譯者序

隨著深度學(xué)習(xí)在計算機視覺和自然語言處理等領(lǐng)域取得突破，作為機器學(xué)習(xí)重要分支的深度學(xué)習(xí)近年來發(fā)展迅猛，引起了國內(nèi)科研工作者的廣泛關(guān)注，已成為人工智能領(lǐng)域的研究熱點。與傳統(tǒng)的機器學(xué)習(xí)算法相比，深度學(xué)習(xí)具有強大的特征表示學(xué)習(xí)能力、任意的非線性函數(shù)逼近能力等特點，因此，深度學(xué)習(xí)已經(jīng)成為大數(shù)據(jù)時代人工智能的熱門技術(shù)。隨著準(zhǔn)確率的提高，深度學(xué)習(xí)已經(jīng)進入產(chǎn)業(yè)化階段，并帶動了新興產(chǎn)業(yè)的興起。

本書介紹了對象檢測、圖像分類、圖像語義分割、自然語言處理、自動駕駛等領(lǐng)域最新的深度學(xué)習(xí)模型、方法和實現(xiàn)。本書分為四部分：第一部分介紹了深度學(xué)習(xí)網(wǎng)絡(luò)的構(gòu)建和神經(jīng)網(wǎng)絡(luò)（NN）背后的數(shù)學(xué)知識；第二部分闡述了卷積神經(jīng)網(wǎng)絡(luò)（CNN）及其在計算機視覺中的高級應(yīng)用，包括在對象檢測和圖像分割應(yīng)用中流行的CNN架構(gòu)，還介紹了變分自編碼器和生成對抗網(wǎng)絡(luò)；第三部分闡述了自然語言和序列處理，講解了使用神經(jīng)網(wǎng)絡(luò)提取復(fù)雜的單詞向量表示，討論了各種類型的循環(huán)網(wǎng)絡(luò)，如長短期記憶（LSTM）網(wǎng)絡(luò)和門控循環(huán)單元（GRU）網(wǎng)絡(luò)，還介紹了處理序列數(shù)據(jù)的注意力機制、使用圖神經(jīng)網(wǎng)絡(luò)處理結(jié)構(gòu)化數(shù)據(jù)、使用元學(xué)習(xí)用小樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)以及將深度學(xué)習(xí)應(yīng)用于自動駕駛汽車；第四部分展望了深度學(xué)習(xí)的未來，并介紹新興的神經(jīng)網(wǎng)絡(luò)設(shè)計、元學(xué)習(xí)和自動駕駛汽車的深度學(xué)習(xí)。

本人目前在北京交通大學(xué)工作，主要從事基于深度學(xué)習(xí)的圖像處理和個性化推薦方面的研究，承擔(dān)了多項國家級、省部級科研項目，已在國內(nèi)外知名期刊、會議發(fā)表論文四十余篇。譯者趙子涵和劉冀瑞處于人工智能的學(xué)習(xí)和研究階段。譯者劉偉和董為在中國科學(xué)院軟件所北京市重點實驗室人機交互技術(shù)與智能信息處理實驗室從事人工智能的相關(guān)應(yīng)用研究。在本書翻譯過程中，譯者團隊雖然力求準(zhǔn)確地展現(xiàn)原著內(nèi)容，但由于水平有限，且在意譯和直譯間保持平衡實屬不易，因此書稿中難免有不準(zhǔn)確之處，懇請讀者批評指正。讀者可以通過電子郵箱jzhenyan@hotmail.com和譯者取得聯(lián)系。

感謝機械工業(yè)出版社華章公司的編輯們（特別是李忠明編輯），他們在書稿的翻譯過程中給予了大力支持，并為保證本書的質(zhì)量做了大量細致的編輯和審校工作，在此深表謝意。

冀振燕
于北京