先推荐一本从基本概念和理论入手的深度学习书：

深度学习：从基础到实践（上、下册）

本书从基本概念和理论入手，通过近千张图和简单的例子由浅入深地讲解深度学习的相关知识，且不涉及复杂的数学内容。

本书分为上下两册。上册着重介绍深度学习的基础知识， 旨在帮助读者建立扎实的知识储备，主要介绍 随机性与基础统计学、训练与测试、过拟合与欠拟合、神经元、学习与推理、数据准备、分类器、集成算法、 前馈网络、激活函数、反向传播等内容。下册介绍机器学习的scikit-learn 库和深度学习的 Keras 库（这两种库均基于 Python 语言） ， 以及卷积神经网络、循环神经网络、自编码器、强化学习、生成对抗网络等内容， 还介绍了一些创造性应用，并给出了一些典型的数据集，以帮助读者更好地了解学习。

本书适合想要了解和使用深度学习的人阅读，也可作为深度学习教学培训领域的入门级参考用书。

本书由计算机图形学专家 Andrew Glassner 撰写，介绍了深度学习的基础知识和实践深度学 习的方法。全书分为上下两册：上册介绍深度学习的预备知识，涵盖基本的数学知识和机器学 习的基本概念以及通用机器学习库 scikit-learn 的相关内容；下册深入介绍了各种成熟的深度学 习方法和技术以及深度学习库 Keras 。

本书主要介绍深度学习的基础知识，以帮助读者建立扎实 的知识储备， 进而了解深度学习实践的进展。Andrew Glassner 擅长以类比和图示的方法讲解复 杂的理论知识，因此本书对不具备相关理论知识的读者也会非常有帮助。

本书的其他大部分章节也有配套的可选 Python 手册。这些章节针对书中每个计算机生成的数 字给出代码，而且通常使用其中所涉及的技术来生成代码。由于本书的焦点并非在于 Python 语言 和编程（上述章节除外），因此这些手册仅作参考，不再赘述。

本书几乎不涉及数学问题

很多人不喜欢复杂的方程式。如果你也是这样，那么本书非常适合你！

本书几乎不涉及复杂的数学运算。如果你不讨厌乘法， 那么本书简直太适合你了， 因为书中 除了乘法，并无任何复杂的运算。

本书所讨论的许多算法都有丰富的理论依据， 并且是经过仔细分析和研究得出的。如果你正 打算变换一种算法以实现新目的， 或者需要独立编写一个新程序， 就必须了解这一点。不过， 在 实践中， 大多数人会用由专家编写的程序。这些程序是经过高度优化的， 并且可以从免费的开源 库中获取。
 

推荐2 深度学习高手笔记卷1：基础算法

本书 全面且系统地梳理了近 10 年来的深度学习算法， 并集结成册。本书结构清晰， 内容丰富， 包含了 作者对深度学习深刻且独到的见解。在本书中，作者将深度学习的几十篇具有里程碑意义的论文整 理成卷积神经网络、自然语言处理和模型优化 3 个主要方向，又对每个方向的重要算法做了深入浅 出的讲解和分析。对比业内同类书籍，本书将深度学习算法的讲解提升到了一个新的高度，是你深 入了解深度学习的不二之选。总之，本书极具价值，值得每一位深度学习方向的从业者、研究者和 在校学生阅读和学习。

本书有别于以卷积神经网络、循环神经网络等基础概念为核心的同类书籍， 主要以近 10 年来 深度学习方向诞生的经典算法为基础，重点讨论深度学习在卷积神经网络、自然语言处理、模型归 一化等方向上的发展历程以及各个算法的优缺点，介绍各个算法是如何分析先前算法的若干问题并 提出解决方案的。本书包含作者对深度学习的独特见解和全新思考，知识丰富、架构清晰、重点突 出、可读性好。此外，作者借助代码、图示、公式等手段，对晦涩难懂的算法进行深入浅出的剖 析。相信每位读者都能够从本书中汲取相应的知识并得到启发。

本书的内容以经典和前沿的深度学习算法为主，并没有过多地介绍深度学习的基础知识，如果你在阅读本书时发现一些概念晦涩难懂，请移步其他基础类图书 查阅相关知识点；本书源于一系列算法或者论文的读书笔记，不同章节的知识点存在相互依赖的关 系，因此知识点并不是顺序展开的。为了帮助读者提前感知先验知识，本书会在每一节的开始给出 相关算法依赖的重要章节，并在配套资源中给出两卷书整体的知识拓扑图。

• 如果你的深度学习基础较为薄弱，那么可以结合本书提供的知识拓扑图和章节先验知识， 优先阅读拓扑图中无先验知识的章节，读懂该章节后便可以将这个章节在拓扑图中划掉， 然后逐步将拓扑图清空。
• 如果你有一定的深度学习基础，对一些经典的算法（如 VGG、残差网络、LSTM 、 Transformer 、Dropout 、BN 等）都比较熟悉，那么你可以按顺序阅读本书，并在遇到陌生 的概念时根据每一节提供的先验知识去阅读相关章节。
• 如果你只想了解某些特定的算法，你可以直接跳到相关章节，因为本书章节的内容都比较 独立，而且会对重要的先验知识进行复盘，所以单独地阅读任何特定章节也不会有任何障碍。

推荐3 图解深度学习 ：可视化 、 交互式的人工智能指南

“对于任何想了解深度学习是什么以及为什么它能驱动当今几乎所有自动化应用程序 （从聊天机器人 、语音识别工具到自动驾驶汽车）的人来说 ，本书都是珍贵的资源 。插图和生物学解释有助于使复杂的话题变得生动起来 ，并使人们更容易掌握和理解深度学习的基本概念。”——Joshua March，Conversocial 公司首席执行官兼 联合创始人 ， Message  Me 一书的作者

本书利用精美的插图和有趣的类比 ，对深度学习的主流技术和背后的原理进行了深入 浅出的讲解 ，解释了什么是深度学习 ，深度学习流行的原因 ，以及深度学习与其他机器学习 方法的关系 。 阅读本书 ，读者可以掌握卷积神经网络 、循环神经网络 、生成对抗网络和深度 强化学习等热门技术 ，学习 TensorFlow 、Keras 和 PyTorch 等热门工具的使用 ，同时能够更深 刻地理解计算机视觉 、自然语言处理和游戏等领域的人工智能应用 。本书还提供了简单明 了的示例和代码 ，能够帮助读者动手实践 。

本书适合人工智能 、机器学习 、深度学习等领域的开发人员 、数据科学家 、研究人员 、分 析师和学生阅读 。

本书作者乔恩·克罗恩（JonKrohn）具有多年的深度学习课程教授经验，本书将深度学习理论 、所需的数学知识 、代码和可视化全面融合起来 。本书涵盖深度学 习的主要内容 ，包括全连接网络（fully connected network）、卷积神经网络（convolutional neural network）、循 环 神 经 网 络（recurrent neural network）、生 成 对 抗 网 络（generative adversarial network）、强化学习（reinforcement learning）以及相关应用 。本书可以作为神经网 络理论及其应用实践的指南 ，是希望了解神经网络的读者的理想选择 。无论你是谁 ，只要你 愿意 ，请跟随作者一起踏上深度学习之旅 ，相信你会获益匪浅 。