Python深度学习（第2版）

在读本书之前，关于现在大火特火的大模型，我一直好奇几个问题。 1. 大模型的一系列基础知识，如对外提供的接口是什么？应用程序应该如何跟大模型交互？ 大模型本身只能接收张量作为输入/输出，我们现在体验到的文本聊天、图片处理、视频处理都需要有个前置动作，就是把各种各样的内容转成合适类型的张量。 大模型训练好以后，其实就是计算出来其中各种函数的参数，或者说确定了使用的函数，这个是很容易描述的，因此把训练好的大模型dump到磁盘，然后在其他地方读取使用非常容易。 大模型中的张量计算就是矩阵计算，非常适合并行计算，而GPU就是做并行计算的，因此比CPU更适合。 大模型不是数学，是工程学。原因是我们并不能通过数学的方式精确推导出大模型的结果或者效果，必须通过实践的方式才能拿到模型效果，这也就带来了一个事实，可能有时候会发现这么做效果很高，但为什么会提升却解释不了。 大模型主要是四种架构：密集连接网络、卷积神经网络、循环神经网络和Transformer，各自有擅长的领域。 2. 大模型能不能用来预测股票？ 这个问题是我在大模型还没火起来的时候就一直有的疑问，并且听说很多人在做这方面的尝试，甚至还靠这个发了大财。 书中对这个问题给出了明确的解释：“永远要记住，所有交易本质上都是信息套利：利用其他市场参与者所不具备的数据或洞察力来获得优势。如果试图使用众所周知的机器学习技术和公开可用的数据来击败市场，这实际上是一条死胡同，因为与其他人相比，你没有任何信息优势。你很可能会浪费时间和资源，却一无所获。” 3. 为什么chatGPT发布以后，别的公司很快就纷纷发布自己的大模型？ 读完本书后，我的理解是从技术层面来说，模型原理完全是公开的，主流的就那么几种类型，chatGPT应该是确定了某种类型的模型很适合用于test-generation，所以大家都可以很快跟进。当然，这里涉及到一个非常重要的点就是数据集，从来源看必然都是来自互联网，没有比这里数据更多的地方了，但就像书里说的，相比模型，对数据集的处理，也就是特征工程往往最难最耗时。目前大家跟openai的差距可能就在这里，也就是说加入openai公开了自己的数据集，那么每家公司都可以搞出跟chatgpt一样能力的模型。 本书虽然是一本技术书，但很多段落融入了哲学思想，非常值的读者思考，绝对可以称得上是在AI火爆的当下，深度学习入门的绝佳读物。

这是一本对深度学习原理剖析的相当透彻的一本书，没有其类似书籍让人繁复头晕的数学公式，基本上都是大白话，能用陈述性的自然语言把深度学习讲得如此深入浅出，可见作者机器学习的功力非同一般。弗朗索瓦·肖莱（François Chollet）谷歌公司深度学习科学家，流行深度学习框架Keras之父，果然还是父亲最了解自己的儿子。 在深度学习中，一切都是向量，一切都是几何空间中的点。首先将模型的输入（文本、图像等）和目标向量化，即将其转换为初始输入向量空间和目标向量空间。再通过模型中的一连串层将这种复杂的几何结构分解为一系列简单的几何变换，即将输入空间逐点映射到目标空间。它由层的权重来参数化，权重是根据模型当前的表现来迭代更新的。这种几何变换有一个关键性质，那就是它必须是可微的，这样我们才能通过梯度下降来学习其参数。 正如理查德•费曼在1972年接受电视台采访时曾经对宇宙的描述：“它并不复杂，只是很多而已”。

砍又砍不懂～鞋又鞋不费～又喜翻砍👀傻了窝吧😲😲😲

认真地读完了这本书的前六章，对于深度学习的相关概念的理解有了进一步认识。虽然行文中有很多的代码，但还是在阅读过程中认真的学习并理解，这还是大有裨益的。 后面的章节内容是关于深度学习在不同情景下的应用问题，就走马观花的看了一遍。 最终章的总结，还是比较系统的回顾了本书的内容。既是对当前深度学习相关概念的梳理，也是对其面临的挑战以及未来的发展做了分析，我觉得这对于想了解机器学习的读者来说是有好处的。 在本书的阅读过程当中，尤其是在前六章的阅读当中，我是一边阅读中文，一边对照着英文原著看的，这有助于深入透彻的了解作者的原意。建议有兴趣的读者也找到原著来看一看，很有启发性。 总体来说，这本书还是很值得推荐的！

一位人工智能大佬的耐心教授，属实值得反复学习。在当前AI大潮下，学习下人工智能的底层基础原理是很有必要的。个人觉得本书胜在非常有系统性，由浅及深，循循善诱，旁征博引，鞭辟入里，豁然开朗。以下是书中印象深刻的一些概念或知识： 1、张量 2、训练集、测试集、验证集 3、激活函数，损失函数，梯度下降，反向传播； 4、训练精度&验证精度，过拟合； 5、批量 6、优化器 7、正则化&dropout 8、流形 9、标准化，归一化 10、超参数 11、有监督学习，无监督学习，自监督学习 12、卷积神经网络 13、数据增强 14、精度曲线、损失曲线 15、词元、transformer 16、序列到序列 17、泛化 让transformer大放异彩的，是它结合注意力机制、位置编码，解决了序列到序列的问题。姑且把世界想象成一个数学空间，任何事物统统表达为向量，任何关系也都是向量间的关系，你能想象到的、说到的任何语句，都已经被编码进了这个空间。所以本书作者的结论是大模型并没有按人类方式理解语言，大模型是一个非常非常大的字典，里面的key和value非常非常多，而且几乎可以做到任意组合。

打开这本书时的心情和我这段时间一来的心境颇为类似。患得患失，觉得时间紧迫，不知道把大量时间花在学习深度学习上对自己的研究是否有益。然而另一方面又把更多的时间浪费在很多无意义的事上面。我在很久以前就看过，科研是需要坐的住冷板凳的，然而最近被某些消息兹扰，恐怕变得有些急功近利了。 最近才感到人生的偶然和身不由己，一头雾水的扎进了一个自己完全不了解的方向。对领域内的技术脉络和前沿都一无所知，也不知道可以去哪里获取相关信息，导师忙于行政事务，我的性格又有些沉默，不知怎么向他吐露规划，实感无人指导之苦。 或许按照老师的说法，我将精力放在深度学习上面纯属迷失方向，我们的工作重点应该放在射频信息的特征提取，而分类器仅仅是个工具。但和深度学习比起来，本领域简直是冷门中的冷门，看文献云里雾里，又无书籍和教程可寻，入门实在艰难…… 最后还是打算看看这本书，希望能够得到一些启发和收获。

很好的一本书，但是被微信读书搞的太拉胯了！各种漏印！本来以为电子版都是这样的，直到我在京东上用9.9买了一版电子书，才发现人家都是正确的！

对于深度学习入门来说，这是本书讲的条理清晰，结合应用实例与常人易于理解的例子，让读者能够很好的理解抽象概念。 最令我也是在研究和学习相关概念应用到自己的工作领域中，阅读本书，对于我的一些深度学习领域的基本认知是有很大的提升，比如哪些问题适合用哪些网络来解决。 四种架构：密集连接网络适合分类和回顾预测、卷积神经网络适合图像处理类问题、循环神经网络和Transformer适合语言处理时间序列分析和文本生成等，各自有擅长的领域。 密集连接网络（DenseNet） • 擅长领域：图像分类、目标检测、语义分割等计算机视觉任务。 卷积神经网络（CNN） • 擅长领域：图像识别、目标检测、自然语言处理、医疗影像分析和自动驾驶等。 循环神经网络（RNN） • 擅长领域：自然语言处理、语音识别、时间序列分析、文本生成、图像字幕生成和视频分析等。 Transformer • 擅长领域：机器翻译、文本生成、文本摘要、问答系统、语音识别、计算机视觉（如图像分类、目标检测）和多模态学习等。

由于很早以前就关注tensorflow了，而且也借鉴其思想实现了一个小型的flow，所以在torch大流行的此刻，我也还是在用tf。神经网络当下极为流行，用在了各行各业；我所从事的行业由于与时序分析高度相关，自然也是神经网络的用武之地。本书对于神经网络的讲解深入浅出，同时给出了大量基于Keras的代码作为参考，很适合读者直接上手探索学习，以便加深理解。

2026年看这本几年前的经典，基础部分透彻扎实，很有收获；14章的不少结论已明显过时，llm这几年的发展，让人感觉在读中世纪天文学。