本書作者都是微軟人工智能及研究院的研究人員和應用科學家，具有深厚的機器學習背景，在一線針對產品需求和支持的場景進行了大量的深度學習模型及算法的研究和開發，在模型設計、訓練、評估、部署、推理優化等模型開發全生命周期積累了豐富的經驗。本書面向的讀者是希望學習和運用深度學習模型到具體應用場景的企業工程師、科研院所的學生和科研人員。讀者學習本書的目的是了解深度學習模型和算法基礎后，重點應用和實踐并快速部署在自己的工作領域，同時取得落地成果。本書分為4 個部分，共13 章。其中第1 部分（第1～2 章）簡要介紹了深度學習的現狀、概念和實現工具。第2 部分（第3～5 章）以具體的實際應用展示基于深度學習技術進行工程實踐和開發的流程和技巧。第3 部分（第6～12 章）介紹了學術界和工業界最新的高階深度學習模型的實現和應用。第4 部分（第13章）介紹了深度學習領域的一些前沿研究方向并對深度學習的未來發展進行展望。
張若非美國紐約州立大學計算機科學博士。微軟（美國）人工智能與研究院高級研究總監，全球合伙人，負責微軟在線廣告平臺機器學習模型、算法及系統的研究和建設。研究領域包括機器學習、數據挖掘、自然語言處理、計算機視覺和多媒體信息檢索。在這些領域的一流學術期刊和頂級學術會議發表論文50余篇，獲得美國發明專利12項。美國國家自然科學基金會（NSF）智能系統評審委員會委員，IEEE和ACM高級會員。付強博士畢業于清華大學電子工程系，現任微軟（美國）搜索廣告部資深應用科學家，主要從事機器學習、深度學習、信息檢索、自然語言理解、圖像處理等方面的算法研究及其在搜索廣告產品中的應用。此前曾任微軟亞洲研究院研究員，研究將機器學習算法用于云計算平臺的系統建模、性能優化，以及故障自動診斷。在機器學習、數據挖掘、計算機系統等領域的國際頂級會議及期刊上共發表論文30余篇，持有4項美國專利。高斌博士畢業于北京大學數學科學學院，現任微軟（美國）搜索廣告部資深機器學習科學家，此前曾擔任微軟亞洲研究院機器學習研究組主管研究員。主要從事機器學習、信息檢索、數據挖掘和計算廣告等領域的研究和開發。在國際頂級期刊和會議上發表相關論文40余篇，并持有30余項美國專利。主持研發的十余項創新技術已經被應用于必應搜索引擎、必應搜索廣告及微軟小冰等產品中。張耿豪博士畢業于美國加州大學伯克利分校，現任微軟（美國）搜索廣告部資深應用科學家。主要專注于機器學習、自然語言處理、信息檢索、人機界面等領域，并且在微軟負責必應搜索廣告業務及多項延伸的應用與研究，例如聊天機器人、以圖搜圖等。在國際頂級期刊和會議上發表相關論文20余篇，并持有3項美國專利。葉挺碩士畢業于北京大學軟件工程研究所，現任微軟（美國）搜索廣告部工程師，主要從事深度學習算法的性能優化和分布式實現，成功將多個深度學習模型應用于必應的廣告服務中。在計算機會議KDD、ASE發表論文3篇，并取得發明專利3項。
第1 章
神經網絡發展史 / 1
1.1 神經網絡的早期雛形 / 3
1.1.1 聯結主義和Hebb 學習規則 / 4
1.1.2 Oja 學習規則及主分量分析 / 5
1.1.3 早期的神經元模型 / 5
1.2 現代神經網絡 / 6
1.2.1 反向傳播算法 / 6
1.2.2 神經網絡的通用函數近似性 / 8
1.2.3 深度的必要性 / 9
1.3 深度學習發展歷史中的重要神經網絡 / 10
1.3.1 深度神經網絡的興起 / 10
1.3.2 自組織特征映射 / 10
1.3.3 霍普菲爾德神經網絡 / 11
1.3.4 玻爾茲曼機及受限玻爾茲曼機 / 12
1.3.5 深度信念網 / 14
1.3.6 其他深度神經網絡 / 15
1.4 本章小結 / 15
參考文獻 / 16
第2 章
深度學習開源框架 / 17
2.1 主流的深度學習開源框架 / 18
2.2 簡單神經網絡模型在不同框架上的實現對比 / 29
2.3 本章小結 / 44
參考文獻 / 45
第3 章
多層感知機在自然語言處理方面的應用 / 46
3.1 詞和文本模型的發展歷程 / 47
3.2 Word2Vec 模型：基于上下文的分布式表達 / 49
3.2.1 Skip-Gram 算法的訓練流程 / 50
3.2.2 Skip-Gram 算法的網絡結構 / 53
3.2.3 代價函數 / 54
3.3 應用TensorFlow 實現Word2Vec 模型 / 58
3.3.1 定義計算圖：訓練語料庫預處理 / 60
3.3.2 模型計算圖的實現 / 63
3.4 Word2Vec 模型的局限及改進 / 66
3.5 本章小結 / 67
參考文獻 / 68
第4 章
卷積神經網絡在圖像分類中的應用 / 69
4.1 圖像識別和圖像分類的發展 / 72
4.2 AlexNet / 73
4.2.1 網絡模型結構 / 74
4.2.2 AlexNet 的具體改進 / 79
4.2.3 代價函數 / 83
4.3 應用TensorFlow 實現AlexNet / 83
4.3.1 讀取訓練圖像集 / 83
4.3.2 模型計算圖的實現 / 84
4.4 本章小結 / 85
參考文獻 / 86
第5 章
遞歸神經網絡 / 87
5.1 遞歸神經網絡應用背景介紹 / 88
5.2 遞歸神經網絡模型介紹 / 89
5.2.1 遞歸神經網絡模型結構 / 89
5.2.2 雙向遞歸神經網絡 / 90
5.2.3 長短期記憶模型 / 91
5.3 遞歸神經網絡展望 / 94
5.4 本章小結 / 95
參考文獻 / 95
第6 章
DeepIntent 模型在信息檢索領域的應用 / 96
6.1 信息檢索在搜索廣告中的應用發展 / 97
6.2 含有注意力機制的RNN 模型 / 99
6.2.1 網絡模型結構 / 100
6.2.2 代價函數 / 104
6.3 應用TensorFlow 實現DeepIntent 模型 / 107
6.3.1 定義計算圖 / 107
6.3.2 定義代價函數及優化算法 / 114
6.3.3 執行計算圖進行訓練 / 118
6.4 本章小結 / 119
參考文獻 / 120
第7 章
圖像識別及在廣告搜索方面的應用 / 121
7.1 視覺搜索 / 122
7.2 方法和系統 / 124
7.2.1 圖像DNN 編碼器 / 124
7.2.2 利用Rich-CDSSM 降低維度 / 125
7.2.3 快速最近鄰搜索系統 / 127
7.2.4 精密層 / 127
7.2.5 端到端服務系統 / 128
7.3 評測 / 129
7.4 用于演示的Visual Shopping Assistant 應用程序 / 131
7.5 相關工作 / 132
7.6 本章小結 / 133
第8 章
Seq2Seq 模型在聊天機器人中的應用 / 134
8.1 Seq2Seq 模型應用背景 / 135
8.2 Seq2Seq 模型的應用方法 / 136
8.3 含有注意力機制的多層Seq2Seq 模型 / 137
8.3.1 詞嵌入層 / 137
8.3.2 可變深度LSTM 遞歸層 / 138
8.3.3 注意力機制層 / 139
8.3.4 投影層 / 139
8.3.5 損失函數（loss function）和端到端訓練 / 140
8.4 信息導向的自適應序列采樣 / 142
8.5 多輪項目推薦 / 143
8.6 熵作為信心的度量 / 143
8.6.1 直觀的定義和討論 / 143
8.6.2 序列后驗估計的不確定性 / 145
8.6.3 信息導向的抽樣：最大化預期信息增益的原則 / 145
8.6.4 Seq2Seq 模型的3 個應用程序 / 146
8.6.5 應用程序1：查詢理解和重寫 / 147
8.6.6 應用程序2：相關性評分 / 152
8.6.7 應用程序3：聊天機器人 / 156
8.7 本章小結 / 160
參考文獻 / 160
第9 章
word2vec 的改進：fastText 模型 / 162
9.1 fastText 模型的原理 / 163
9.1.1 回顧Skip-Gram 算法 / 163
9.1.2 subword 模型 / 164
9.1.3 subword 形態 / 167
9.1.4 分層softmax / 168
9.1.5 fastText 的模型架構 / 170
9.1.6 fastText 算法實現 / 171
9.2 應用場景：搜索廣告中的查詢詞關鍵詞匹配問題 / 172
9.3 本章小結 / 173
參考文獻 / 174
第10 章
生成對抗網絡 / 175
10.1 生成對抗網絡的原理 / 176
10.1.1 GAN 的基本模型 / 176
10.1.2 GAN 優化目標的原理 / 178
10.1.3 GAN 的訓練 / 179
10.1.4 GAN 的擴展模型 / 180
10.2 應用場景：搜索廣告中由查詢詞直接生成關鍵詞 / 182
10.2.1 生成模型的構建 / 182
10.2.2 判別模型的構建 / 184
10.2.3 條件生成對抗網絡的構建 / 185
10.3 本章小結 / 186
參考文獻 / 187
第11 章
深度強化學習 / 188
11.1 深度強化學習的原理 / 189
11.1.1 強化學習的基本概念 / 189
11.1.2 馬爾可夫決策過程 / 191
11.1.3 價值函數和貝爾曼方程 / 192
11.1.4 策略迭代和值迭代 / 194
11.1.5 Q-Learning / 196
11.1.6 深度Q 網絡 / 198
11.1.7 策略梯度 / 201
11.1.8 動作評價網絡 / 202
11.2 應用場景：基于深度強化學習的推薦系統 / 203
11.3 本章小結 / 206
參考文獻 / 206
第12 章
工程實踐和線上優化 / 208
12.1 Seq2Seq 模型介紹 / 209
12.2 LSTM 優化分析 / 211
12.2.1 優化一：指數運算的近似展開 / 214
12.2.2 優化二：矩陣運算的執行速度優化 / 218
12.2.3 優化三：多線程并行處理 / 224
12.3 優化應用實例：RapidScorer 算法對GBDT 的加速 / 227
12.3.1 背景介紹 / 228
12.3.2 RapidScorer 數據結構設計 / 231
12.3.3 RapidScorer 矢量化 / 233
12.3.4 RapidScorer 實驗結果 / 237
12.4 本章小結 / 238
參考文獻 / 239
第13 章
深度學習的下一個浪潮 / 240
13.1 深度學習的探索方向展望 / 241
13.1.1 設計更好的生成模型 / 241
13.1.2 深度強化學習的發展 / 241
13.1.3 半監督學習與深度學習 / 242
13.1.4 深度學習自身的學習 / 242
13.1.5 遷移學習與深度學習的結合 / 242
13.1.6 用于推理的深度學習 / 243
13.1.7 深度學習工具的標準化 / 243
13.2 深度學習的應用場景展望 / 243
13.2.1 醫療健康領域 / 243
13.2.2 安全隱私領域 / 248
13.2.3 城市治理領域 / 249
13.2.4 藝術創作領域 / 250
13.2.5 金融保險領域 / 252
13.2.6 無人服務領域 / 254
13.3 本章小結 / 257
參考文獻 / 258
新書資訊