新的一年，是不是觉得韶光太少，要学的东西太多了？
在过去的几年里，有不少讲深度学习的书本。本日给小伙伴们推举8本关于AI和机器学习的经典书本，大部分都有完全版PDF下载。
这8本书从内容上看，可以分为四类：
机器和深度学习根本知识（适宜初学者）机器学习框架：Pytorch、Tensorflow 和 KerasMLOP：云、生产和深度学习工程深度学习理论
Andriy Burkov：The Hundred-Page Machine Learning Book
如果你是新手，看这本书就很适宜。如果是老手，可能会以为这本书很无聊，讲的都是你已经知道的东西。
前两章重点先容机器学习公式、符号和关键术语。随后，Burkov 剖析了最主要的 ML 算法，如回归、决策树、支持向量机和 k-最近邻。
第 4 章是关于梯度低落和学习过程的，第 5 章是最佳实践的凑集；即特色工程、正则化、超参数调度等。第 6 章专门先容神经网络。
之后，Burkov 谈论了如何利用上述方法办理特定问题。书中阐明了常见的机器学习寻衅、陷阱以及有针对性的办理方案。末了讲到了无监督、自监督和推举系统等内容。
PDF：
https://pdf.zlibcdn.com/dtoken/4d82356f2bb44f73f4a94a7c489f6b4f/The_hundred-page_machine_learning_book_by_Burkov,__3710356_(z-lib.org).pdf
Meor Amer：A visual introduction to Deep Learning
这本书非常适宜喜好通过直不雅观视觉学习深度学习的人。
总的来说，我们创造这本书很随意马虎理解，由于书中的图和文本之间处于很好的平衡。上一本100多页的书比较，这本书涉及的数学更少，插图更多。
书中在阐明反向传播时非常关注细节，不会让读者迷失落在数学中。不可否认，反向传播真的很难教，作者Meor在这方面做得很好。此外，书中还对稠浊矩阵和 F1 分数等性能指标进行了彻底剖析。
但是，这本书让编程职员可能不大方便。这本书讲的是理论的基本部分，但把代码留给读者去考试测验。由于这本书的先容比较笼统，理论和编程实践之间可能会有差距。
干系资源：https://www.kdimensions.com/l/visualdl
机器学习框架：Pytorch、Tensorflow、Keras
Eli Stevens, Luca Antiga, and Thomas Viehmann：Deep Learning with PyTorch
无论你处于什么阶段，要学习Pytorch大概都少不了这本书。本书分为3个部分。
第 1 部分：前 3 章先容了 PyTorch 和张量操作。第 4 章从字面上描述了如何获取任何数据、视频或一行文本，并将其表示为张量，个中涵盖了医学图像、表格数据和带详细示例的文本，对付初学者，这些内容非常有代价。
第5、6章涵盖了利用大略神经网络（如反向传播）学习过程的所有根本知识，重点是讲如何在Pytorch 中的动手写代码。
第 2 部分讲的是面向现实问题的模型，包括从 3D 图像数据中检测癌症和肺结节等。这部分内容会勾引读者完玉成部设计和思考过程。作为机器学习建模职员，读者可以节制须要遵照的所有必要步骤。
虽然我在这里有点偏见，但我喜好这本书的这一部分，诚笃说，我认为这里先容的方法可以转移到办理新问题上。
第 3 部分先容了从 Pytorch 导出的模型，包括实行推理或移动设备所需的步骤。对付想要学习如何优化演习后模型，并在硬件资源有限的嵌入式设备中利用的工程师来说，这部分内容会很有帮助。
PDF :
https://pytorch.org/assets/deep-learning/Deep-Learning-with-PyTorch.pdf
François Chollet：Deep Learning with Python（2nd Edition）
这本书基于 Keras 框架讲述深度学习。本书的第 2 版包含大量新增内容，强烈建议阅读第二版。
前 4 章为新手根本知识，如张量运算、反向传播、基本的 Keras 模块，以及聚类和回归问题。
第 5 章剖析了优化和泛化之间的权衡以及它与演习数据的关系。这一章节阐明了为什么演习后的模型会通过逼近其数据的潜在流形实现泛化，并可以通过插值对新的输入做出高质量的预测。
第 6 章教你如何处理一个新的机器学习项目，包括设定相符实际的目标、网络数据、冲破良好的基线和支配。第 7 章解释了如何更好地理解 Keras API 和回调。
第 8 章和第 9 章通过利用卷积神经网络进行图像分类和图像分割，全面概述了打算机视觉中的深度学习。第 10 章侧重于利用循环神经网络处理韶光序列，第 11 章先容了用于处理文本数据的Transformer架构。
第12章提出了各种天生模型来天生新的文本、图像。作者对天生对抗网络 (GAN) 、变分自动编码器 (VAE) 以及对潜在空间的阐明和不雅观点很故意思。
末了，本书涵盖了现实天下的高等观点，例如超参数调度、模型集成、稠浊精度演习、多 GPU 或多 TPU 演习等。
PDF：
https://drive.google.com/uc?export=download&id=1czfFQr2qWRBVGmrYyg_jzv0Q_-eJl5ip
Laurence Moroney：AI and Machine Learning for Coders: A Programmer's Guide to Artificial Intelligence
如果你正在找有关 Tensorflow 的完全教程，这本书可能是最佳选择。Laurence Moroney 是 Google 的首席 AI 倡导者，在 Tensorflow 及其干系库方面拥有丰富的履历。
本书分为两部分。第一部分关于研究机器学习运用、如何利用 Tensorflow 来开拓这些运用。包括打算机视觉、自然措辞处理、韶光序列剖析和序列模型。在这部分可以学习如下内容：
如何利用 Tensorflow 构建 CNN 和 RNN；如何处理文本、图像和韶光序列数据；如何利用 Tensorflow 数据集进行数据处理和探索。
第二部分是在实际运用中利用这些模型。读者将熟习移动或 Web 运用程序上的模型支配。紧张内容包括：
如何利用 Tensorflow Lite 在 Android 或 iOS 中嵌入模型；如何利用 Tensoflow.js；什么是 Tensorflow 做事、如何支配模型等。
这本书非常实用，有很多代码段和俊秀的可视化效果。
PDF :
https://drive.google.com/file/d/1-WViisjDgKzvdw-AZ0CLXctiGspP84SJ/view?usp=sharing
MLOP：云、生产和深度学习工程Sergios Karagianakos：Deep learning in production
本书采取动手实践的方法来学习 MLOps。这本书的条件是，读者从一个深度学习模型开始，努力构建一个可扩展的 Web 运用程序。书中包含大量代码段和可视化效果，对付软件背景有限的机器学习研究职员和数据科学家来说，本书是个不错的资源。
书中各章节涉及机器学习生命周期的不同阶段。在谈论了设计阶段之后，读者将熟习如何编写可掩护的深度学习代码（如 OOP、单元测试和调试）的最佳实践。第 5 章是关于构建高效的数据管道，第 6 章涉及云中的模型演习以及各种分布式演习技能。
接着，本书谈论做事和支配技能，同时强调 Flask、uWSGI、Nginx 和 Docker 等工具。末了两章磋商了 MLOP。
更详细地说，是谈论如何利用 Kubernetes 扩展深度学习运用程序，如何利用 Tensorflow Extended 构建端到端pipeline，以及如何利用谷歌云和 Vertex AI。
干系资源：
https://github.com/The-AI-Summer/Deep-Learning-In-Production
Andriy Burkov：Machine learning engineering
这是本文推举的 Burkov 的第二本书。作者在书中如何构建机器学习运用程序的设计模式和最佳实践方面建立了联系。
与前一本书类似，每一章都侧重于 ML 生命周期的一个单独阶段。从设计阶段开始描述了 ML 项目的寻衅和优先级，然后讲到数据处理和特色工程，书中包括了常用行业术语的清晰阐明，以及相应办理方案的常见陷阱。
演习和评估阶段分为三章，剖析了如何利用正则化、超参数调节等技能提高模型的精度。还讲了关于处理分布偏移、模型校准、a/b 测试等问题。末了两章则谈论了支配策略、模型做事和掩护。
PDF:
https://drive.google.com/uc?export=download&id=1P0h-3e5Po-gIO-eb8dtYdyHkmzlDGLCS
深度学习理论
Ian Goodfellow, Yoshua Bengio, Aaron Courville：Deep Learning
末了，深度学习理论部分只有这一本书（花书）。
为什么？由于如果你开始一页一页地阅读这本书，你不太可能读完。
这本书更像是一本手册，可以对深度学习从数学的角度进行更深入的理解，得到更可靠的信息。
本书先容了深度学习理论的广泛主题，建立了坚实的数学背景。书中涵盖的数学领域包括线性代数、概率论、信息论和数值打算。
此外本书还展示了多样化的深度学习技能，如正则化、优化算法、卷积网络、序列建模。涉及到的运用方向包括在线推举系统、生物信息学和视频游戏等。
末了，本书中还讲了不少有见地的理论不雅观点，如线性因子模型、自动编码器、表示学习、构造化概率模型、蒙特卡罗方法、分区函数、近似推理和深度天生模型等。
PDF:
https://polarai.cn/265.html
参考资料：
https://theaisummer.com/deep-learning-books-2022/