前言
自从2012年AlexNet在ImageNet大赛中成功击败传统方法，深度学习兴起，掀起了人工智能的第三次高潮！仅仅在几年之内，深度学习便令全世界大吃一惊。它非常有力地挑战了很多领域的传统方法，例如计算机视觉、自然语言处理、语音识别、强化学习和统计建模等，这些领域都因深度学习实现了跨越式发展。人脸识别、自动驾驶、工业机器人、智能推荐、智能客服，都是深度学习成功落地的现实应用。这些由深度学习带来的人工智能新方法、新工具也正产生着广泛的影响： 它们改变了电影制作和疾病诊断的方式，从天体物理学到生物学等各个基础科学中扮演着越来越重要的角色。事实上，我们已经进入了人工智能时代，尽管人工智能才刚刚起步。
于是，各行各业学习并研究深度学习的热情空前高涨，然而，深度学习涉及了很多数学知识，以及从其他学科（如生物学）借鉴的各种原理，并且随着神经网络深度的不断加大，网络架构越来越复杂，其学习曲线异常陡峭。
本书的写成源于AI火箭营的初心，我们希望在人工智能时代来临之际，能够帮助更多的人进入人工智能技术的殿堂，使更多的人利用人工智能解决现实中的实际问题，让更多的人在各行各业中用人工智能升级改造传统产业或技术体系。配套本书，笔者精心设计了“深度学习入门系列讲解”这一深度学习课程，学习人数累计超过20万人次，内容通俗易懂、代入有方、深入浅出、抽丝剥茧。
以简驭繁
网络上讲解深度学习的资料很多，我们曾经作过横向对比，这些资料与我们的理念相距甚远。
首先是原理讲解方面。好多书或技术博客，或者就原理讲原理，没有深挖原理背后的思想； 或者泛泛而谈，没有深入浅出，只是知识的堆叠； 或者逻辑不紧密，没有形成环环相扣的整体。
其次是实践代码方面。博客和GitHub上有大量的演示特定深度学习框架或实现特定模型（例如Resnet等）的代码。这些代码的目的是复现论文或者原理，让我们真正理解算法，并且提供应用算法的工程方式。所以原理是根，代码是叶。然而很多学习者拿来代码，调试出结果后就以为完成了学习过程，将这些代码束之高阁。这其实什么也没学到，实际上只充当了一个“调包侠”而已。本书的实战案例重在与原理的呼应，重在算法设计的探究及实现细节的解释。
尽管现在随着互联网的便捷，网上资料繁多，然而对于初学者，往往不得不参考来源不同的多种资料，所获甚微，而且没有感觉到学习深度学习真正的乐趣。如果你正亲身经历这一过程，那么本书正是你所需要的。
本书理念
本书有以下几大理念：
（1） 学习思路，理论先行。深度学习理论点比较多，知识体系庞大，学习深度学习一定要先把理论吃透，深度学习理论蕴含着丰富的思维、方法和技巧，如果没把理论吃透就开始用代码实践，则不能系统化地学习，知识体系会比较乱，不利于创新思维体系的构建。本书构建了非常系统化的理论知识体系，助力读者透彻理解深度学习的基础知识。
（2） 学习原理，思维先行。学习一种新的方法、新的算法，一定要先从本质上剖析其来源，分析提出这种新方法的思维是什么。不能仅仅从原理上、技术上搞懂，更重要的应该是明白这种方法的来龙去脉，即其思维根源。
（3） 抽丝剥茧、深挖本质。深度学习涉及非常多的网络架构和技巧，如批归一化、串接、丢弃、残余连接等。学习一种新的网络架构时，需要透过其繁杂的表面，深挖其本质。
（4） 纵向学习、横向比较。深度学习技术发展非常迅速，同一种技术也会不断改进、创新。例如注意力机制作为语言模型中很有用的一种技巧，在很多方法中被借鉴和使用，如Transformer、Bert等。Transformer中用到的自注意力，是对注意力的一个纵向借鉴和创新改进，Bert当然不能抛弃这种有效的方法。
（5） 实践有章可循，拒绝举轻若重。本书将实践分为原理实践和应用实践。原理实践注重案例与原理的呼应，增强对于原理的理解和认识； 代码实践增强不同场景下的实践技能，提高Python实践水平。除此之外，本书注重重点、次重点的合理分配，例如在DCGAN的代码实践中，首先要学会的是生成器的实现，其次是损失函数，再次是判别器的实现。
本书坚持培养读者阐述剖析问题所需的批判性思维、解决问题所需的数学知识，以及实现解决方案所需的工程技能。本书对所有涉及的技术点进行了背景介绍，写作风格严谨。书中所有的代码执行结果都是自动生成的，任何改动都会触发对书中每一段代码的测试，以保证读者在动手实践时能复现结果。
感谢对本书的编写提出宝贵修改意见的贡献者，他们查阅资料、字斟句酌； 感谢孙玉龙、袁海滨、陆澍旸等学员对书中的一些内容提供了很有价值的反馈。
我们的初衷是让更多人更轻松地使用深度学习！由于笔者水平有限，书中难免存在疏漏，敬请原谅，并恳请读者批评指正。
附上苏轼的一段词，希望各位读者像欣赏美景一样开启深度学习之旅：
“一叶舟轻，双桨鸿惊。水天清、影湛波平。鱼翻藻鉴，鹭点烟汀。过沙溪急，霜溪冷，月溪明。”
翟中华孟翔宇
2021年7月
