度學習和計算機視覺資源之一。谷歌AI的研究員、Keras 的作者 Francois Chollet 對這本新書是這樣評價的：
“這本書在計算機視覺深度學習實踐方面講解得非常深入，而且讀起來也通俗易懂：講解不僅清晰而且非常詳細。你會發(fā)現(xiàn)許多實用的技巧和建議，這些在其他書籍或大學課程中都很少提到。無論你是從業(yè)人員還是初學者，我強烈推薦這本書。—— Francois Chollet”
這本書里面有很多的細節(jié)講解，并有大量的詳細例子，涵蓋了各種方法與如何在實際問題使用這些方法來解決問題。
如果你有興趣學習深度學習在計算機視覺上的應用（圖像分類、物體檢測、圖像理解等），那么這本書將非常適合你。
在這本書里面，你會：
理論和實踐相結合的方式來學習機器學習和深度學習的基礎；
學習先進的深度學習技術，包括對象檢測，多GPU訓練，遷移學習和生成對抗網(wǎng)絡（GAN）等；
復現(xiàn) ResNet、SqueezeNet、VGGNet 等在 ImageNet 數(shù)據(jù)集上的結果；
此外，對于每個理論深度學習概念，你都可以在這本書中找到相關的 Python實 現(xiàn)來幫助您鞏固知識。
本書適用人群：
1. 對深度學習在計算機視覺和圖像理解方面的應用特別有興趣
2. 想在理論和實踐之間取得很好的平衡需要一本深度學習書籍，使得看似復雜的算法和技巧易于掌握和理解
3. 需要一本清晰易懂的書，引導你掌握深度學習
