推薦序

在過去的十幾年里，人工智能技術突飛猛進，在多個領域產生了深遠的影響：語音識別技術已經達到大多數人覺得語音輸入準確度足夠高的地步；語音合成技術已經可以合成真假難辨的自然語音，并在人機對話、有聲書制作、新聞播報等場景中獲得廣泛應用；圖像識別技術在圖像分類和圖像識別任務上的性能超越了普通人；圖像和視頻合成技術則已經可以合成風格各異的虛擬數字人，成為元宇宙的重要組成部分。尤其讓人印象深刻的是，人工智能軟件AlphaGo在2016年戰勝了圍棋冠軍，AlphaFold2在2022年解析了大量蛋白質的結構。這些任務之前一直被認為極其復雜，需要極高的智能和很多年的努力才能完成。而所有這些進展在很大程度上要歸功于人工智能的一個重要分支——深度學習的發展。

今天，計算機和人工智能方向的從業者可能大多聽說過深度學習，很多從業者或多或少使用過深度學習的技術或模型。不過，由于開源逐漸成為一種風氣，越來越多的技術使用者廣泛依賴于開源框架（比如TensorFlow和PyTorch）及各種開源算法。這一方面大大減少了“重復發明輪子”的情況，加速了技術的演進和應用推廣，另一方面也使得大家更容易忽視底層技術。

本書就是為希望更了解深度學習底層數學基礎的朋友們準備的。與其他數學書不同，本書圍繞深度學習展開，闡述了深度學習背后的核心數學概念，包括統計學、線性代數、微分等，并且包含了很多人容易忽略的矩陣微分。另外，本書的示例是以Python代碼而不是嚴格理論證明的形式展開的，這使得它們特別適合深度學習的從業者（特別是初學者）使用，尤其是那些希望通過學習底層數學知識來更好地了解深度學習原理，從而改進訓練算法和模型的朋友。

本書的作者是機器學習方向的博士，有20年左右的工業界從業經驗，曾經出版了多部與計算機和機器學習相關的圖書。他的書大多從實用的角度出發，簡單易懂。本書的譯者也有豐富的人工智能從業經驗，并曾翻譯《貝葉斯方法：概率編程與貝葉斯推斷》。他的譯文忠實原文而又符合中文習慣，讀起來非常順暢。我相信本書一定可以幫到很多希望在深度學習領域深入學習而不是僅僅使用開源模型的朋友。

俞棟

2022年8月13日于西雅圖