[중국에서 온 다이렉트 메일] I READING은 독서를 좋아하며, TensorFlow 기반의 딥러닝과 자세한 실무 설명으로 놀 수 있는 프로젝트 21개

편집자의 선택

1. 이 책은 TensorFlow를 도구로 사용하며 기본 MNIST 필기 인식부터 시작하여 기본 컨볼루션 신경망, 순환 신경망을 소개하고 최첨단 적대 생성 네트워크, 심층 강화 학습 및 기타 주제도 포함합니다. 코드는 TensorFlow를 기반으로 합니다. 1.4 .0 이상 버전.

2. 책의 모든 내용은 실습 실험에 사용할 수 있는 21개의 프로젝트로 구성되어 있으며, TensorFlow 교육이 삽입되어 있어 실제로 딥러닝 분야의 기본 지식을 쉽게 배우고 사용법을 익힐 수 있습니다. TensorFlow의 학습 및 딥러닝 분야의 풍부한 실무 경험을 축적하세요.

3. 이 책을 통해 다음을 배울 수 있습니다.

실습을 통해 딥 러닝 분야를 빠르게 소개해보세요.

실험을 통해 TensorFlow의 작동 방법을 빠르게 익히세요.

컨벌루션 신경망, 순환 신경망, 적대적 생성 신경망, 심층 강화 학습 등 딥러닝을 마스터하고, 이미지 분류, 대상 탐지, 얼굴 인식, 이미지 생성, 텍스트 생성, 시퀀스 분류 및 학습 등 풍부하고 실용적인 딥러닝 프로젝트를 축적합니다. 시계열 예측 등

TimeSeries 모듈, RNCell 등과 같은 TensorFlow의 몇 가지 새로운 기능을 알아보세요.

간략한 소개

"딥 러닝을 활용한 21가지 프로젝트 - TensorFlow를 기반으로 한 상세한 실무 설명"은 실습 중심으로 딥 러닝 기술과 TensorFlow 프레임워크 프로그래밍 콘텐츠에 대한 심층적인 소개를 제공합니다. 이 책을 통해 독자들은 자신만의 이미지 인식 모델을 훈련하고, 타겟 감지 및 얼굴 인식을 수행하고, 스타일 전송 애플리케이션을 완성할 수 있으며, 신경망을 사용하여 이미지와 텍스트를 생성하고, 시계열 예측을 수행하고, 기계 번역 엔진을 구축하고, 게임을 하기 위해 기계를 훈련시키세요. 이 책에는 총 21개의 프로젝트가 포함되어 있으며, Deep Convolutional Network, RNN Network, Deep Reinforcement Learning의 세 부분으로 나누어져 있습니다. 독자는 직접 실습을 통해 학습의 즐거움을 찾고 알고리즘 및 프로그래밍 프레임워크의 세부 사항을 이해할 수 있으므로 딥 러닝 알고리즘과 TensorFlow를 학습하는 과정을 쉽고 효율적으로 만들 수 있습니다. 이 책의 코드는 TensorFlow 1.4 이상을 기반으로 하며 TensorFlow의 몇 가지 새로운 기능을 소개합니다.

이 책은 머신러닝에 대한 일정한 기초를 갖춘 학생, 연구자, 실무자, 특히 텐서플로우와 딥러닝 알고리즘을 심도 있게 연구하고 싶은 데이터 엔지니어에게 적합하며, 인공지능과 딥러닝에 관심이 있는 학생에게도 적합하다. 해당 분야에 진출하고 싶은 분 빅데이터 응용 연구자입니다.

저자 소개

Zhihu 칼럼 AI Insight의 저자 He Zhiyuan. Tensorflow에 대한 초기 학습 사례가 부족한 것에 대응하여 온라인에 수많은 실용적인 기사와 TensorFlow 튜토리얼을 작성했습니다. 튜토리얼 스타일은 깊이를 잃지 않고 명확하고 이해하기 쉬워 독자들에게 인정을 받았습니다. 프로그래밍을 좋아하고 인공지능과 딥러닝 분야에서 풍부한 실무 경험을 갖고 있습니다.

목차

1장 MNIST 머신러닝 소개 1
1.1 MNIST 데이터 세트 2
1.1.1 소개 2
1.1.2 실험: MNIST 데이터 세트를 그림 5와 같이 저장
1.1.3 이미지 라벨의 원-핫 표현 6
1.2 TensorFlow를 사용하여 MNIST 8 식별
1.2.1 소프트맥스 회귀 8
1.2.2 2계층 컨벌루션 네트워크 분류 14
1.3 요약 18

2장 CIFAR-10 및 ImageNet 이미지 인식 19
2.1 CIFAR-10 데이터 세트 20
2.1.1 CIFAR-10 소개 20
2.1.2 CIFAR-10 데이터 다운로드 21
2.1.3 TensorFlow의 데이터 읽기 메커니즘 23
2.1.4 실험: CIFAR-10 데이터 세트를 이미지로 저장 30
2.2 TensorFlow를 사용하여 CIFAR-10 인식 모델 훈련 34
2.2.1 데이터 확대 34
2.2.2 CIFAR-10 인식 모델 36
2.2.3 훈련 모델 39
2.2.4 TensorFlow 39에서 훈련 진행 상황 보기
2.2.5 테스트 모델 효과 42
2.3 ImageNet 영상인식 모델 44
2.3.1 ImageNet 데이터세트 소개 44
2.3.2 기존 ImageNet 영상인식 모델 45
2.4 요약 49


Chapter 3 나만의 이미지 인식 모델 구축 50
3.1 미세 조정의 원리 51
3.2 데이터 준비 52
3.3 TensorFlow Slim 56을 사용하여 모델 미세 조정
3.3.1 TensorFlow Slim 56의 소스 코드 다운로드
3.3.2 새 데이터세트 파일 정의 57
3.3.3 교육 폴더 준비 59
3.3.4 훈련 시작 60
3.3.5 훈련 프로그램 행동 62
3.3.6 모델 정확도 검증 63
3.3.7 텐서보드 시각화 및 하이퍼파라미터 선택 64
3.3.8 모델 내보내기 및 단일 이미지 식별 65
3.4 요약 69


4장 딥드림 모델 70
4.1 딥드림의 기술적 원리 71
4.2 TensorFlow 73에서 Deep Dream 모델 실습
4.2.1 수입 개시 모델 73
4.2.2 원본 Deep Dream 이미지 생성 76
4.2.3 더 큰 크기의 Deep Dream 이미지 생성 78
4.2.4 더 높은 품질의 Deep Dream 이미지 생성 82
4.2.5 최종 딥드림 모델 87
4.3 요약 90

5장 딥러닝의 객체 탐지 ​​91
5.1 딥러닝의 타겟 탐지 원리 92
5.1.1 R-CNN의 원리 92
5.1.2 SPPNet의 원리 94
5.1.3 Fast R-CNN의 원리 97
5.1.4 더 빠른 R-CNN의 원리 98
5.2 TensorFlow 객체 감지 API 101
5.2.1 TensorFlow 객체 감지 API 101 설치
5.2.2 훈련된 모델 실행 103
5.2.3 새로운 모델 훈련 109
5.2.4 모델 내보내기 및 단일 이미지 예측 113
5.3 요약 114


Chapter 6 얼굴 검출 및 얼굴 인식 115
6.1 MTCNN 116의 원리
6.2 심층 합성곱 네트워크를 이용한 특징 추출 121
6.2.1 삼중 손실의 정의 123
6.2.2 중심 손실의 정의 123
6.3 기능을 활용한 애플리케이션 설계 125
6.4 TensorFlow에서 얼굴 인식 구현하기 126
6.4.1 프로젝트 환경 설정 126
6.4.2 LFW 얼굴 데이터베이스 127
6.4.3 LFW 데이터베이스의 얼굴 검출 및 정렬 128
6.4.4 기존 모델을 활용하여 LFW 데이터베이스의 정확성 검증 129
6.4.5 자신의 데이터에 기존 모델 사용 130
6.4.6 새 모델 재훈련 133
6.4.7 삼중항 손실과 중심 손실의 정의 138
6.5 요약 140


7장 이미지 스타일 전송 141
7.1 이미지 스타일 전송의 원리 142
7.1.1 원본 이미지 스타일 전송 원리 142
7.1.2 빠른 이미지 스타일 전송 원리 148
7.2 TensorFlow에서 빠른 스타일 전송 구현하기 149
7.2.1 사전 훈련된 모델 사용 150
7.2.2 자신만의 모델 훈련 153
7.2.3 텐서보드를 이용한 모니터링 훈련 154
7.2.4 프로젝트 시행 세부사항 157
7.3 요약 162


8장 GAN과 DCGAN 시작하기 163
8.1 GAN의 원리 164
8.2 DCGAN의 원리 166
8.3 DCGAN을 사용하여 TensorFlow에서 이미지 생성 169
8.3.1 MNIST 이미지 생성 170
8.3.2 자신만의 데이터 세트로 훈련하기 171
8.3.3 프로그램 구조 분석: 모델에 이미지를 읽어들이는 방법 173
8.3.4 프로그램 구조 분석: 시각화 방법 177
8.4 요약 180


Chapter 9 pix2pix 모델과 자동 채색 기술 181
9.1 cGAN의 원리 182
9.2 pix2pix 모델의 원리 184
TensorFlow 187의 9.3 pix2pix 모델
9.3.1 기존 데이터 세트 실행 187
9.3.2 나만의 데이터 세트 만들기 191
9.4 TensorFlow를 사용하여 회색조 이미지 자동 색상 지정 194
9.4.1 음식 이미지 색칠하기 194
9.4.2 애니메이션 그림 색칠하기 196
9.5 요약 198


Chapter 10 초해상도: 이미지를 더 선명하게 만드는 방법 199
10.1 데이터 전처리 및 훈련 200
10.1.1 잘못된 사진 제거 200
10.1.2 이미지를 균일한 크기로 자르기 202
10.1.3 코드에 새로운 연산 추가하기 202
10.2 요약 209


Chapter 11 CycleGAN과 짝이 없는 이미지 변환 210
11.1 CycleGAN의 원리 211
11.2 TensorFlow 213의 훈련 CycleGAN 모델
11.2.1 데이터 세트 다운로드 및 훈련 213
11.2.2 자신의 데이터로 훈련하기 217
11.3 프로그램 구조 분석 220
11.4 요약 224


Chapter 12 RNN과 Char RNN 텍스트 생성의 기본 구조 225
12.1 RNN 226의 원리
12.1.1 클래식 RNN의 구조 226
12.1.2 N VS 1 RNN의 구조 229
12.1.3 1 VS N RNN 230의 구조
12.2 LSTM 231의 원리
12.3 Char RNN의 원리 235
12.4 TensorFlow 237의 RNN 구현
12.4.1 RNN 구현을 위한 기본 단위: RNNCell 238
12.4.2 RNN 쌓기: MultiRNNCell 239
12.4.3 참고: BasicRNNCell 및 BasicLSTMCell의 출력 240
12.4.4 tf.nn.dynamic_rnn을 사용하여 시간 차원 확장 241
12.5 TensorFlow를 사용하여 Char RNN 구현하기 242
12.5.1 입력 데이터 정의 243
12.5.2 다층 LSTM 모델 정의 244
12.5.3 손실 정의 245
12.5.4 훈련 모델과 텍스트 생성 246
12.5.5 추가 매개변수 설명 250
12.5.6 자신의 데이터 실행하기 250
12.6 요약 251


13장 서열 분류 문제에 대한 자세한 설명 252
13.1 N VS 1의 RNN 구조 253
13.2 서열 분류 문제와 데이터 생성 254
13.3 TensorFlow에서 RNN 분류 모델 정의하기 258
13.3.1 모델 정의 전 준비 작업 258
13.3.2 RNN 분류 모델 정의 259
13.3.3 손실 정의와 훈련 261
13.4 모델의 일반화 262
13.5 요약 263


Chapter 14 단어의 벡터 표현: word2vec과 단어 임베딩 264
14.1 단어 임베딩이 필요한 이유 265
14.2 단어 임베딩의 원리 266
14.2.1 CBOW 266에서 구현된 단어 임베딩의 원리
14.2.2 단어 임베딩을 구현하는 Skip-Gram의 원리 269
14.3 텐서플로우에서 단어 임베딩 구현하기 270
14.3.1 데이터세트 다운로드 270
14.3.2 어휘 목록 만들기 272
14.3.3 각 단계에 대한 훈련 샘플 생성 274
14.3.4 모델 정의 276
14.3.5 훈련 실행 279
14.3.6 시각화 281
14.4 12장과의 비교 284
14.5 요약 285


Chapter 15 TensorFlow의 시계열 예측 286
15.1 시계열 문제의 일반적인 형태 287
15.2 TFTS를 이용한 시계열 데이터 읽기 287
15.2.1 Numpy 배열에서 시계열 데이터 읽기 288
15.2.2 CSV 파일에서 시계열 데이터 읽기 291
15.3 AR 모델을 이용한 시계열 예측 293
15.3.1 AR 모델 훈련 293
15.3.2 AR 모델의 검증과 예측 295
15.4 LSTM 모델을 이용한 시계열 예측 297
15.4.1 LSTM 모델의 일변량 시계열 예측 297
15.4.2 LSTM 모델의 다변량 시계열 예측 299
15.5 요약 301


16장 신경망 기계 번역 기술 302
16.1 인코더-디코더 모델의 원리 303
16.2 주의 305
16.3 TensorFlow NMT를 사용하여 신경망 번역 엔진 구축 309
16.3.1 예: 베트남어를 영어로 번역 309
16.3.2 한-영 번역 엔진 구축 313
16.4 TensorFlow NMT 소스 코드 소개 317
16.5 요약 319


17장 그림으로 말하기: 이미지를 텍스트로 변환 320
17.1 이미지 캡션 기술 개요 321
17.1.1 인코더-디코더 구조에서 시작하기 321
17.1.2 이미지 캡션 작업에 인코더-디코더 적용 322
17.1.3 인코더-디코더 개선 1: 어텐션 메커니즘 추가 323
17.1.4 인코더-디코더 개선 2: 고수준 의미 추가 325
17.2 TensorFlow에서 이미지 캡션 구현하기 327
17.2.1 다운로드 코드 327
17.2.2 환경 준비 328
17.2.2 편집 및 데이터 준비 328
17.2.3 훈련과 검증 330
17.2.4 단일 이미지 테스트 331
17.3 요약 332


18장 강화학습 소개 Q 333
18.1 강화학습의 몇 가지 중요한 개념 334
18.2 Q러닝의 원리와 실험 336
18.2.1 환경 정의 336
18.2.2 Q 함수 338
18.2.3 Q 함수의 학습 전략 339
18.2.4 ?-탐욕 전략 341
18.2.5 간단한 Q 학습 예제 341
18.2.6 더욱 복잡한 상황 342
18.3 요약 343


강화 학습 소개: SARSA 알고리즘 344
19.1 SARSA 알고리즘의 원리 345
19.1.1 Q 학습과의 비교를 통한 SARS 알고리즘 학습 345
19.1.2 오프 정책과 온 정책 346
19.2 SARSA 알고리즘의 구현 347
19.3 요약 348


20장 심층 강화 학습: 심층 Q 학습 349
20.1 DQN 알고리즘의 원리 350
20.1.1 문제 소개 350
20.1.2 심층 Q 네트워크 351
20.1.3 훈련 방법 352
20.2 TensorFlow 353에서 DQN 알고리즘 실행
20.2.1 종속 라이브러리 설치 353
20.2.2 훈련 355
20.2.3 테스트 356
20.3 TensorFlow 357의 DQN 알고리즘 구현 분석
20.4 요약 360


21장 정책 그라디언트 알고리즘 361
21.1 정책 기울기 알고리즘의 원리 362
21.1.1 카트폴 게임 362
21.1.2 정책 네트워크 363
21.1.3 훈련 정책 네트워크 364
21.2 TensorFlow 365에서 정책 경사 알고리즘 구현
21.2.1 초기화 365
21.2.2 정책 네트워크 정의 366
21.2.3 훈련367
21.3 요약 371

서문/서문

우리는 급속한 변화의 시대에 살고 있으며, 끝없는 신기술이 매일 우리 삶에 영향을 미치고 변화시키고 있습니다. 인공지능은 의심할 여지 없이 가장 많은 관심을 끌고 가장 광범위한 영향을 미치는 기술 분야입니다. 이는 컴퓨터에 날개를 달았고 이전에는 상상할 수 없었던 많은 새로운 기술과 응용 프로그램을 발전시켰습니다. 아무런 사전지식이 없는 인공지능 기계인 AlphaGoZero는 인간이 수천년 동안 쌓아온 경험을 뛰어넘어 셀프 플레이를 통해 단 며칠 만에 세계 최고의 바둑 고수로 성장할 수 있으며, 스타일 전송 애플리케이션은 사용자의 사진을 자동으로 변형시킬 수 있습니다. 유명한 회화 예술 스타일로, 기계는 10분의 1초 안에 한 언어에서 다른 언어로의 번역을 완료할 수 있습니다. 아울러 얼굴인식, 자율주행 등 신기술 적용도 본격화되기 시작했다. 지난 몇 년 동안 인공지능 기술은 학문적으로 큰 발전을 이루었을 뿐만 아니라 일반 사람들의 가정에도 적용되어 사람들의 삶에 진정한 편리함을 제공하기 시작했습니다.

이 책은 주로 인공지능 물결의 가장 중요한 구성 요소인 딥 러닝 기술을 독자들에게 소개합니다. 사용된 프로그래밍 프레임워크는 Google의 TensorFlow입니다. Google의 엄청난 영향력에 힘입어 TensorFlow는 출시와 동시에 큰 주목을 받았고, 현재(2017년 말 기준) TensorFlow는 Github에서 84,000명이 넘는 별을 보유하고 있으며, 이는 딥러닝 프레임워크 중 가장 많은 수입니다.

시중에는 딥러닝과 텐서플로우에 대한 입문서가 많기 때문에 이 책과 이들 책의 차이점을 중심으로 살펴보겠습니다. 주요 내용은 다음과 같습니다.

실습 및 응용 오리엔테이션. 딥러닝에는 깊은 수학적 기초가 필요하며 초보자에게는 그다지 친숙하지 않습니다. 이 책은 실습에서 시작하여 구체적인 예를 사용하여 독자가 딥 러닝 기술과 TensorFlow 프로그래밍 기술을 배울 수 있도록 안내하기를 바랍니다. 실용성과 재미라는 두 가지 측면을 중점적으로 고려하여 MNIST 영상 인식 등 입문 프로젝트를 비롯해 표적 검출, 얼굴 인식, 시계열 예측 등 실무 프로젝트를 비롯해 흥미로운 프로젝트 21개를 선정했다. 딥드림처럼. 독자는 실습에서 재미를 찾고 점차적으로 발전할 수 있으므로 딥 러닝과 TensorFlow를 배우는 과정이 덜 고통스럽습니다.

명확하고 심층적인 프레젠테이션. 책을 집필하는 과정에서 우리는 알고리즘의 원리를 설명하기 위해 간단한 언어를 사용하고 이를 명확하고 체계적으로 설명하려고 노력했습니다. 또한, 딥러닝은 지금도 빠르게 발전하고 있는 신기술로, 제한된 공간으로 인해 책에 다 담을 수 없는 내용이 많습니다. 읽기 자료 자세한 지식을 더 자세히 배울 수 있는 자료.

TensorFlow1.4 버전을 기반으로 합니다. TensorFlow는 매우 빠르게 발전하고 있습니다. 이 책의 코드는 모두 최신 TensorFlow 1.4 버전(1.4.0 및 1.4.1 포함)을 기반으로 하며 TimeSeries 모듈(버전 1.3에 추가됨)과 같은 TensorFlow의 몇 가지 새로운 기능을 소개합니다. ), 새로운 MultiRNNCell 기능(1.2 버전 변경) 등 이 책의 코드는 다음 Github 주소에서 제공되며, 새로운 TensorFlow 버전 출시와 동시에 업데이트될 예정입니다: https://github.com/hzy46/Deep-Learning-21-Examples.

이 책의 코드에 권장되는 운영 환경은 Ubuntu14.04, Python2.7, TensorFlow1.4.0입니다. 이 책의 코드를 실행하려면 Unix 계열 시스템과 Python2를 사용해보세요.

이 책의 주요 내용

이 책은 총 21개의 장으로 구성되어 있으며, 내용은 다음과 같이 구성되어 있습니다.

1장부터 11장까지는 주로 Deep Convolutional Neural 관련 프로젝트를 소개합니다. 그 중 1장부터 3장은 소개 장으로, 딥러닝에서 가장 기본적인 이미지 인식 문제를 주로 논의합니다. 4~7장에서는 대상 인식, 얼굴 인식, 이미지 스타일 전송 등과 같은 기타 컴퓨터 비전 관련 실제 사례를 논의합니다. 마지막으로 8~11장에서는 GAN 모델과 몇 가지 중요한 변형을 소개합니다.

12장부터 17장까지는 주로 RNN과 LSTM 관련 프로젝트를 소개한다. 일반적으로 시퀀스 데이터를 처리하는 데는 RNN과 LSTM이 사용되는데, 여기 12장에서는 RNN과 LSTM - CharRNN의 원리와 구현 방법, 적용 예를 자세히 소개하는 입문 장이다. 13~17장에서는 시퀀스 분류, 단어 임베딩 표현, 시계열 예측, 기계 번역 등과 같은 좀 더 복잡하고 구체적인 사례를 논의합니다.

18장부터 21장까지는 주로 강화학습과 관련된 프로젝트를 소개한다. 기본적으로 18장과 19장은 상대적으로 간단한 QLearning 및 SARSA 알고리즘을 각각 소개하고 20장과 21장은 보다 복잡한 DQN 및 정책 그라데이션 알고리즘을 소개합니다.

이 책을 읽는 방법

이 책을 읽기 전에 독자는 리눅스 시스템의 기본 동작을 이해하고 간단한 프로그래밍을 위해 파이썬을 사용할 수 있어야 하며, 기본적인 머신러닝 지식도 갖추고 있어야 한다. 이 책의 장 구성은 딥러닝에 대한 독자의 이해를 바탕으로 구성되었으므로, 초보자는 앞에서 뒤로 읽는 것이 좋습니다. 딥러닝과 텐서플로우 둘 다 이해하기 쉽지 않기 때문에 독자들에게 이 책을 여러 번 읽어보시길 권합니다.

처음으로 책을 간략하게 살펴보면서 어떤 실용적인 프로젝트가 책에 포함되어 있는지 살펴보세요. 기본 개념에 대한 사전 이해가 완료되면 개발 환경 구성을 시도해 볼 수 있습니다.

두 번째에는 각 장의 알고리즘 원리를 앞에서 뒤로 읽고 그에 맞는 실무 프로젝트를 실행해 보세요. 이 과정에서 독자들이 직접 해보는 과정에서 배움의 즐거움을 찾을 수 있기를 바란다. 독자는 책에 나온 소스코드와 내용을 비교하여 각 모델의 세부 사항을 심도 있게 학습할 수 있으며, 필요에 따라 코드를 수정할 수도 있습니다. 이 책에서는 TensorFlow의 많은 기능을 다룰 것입니다. 공간의 제약으로 인해 모든 기능을 소개하는 것은 불가능합니다. 더 중요한 기능만 책에서 소개합니다. 독자는 TensorFlow의 공식 문서를 참조하여 기능을 볼 수 있습니다. 다른 기능의 설명합니다.

세 번째로 필요에 따라 소스 프로그램에 대한 관련 장을 읽으십시오. 또한 독자들은 이 장의 마지막 부분에 있는 확장 읽기 자료를 참조하여 추가 연구를 수행할 수도 있습니다. 마지막으로, 딥러닝과 TensorFlow에 능숙하다면 필요에 따라 관련 장으로 바로 건너뛰어 필요한 콘텐츠를 확인할 수 있습니다.

감사의 말

먼저, 저를 키워주신 부모님께 감사드리며, 부모님이 항상 건강하시고 행복하시길 바라는 것이 저의 가장 큰 소망입니다.

인터넷 시대 덕분에, 인터넷상의 수많은 뛰어난 개발자들과 블로거들 덕분에, 그리고 우리가 시대의 가장 첨단 기술을 따라잡으며 사회 발전에 조금씩 기여할 수 있는 Google의 오픈 소스 정신 덕분입니다. 기술의 발전.

또한 이 책에 관심을 가져주시고 관심을 가져주신 Electronic Industry Press에도 진심으로 감사드립니다. Electronic Industry Press의 Sun Xueying 여사 덕분에 그녀의 열정적인 승진 덕분에 마침내 저는 Electronic Industry Press와 협력하게 되었습니다. 편집자 Sun Yadong님께 감사드립니다. 이 책에 대한 그의 관심과 진심 어린 제안은 저에게 집필 과정에 큰 도움이 되었습니다.

마지막으로 이 책에 대해 귀중한 논평을 해준 동급생 Liu Jingyuan에게 감사의 말씀을 전하고 싶습니다.

제 수준의 한계로 인해 책에 부족한 점과 오류가 있을 수 있으니, 전문가와 독자 여러분의 비판과 정정을 부탁드립니다. 저와 기술적인 교류를 원하시면 hzydl21@163.com으로 피드백 이메일을 보내시거나 Zhihu(https://www.zhihu.com/people/he-zhi-yuan-16)에서 저를 찾으실 수 있습니다. / 또한 북프렌즈 포럼 http://forum.broadview.com.cn을 방문하실 수도 있습니다.

허 지위안

2018년 1월 1일