译者序

随着深度学习在计算机视觉和自然语言处理等领域取得突破，作为机器学习重要分支的深度学习近年来发展迅猛，引起了国内科研工作者的广泛关注，已成为人工智能领域的研究热点。与传统的机器学习算法相比，深度学习具有强大的特征表示学习能力、任意的非线性函数逼近能力等特点，因此，深度学习已经成为大数据时代人工智能的热门技术。随着准确率的提高，深度学习已经进入产业化阶段，并带动了新兴产业的兴起。

本书介绍了对象检测、图像分类、图像语义分割、自然语言处理、自动驾驶等领域最新的深度学习模型、方法和实现。本书分为四部分：第一部分介绍了深度学习网络的构建和神经网络（NN）背后的数学知识；第二部分阐述了卷积神经网络（CNN）及其在计算机视觉中的高级应用，包括在对象检测和图像分割应用中流行的CNN架构，还介绍了变分自编码器和生成对抗网络；第三部分阐述了自然语言和序列处理，讲解了使用神经网络提取复杂的单词向量表示，讨论了各种类型的循环网络，如长短期记忆（LSTM）网络和门控循环单元（GRU）网络，还介绍了处理序列数据的注意力机制、使用图神经网络处理结构化数据、使用元学习用小样本训练神经网络以及将深度学习应用于自动驾驶汽车；第四部分展望了深度学习的未来，并介绍新兴的神经网络设计、元学习和自动驾驶汽车的深度学习。

本人目前在北京交通大学工作，主要从事基于深度学习的图像处理和个性化推荐方面的研究，承担了多项国家级、省部级科研项目，已在国内外知名期刊、会议发表论文四十余篇。译者赵子涵和刘冀瑞处于人工智能的学习和研究阶段。译者刘伟和董为在中国科学院软件所北京市重点实验室人机交互技术与智能信息处理实验室从事人工智能的相关应用研究。在本书翻译过程中，译者团队虽然力求准确地展现原著内容，但由于水平有限，且在意译和直译间保持平衡实属不易，因此书稿中难免有不准确之处，恳请读者批评指正。读者可以通过电子邮箱jzhenyan@hotmail.com和译者取得联系。

感谢机械工业出版社华章公司的编辑们（特别是李忠明编辑），他们在书稿的翻译过程中给予了大力支持，并为保证本书的质量做了大量细致的编辑和审校工作，在此深表谢意。

冀振燕
于北京