Deep Learning是大神Ian GoodFellow, Yoshua Bengio 和 Aaron Courville合著的深度学习的武功秘籍，涵盖深度学习各个领域，从基础到前沿研究。因为封面上有人工智能生成的鲜花图像，人送外号“花书” 。该书系统地介绍了深度学习的基础知识和后续发展，是一本值得反复读的好书。
这里根据书的框架做笔记如下，方便以后回顾阅读，加油！！！
1.0 引言
什么是machine learning?在原始的AI系统中，定义不同的case使用不同的解决方法，这称为“hard code”。进一步的AI系统需要一种去获取知识的能力，也就是从原始数据中发现模（“Pattern”），这种能力就是machine learning。
但是，一般的machine learning算法严重依赖于数据的表示(representation)，表示中包含的每份信息又称为feature。这又引发了一个新的问题，对于很多task，我们不知道应该提取什么样的特征（只能经验主义）。机器学习早期的时候十分依赖于已有的知识库和人为的逻辑规则，需要人们花大量的时间去制定合理的逻辑判定，可以说是有多少人工，就有多少智能。后来逐渐发展出一些简单的机器学习方法例如logistic regression、naive bayes等，机器可以通过一些特征来学习一定的模式出来，但这非常依赖于可靠的特征，比如对于logistic regression用来辅助医疗诊断，我们无法将核磁共振图像直接输入机器来作出诊断，而是医生需要先做一份报告总结一些特征，而机器通过报告中提供的表征再来进行机器学习，这就对如何提取有效表征提出了很大的要求，仍是一个需要花费很多人力的过程。
于是又有了representation learning，即使用machine learning不光光是学习reprsentation到output的映射（mapping），还要学习data到representation的映射。使用机器学习来发掘表示本身，而不仅仅把表示映射到输出。人们发展出了表征学习(representation learning)，希望机器自己能够提取出有意义的特征而无需人为干预。
典型的表示学习算法是autoencoder。encoder函数是将输入数据映射成表示;decoder函数将表示映射回原始数据的格式。我们期望当输入数据经过编码器和解码器之后尽可能多地保留信息，同时希望新的表示有各种好的特性，这也是自编码器的训练目标。
representation learning的难点：表示是多种多样的，一种表示学习算法很难覆盖多种层次和不同类型的表示。也就是多个因素同时影响观察到的数据，从原始数据中提取如此高层次、抽象的特征是非常困难的。
Deep Learning：使用多层次的结构，用简单的表示来获取高层的表示。这样，解决了上面的问题（一种方法）。让计算机通过较简单概念构建复杂的概念。
这些表征很有可能是隐含的、抽象的，比如图像识别中单个像素可能没有有效的信息，更有意义的是若干像素组成的边，由边组成的轮廓，进而由轮廓组成的物体。深度学习就是通过一层层的表征学习，每层可能逻辑很简单，但之后的层可以通过对前面简单的层的组合来构建更复杂的表征。经典的例子如多层感知机(multilayer perceptron),就是每个感知机的数理逻辑都很简单，层内可以并行执行，层间顺序执行，通过层层叠加实现更复杂的逻辑。深度学习的“深”可以理解为通过更多层来结合出更复杂的逻辑，这就完成了从输入到内在层层表征再由内在表征到输出的映射。
花书总体结构
花书可以大致分为三大部分：
- 机器学习基础知识：涵盖线性代数，概率论，数值计算和传统机器学习基础等知识。如果之前学过Andrew Ng的CS229的话基本可以跳过。
- 深度神经网络核心知识：属于本书必读部分，涵盖前馈神经网络，卷积神经网络（CNN)，递归神经网络（RNN) 等。
- 深度学习前沿：有一些前沿研究领域的介绍，如线性因子模型，表征学习，生成模型等。
1.1 深度学习的历史趋势
目前为止深度学习已经经历了三次发展浪潮：
1、20 世纪40 年代到60 年代深度学习的雏形出现在控制论（cybernetics）中，是从神经科学的角度出发的简单线性模型，但局限是无法学习非线性的异或函数。不过，这个时期为后来的深度学习打下基础，我们现在训练常用的随机梯度下降算法（stochastic gradient descent)就是源自处理这个时期的一种线性模型——自适应线性单元（Adaptive Linear Neuron）。虽然现在仍有媒体经常将深度学习与神经科学类比，但是由于我们对大脑工作机制的研究进展缓慢，所以实际上现在深度学习从业者已很少从神经科学中寻找灵感。；
2、20 世纪80 年代到90 年代深度学习表现为联结主义（connectionism）或并行分布处理，主要是强调很多的简单的计算单位可以通过互联进行更复杂的计算。这个时期成果很多，比如现在常用的反向传播算法（back propagation)还有自然语言处理中常用的LSTM(第十章讲递归神经网络时详谈）都来自与这个时期。之后由于很多AI产品期望过高而又无法落地，研究热潮逐渐退去。
3、直到2006 年，才真正以深度学习之名复兴。由于软硬件性能的提高，深度学习逐渐应用在各个领域，深度学习研究重整旗鼓。“深度”学习的名字成为主流，意在强调可以训练更多层次更复杂的神经网络，“深”帮助我们开发更复杂的模型，解决更复杂的问题。
深度学习火起来的原因，主要是由于两点：1.我们有更大量的数据进行训练 2.我们有更好的软硬件可以支持更复杂的模型。
随着模型准确度的提高，深度学习也逐渐得到更广泛的实际应用，比如图像识别，语音识别，机器翻译等领域。像DeepMind AlphaGo这种强化学习方面的应用更是掀起了全民AI热潮。与此同时，各种深度学习框架的出现如Caffe，Torch，Tensorflow等也方便更多人学习或利用深度学习模型。这些反过来又促进了深度学习行业的发展。
参考文献：
https://zhuanlan.zhihu.com/p/38431213
http://www.deeplearningbook.org/
https://applenob.github.io/deep_learning_1.html
原文地址：https://www.cnblogs.com/eilearn/p/10048942.html