深度学习 花书

图书标准信息

• 作者 [美]Ian、Goodfellow、[加]Yoshua、Bengio、[加]Aaron 著
• 出版社 人民邮电出版社
• 出版时间 2017-08
• 版次 1
• ISBN 9787115461476
• 定价 168.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 500页
• 字数 0.81千字

【内容简介】

　　《深度学习》由全球知名的三位专家IanGoodfellow、YoshuaBengio和AaronCourville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。

 

　　《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。

 

【作者简介】

　　IanGoodfellow，谷歌公司(Google)的研究科学家，2014年蒙特利尔大学机器学习博士。他的研究兴趣涵盖大多数深度学习主题，特别是生成模型以及机器学习的安全和隐私。IanGoodfellow在研究对抗样本方面是一位有影响力的早期研究者，他发明了生成式对抗网络，在深度学习领域贡献卓越。

 

 

　　YoshuaBengio，蒙特利尔大学计算机科学与运筹学系(DIRO)的教授，蒙特利尔学习算法研究所(MILA)的负责人，CIFAR项目的共同负责人，加拿大统计学习算法研究主席。YoshuaBengio的主要研究目标是了解产生智力的学习原则。他还教授“机器学习”研究生课程(IFT6266)，并培养了一大批研究生和博士后。

 

 

　　AaronCourville，蒙特利尔大学计算机科学与运筹学系的助理教授，也是LISA实验室的成员。目前他的研究兴趣集中在发展深度学习模型和方法，特别是开发概率模型和新颖的推断方法。AaronCourville主要专注于计算机视觉应用，在其他领域，如自然语言处理、音频信号处理、语音理解和其他AI相关任务方面也有所研究。

 

 

　　中文版审校者简介

 

　　张志华，北京大学数学科学学院统计学教授，北京大学大数据研究中心和北京大数据研究院数据科学教授，主要从事机器学习和应用统计学的教学与研究工作。

 

 

　　译者简介

 

　　赵申剑，上海交通大学计算机系硕士研究生，研究方向为数值优化和自然语言处理。

 

　　黎彧君，上海交通大学计算机系博士研究生，研究方向为数值优化和强化学习。

 

　　符天凡，上海交通大学计算机系硕士研究生，研究方向为贝叶斯推断。

 

　　李凯，上海交通大学计算机系博士研究生，研究方向为博弈论和强化学习。

 

【目录】

第1章引言1

 

11本书面向的读者7

 

12深度学习的历史趋势8

 

121神经网络的众多名称和命运变迁8

 

122与日俱增的数据量12

 

123与日俱增的模型规模13

 

124与日俱增的精度、复杂度和对现实世界的冲击15

 

第1部分应用数学与机器学习基础

 

第2章线性代数19

 

21标量、向量、矩阵和张量19

 

22矩阵和向量相乘21

 

23单位矩阵和逆矩阵22

 

24线性相关和生成子空间23

 

25范数24

 

26特殊类型的矩阵和向量25

 

27特征分解26

 

28奇异值分解28

 

29Moore-Penrose伪逆28

 

210迹运算29

 

211行列式30

 

212实例：主成分分析30

 

第3章概率与信息论34

 

31为什么要使用概率34

 

32随机变量35

 

33概率分布36

 

331离散型变量和概率质量函数36

 

332连续型变量和概率密度函数36

 

34边缘概率37

 

35条件概率37

 

36条件概率的链式法则38

 

37独立性和条件独立性38

 

38期望、方差和协方差38

 

39常用概率分布39

 

391Bernoulli分布40

 

392Multinoulli分布40

 

393高斯分布40

 

394指数分布和Laplace分布41

 

395Dirac分布和经验分布42

 

396分布的混合42

 

310常用函数的有用性质43

 

311贝叶斯规则45

 

312连续型变量的技术细节45

 

313信息论47

 

314结构化概率模型49

 

第4章数值计算52

 

41上溢和下溢52

 

42病态条件53

 

43基于梯度的优化方法53

 

431梯度之上：Jacobian和Hessian矩阵56

 

44约束优化60

 

45实例：线性最小二乘61

 

第5章机器学习基础63

 

51学习算法63

 

511任务T63

 

512性能度量P66

 

513经验E66

 

514示例：线性回归68

 

52容量、过拟合和欠拟合70

 

521没有免费午餐定理73

 

522正则化74

 

53超参数和验证集76

 

531交叉验证76

 

54估计、偏差和方差77

 

541点估计77

 

542偏差78

 

543方差和标准差80

 

544权衡偏差和方差以最小化均方误差81

 

545一致性82

 

55最大似然估计82

 

551条件对数似然和均方误差84

 

552最大似然的性质84

 

56贝叶斯统计85

 

561最大后验(MAP)估计87

 

57监督学习算法88

 

571概率监督学习88

 

572支持向量机88

 

573其他简单的监督学习算法90

 

58无监督学习算法91

 

581主成分分析92

 

582k-均值聚类94

 

59随机梯度下降94

 

510构建机器学习算法96

 

511促使深度学习发展的挑战96

 

5111维数灾难97

 

5112局部不变性和平滑正则化97

 

5113流形学习99

 

第2部分深度网络：现代实践

 

第6章深度前馈网络105

 

61实例：学习XOR107

 

62基于梯度的学习110

 

621代价函数111

 

622输出单元113

 

63隐藏单元119

 

631整流线性单元及其扩展120

 

632logisticsigmoid与双曲正切函数121

 

633其他隐藏单元122

 

64架构设计123

 

641万能近似性质和深度123

 

642其他架构上的考虑126

 

65反向传播和其他的微分算法126

 

651计算图127

 

652微积分中的链式法则128

 

653递归地使用链式法则来实现反向传播128

 

654全连接MLP中的反向传播计算131

 

655符号到符号的导数131

 

656一般化的反向传播133

 

657实例：用于MLP训练的反向传播135

 

658复杂化137

 

659深度学习界以外的微分137

 

6510高阶微分138

 

66历史小记139

 

第7章深度学习中的正则化141

 

71参数范数惩罚142

 

711L2参数正则化142

 

712L1正则化144

 

72作为约束的范数惩罚146

 

73正则化和欠约束问题147

 

74数据集增强148

 

75噪声鲁棒性149

 

751向输出目标注入噪声150

 

76半监督学习150

 

77多任务学习150

 

78提前终止151

 

79参数绑定和参数共享156

 

791卷积神经网络156

 

710稀疏表示157

 

711Bagging和其他集成方法158

 

712Dropout159

 

713对抗训练165

 

714切面距离、正切传播和流形正切分类器167

 

第8章深度模型中的优化169

 

81学习和纯优化有什么不同169

 

811经验风险最小化169

 

812代理损失函数和提前终止170

 

813批量算法和小批量算法170

 

82神经网络优化中的挑战173

 

821病态173

 

822局部极小值174

 

823高原、鞍点和其他平坦区域175

 

824悬崖和梯度爆炸177

 

825长期依赖177

 

826非精确梯度178

 

827局部和全局结构间的弱对应178

 

828优化的理论限制179

 

83基本算法180

 

831随机梯度下降180

 

832动量181

 

833Nesterov动量183

 

84参数初始化策略184

 

85自适应学习率算法187

 

851AdaGrad187

 

852RMSProp188

 

853Adam189

 

854选择正确的优化算法190

 

86二阶近似方法190

 

861牛顿法190

 

862共轭梯度191

 

863BFGS193

 

87优化策略和元算法194

 

871批标准化194

 

872坐标下降196

 

873Polyak平均197

 

874监督预训练197

 

875设计有助于优化的模型199

 

876延拓法和课程学习199

 

第9章卷积网络201

 

91卷积运算201

 

92动机203

 

93池化207

 

94卷积与池化作为一种无限强的先验210

 

95基本卷积函数的变体211

 

96结构化输出218

 

97数据类型219

 

98高效的卷积算法220

 

99随机或无监督的特征220

 

910卷积网络的神经科学基础221

 

911卷积网络与深度学习的历史226

 

第10章序列建模：循环和递归网络227

 

101展开计算图228

 

102循环神经网络230

 

1021导师驱动过程和输出循环网络232

 

1022计算循环神经网络的梯度233

 

1023作为有向图模型的循环网络235

 

1024基于上下文的RNN序列建模237

 

103双向RNN239

 

104基于编码-解码的序列到序列架构240

 

105深度循环网络242

 

106递归神经网络243

 

107长期依赖的挑战244

 

108回声状态网络245

 

109渗漏单元和其他多时间尺度的策略247

 

1091时间维度的跳跃连接247

 

1092渗漏单元和一系列不同时间尺度247

 

1093删除连接248

 

1010长短期记忆和其他门控RNN248

 

10101LSTM248

 

10102其他门控RNN250

 

1011优化长期依赖251

 

10111截断梯度251

 

10112引导信息流的正则化252

 

1012外显记忆253

 

第11章实践方法论256

 

111性能度量256

 

112默认的基准模型258

 

113决定是否收集更多数据259

 

114选择超参数259

 

1141手动调整超参数259

 

1142自动超参数优化算法262

 

1143网格搜索262

 

1144随机搜索263

 

1145基于模型的超参数优化264

 

115调试策略264

 

116示例：多位数字识别267

 

第12章应用269

 

121大规模深度学习269

 

1211快速的CPU实现269

 

1212GPU实现269

 

1213大规模的分布式实现271

 

1214模型压缩271

 

1215动态结构272

 

1216深度网络的专用硬件实现273

 

122计算机视觉274

 

1221预处理275

 

1222数据集增强277

 

123语音识别278

 

124自然语言处理279

 

1241n-gram280

 

1242神经语言模型281

 

1243高维输出282

 

1244结合n-gram和神经语言模型286

 

1245神经机器翻译287

 

1246历史展望289

 

125其他应用290

 

1251推荐系统290

 

1252知识表示、推理和回答292

 

第3部分深度学习研究

 

第13章线性因子模型297

 

131概率PCA和因子分析297

 

132独立成分分析298

 

133慢特征分析300

 

134稀疏编码301

 

135PCA的流形解释304

 

第14章自编码器306

 

141欠完备自编码器306

 

142正则自编码器307

 

1421稀疏自编码器307

 

1422去噪自编码器309

 

1423惩罚导数作为正则309

 

143表示能力、层的大小和深度310

 

144随机编码器和解码器310

 

145去噪自编码器详解311

 

1451得分估计312

 

1452历史展望314

 

146使用自编码器学习流形314

 

147收缩自编码器317

 

148预测稀疏分解319

 

149自编码器的应用319

 

第15章表示学习321

 

151贪心逐层无监督预训练322

 

1511何时以及为何无监督预训练有效有效323

 

152迁移学习和领域自适应326

 

153半监督解释因果关系329

 

154分布式表示332

 

155得益于深度的指数增益336

 

156提供发现潜在原因的线索337

 

第16章深度学习中的结构化概率模型339

 

161非结构化建模的挑战339

 

162使用图描述模型结构342

 

1621有向模型342

 

1622无向模型344

 

1623配分函数345

 

1624基于能量的模型346

 

1625分离和d-分离347

 

1626在有向模型和无向模型中转换350

 

1627因子图352

 

163从图模型中采样353

 

164结构化建模的优势353

 

165学习依赖关系354

 

166推断和近似推断354

 

167结构化概率模型的深度学习方法355

 

1671实例：受限玻尔兹曼机356

 

第17章蒙特卡罗方法359

 

171采样和蒙特卡罗方法359

 

1711为什么需要采样359

 

1712蒙特卡罗采样的基础359

 

172重要采样360

 

173马尔可夫链蒙特卡罗方法362

 

174Gibbs采样365

 

175不同的峰值之间的混合挑战365

 

1751不同峰值之间通过回火来混合367

 

1752深度也许会有助于混合368

 

第18章直面配分函数369

 

181对数似然梯度369

 

182随机最大似然和对比散度370

 

183伪似然375

 

184得分匹配和比率匹配376

 

185去噪得分匹配378

 

186噪声对比估计378

 

187估计配分函数380

 

1871退火重要采样382

 

1872桥式采样384

 

第19章近似推断385

 

191把推断视作优化问题385

 

192期望最大化386

 

193最大后验推断和稀疏编码387

 

194变分推断和变分学习389

 

1941离散型潜变量390

 

1942变分法394

 

1943连续型潜变量396

 

1944学习和推断之间的相互作用397

 

195学成近似推断397

 

1951醒眠算法398

 

1952学成推断的其他形式398

 

第20章深度生成模型399

 

201玻尔兹曼机399

 

202受限玻尔兹曼机400

 

2021条件分布401

 

2022训练受限玻尔兹曼机402

 

203深度信念网络402

 

204深度玻尔兹曼机404

 

2041有趣的性质406

 

2042DBM均匀场推断406

 

2043DBM的参数学习408

 

2044逐层预训练408

 

2045联合训练深度玻尔兹曼机410

 

205实值数据上的玻尔兹曼机413

 

2051Gaussian-BernoulliRBM413

 

2052条件协方差的无向模型414

 

206卷积玻尔兹曼机417

 

207用于结构化或序列输出的玻尔兹曼机418

 

208其他玻尔兹曼机419

 

209通过随机操作的反向传播419

 

2091通过离散随机操作的反向传播420

 

2010有向生成网络422

 

20101sigmoid信念网络422

 

20102可微生成器网络423

 

20103变分自编码器425

 

20104生成式对抗网络427

 

20105生成矩匹配网络429

 

20106卷积生成网络430

 

20107自回归网络430

 

20108线性自回归网络430

 

20109神经自回归网络431

 

201010NADE432

 

2011从自编码器采样433

 

20111与任意去噪自编码器相关的马尔可夫链434

 

20112夹合与条件采样434

 

20113回退训练过程435

 

2012生成随机网络435

 

20121判别性GSN436

 

2013其他生成方案436

 

2014评估生成模型437

 

2015结论438

 

参考文献439

 

索引486