全部
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年08月
定 价：168.00
I S B N ：9787115461476
所属分类： 专业科技 > 计算机/网络 > 人工智能
标 签：
《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。
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。
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
译者序青山遮不住，毕竟东流去
深度学习这个术语自2006年被正式提出后，在最近10年得到了巨大发展。它使人工智能(AI)产生了革命性的突破，让我们切实地领略到人工智能给人类生活带来改变的潜力。2016年12月，MIT出版社出版了IanGoodfellow、YoshuaBengio和AaronCourville三位学者撰写的《DeepLearning》一书。三位作者一直耕耘于机器学习领域的前沿，引领了深度学习的发展潮流，是深度学习众多方法的主要贡献者。该书正应其时，一经出版就风靡全球。
该书包括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。因此，该书适用于不同层次的读者。我本人在阅读该书时受到启发良多，大有裨益，并采用该书作为教材在北京大学讲授深度学习课程。
这是一本涵盖深度学习技术细节的教科书，它告诉我们深度学习集技术、科学与艺术于一体，牵涉统计、优化、矩阵、算法、编程、分布式计算等多个领域。书中同时也蕴含了作者对深度学习的理解和思考，处处闪烁着深刻的思想，耐人回味。第1章关于深度学习的思想、历史发展等论述尤为透彻而精辟。
作者在书中写到：“人工智能的真正挑战在于解决那些对人来说很容易执行、但很难形式化描述的任务，比如识别人们所说的话或图像中的脸。对于这些问题，我们人类往往可以凭直觉轻易地解决”。为了应对这些挑战，他们提出让计算机从经验中学习，并根据层次化的概念体系来理解世界，而每个概念通过与某些相对简单的概念之间的关系来定义。由此，作者给出了深度学习的定义：“层次化的概念让计算机构建较简单的概念来学习复杂概念。如果绘制出表示这些概念如何建立在彼此之上的一幅图，我们将得到一张‘深’(层次很多)的图。由此，我们称这种方法为AI深度学习(deeplearning)”。
作者指出：“一般认为，到目前为止深度学习已经经历了三次发展浪潮：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，20世纪80年代到90年代深度学习以联结主义(connectionism)为代表，而从2006年开始，以深度学习之名复兴”。
谈到深度学习与脑科学或者神经科学的关系，作者强调：“如今神经科学在深度学习研究中的作用被削弱，主要原因是我们根本没有足够的关于大脑的信息作为指导去使用它。要获得对被大脑实际使用算法的深刻理解，我们需要有能力同时监测(至少是)数千相连神经元的活动。我们不能够做到这一点，所以我们甚至连大脑最简单、最深入研究的部分都还远远没有理解”。值得注意的是，我国有些专家热衷倡导人工智能与脑科学或认知学科的交叉研究，推动国家在所谓的“类脑智能”等领域投入大量资源。且不论我国是否真有同时精通人工智能和脑科学或认知心理学的学者，至少对交叉领域，我们都应该怀着务实、理性的求是态度。唯有如此，我们才有可能在这一波人工智能发展浪潮中有所作为，而不是又成为一群观潮人。
作者进一步指出：“媒体报道经常强调深度学习与大脑的相似性。的确，深度学习研究者比其他机器学习领域(如核方法或贝叶斯统计)的研究者更可能地引用大脑作为参考，但大家不应该认为深度学习在尝试模拟大脑。现代深度学习从许多领域获取灵感，特别是应用数学的基本内容如线性代数、概率论、信息论和数值优化。尽管一些深度学习的研究人员引用神经科学作为重要的灵感来源，然而其他学者完全不关心神经科学”。的确，对于广大青年学者和一线的工程师来说，我们是可以完全不用因为不懂神经(或脑)科学而对深度学习、人工智能踯躅不前。数学模型、计算方法和应用驱动才是我们研究人工智能的可行之道。深度学习和人工智能不是飘悬在我们头顶的框架，而是立足于我们脚下的技术。我们诚然可以从哲学层面或角度来欣赏科学与技术，但过度地从哲学层面来研究科学问题只会导致一些空洞的名词。
关于人工神经网络在20世纪90年代中期的衰落，作者分析到：“基于神经网络和其他AI技术的创业公司开始寻求投资，其做法野心勃勃但不切实际。当AI研究不能实现这些不合理的期望时，投资者感到失望。同时，机器学习的其他领域取得了进步。比如，核方法和图模型都在很多重要任务上实现了很好的效果。这两个因素导致了神经网络热潮的第二次衰退，并一直持续到2007年”。“其兴也悖焉，其亡也忽焉”。这个教训也同样值得当今基于深度学习的创业界、工业界和学术界等警醒。
我非常荣幸获得人民邮电出版社王峰松先生的邀请来负责该书的中文翻译。我是2016年7月收到王先生的邀请，但那时我正忙于找工作，无暇顾及。然而，当我和我的学生讨论翻译事宜时，他们一致认为这是一件非常有意义的事情，表达愿意来承担。译稿是由我的四位学生赵申剑、黎彧君、符天凡和李凯独立完成的。申剑和天凡是二年级的硕士生，而李凯和彧君则分别是二年级和三年级的直博生。虽然他们在机器学习领域都还是新人，其知识结构还不全面，但是他们热情高涨、勤于学习、工作专注、执行力极强。他们通过重现书中的算法代码和阅读相关文献来加强理解，在不到三个月的时间就拿出了译著的初稿，之后又经过自校对、交叉校对等环节力图使译著保持正确性和一致性。他们自我协调、主动揽责、相互谦让，他们的责任心和独立工作能力让我倍感欣慰，因而得以从容。
由于我们无论是中文还是英文能力都深感有限，译文恐怕还是有些生硬，我们特别担心未能完整地传达出原作者的真实思想和观点。因此，我们强烈地建议有条件的读者去阅读英文原著，也非常期待大家继续指正译著，以便今后进一步修订完善。我恳请大家多给予4位译者以鼓励。请把你们对译著的批评留给我，这是我作为他们的导师必须要承担的，也是我对王峰松先生的信任做出的承诺。
当初译稿基本完成时，我们决定把它公开在GitHub上，希望通过广大读者的参与来完善译稿。令人惊喜的是，有上百位热心读者给予了大量富有建设性的修改意见，其中有20多位热心读者直接帮助润色校对(详见中文版致谢名单)。可以说，这本译著是大家共同努力的结晶。这些读者来自一线的工程师和在校的学生，从中我领略到了他们对深度学习和机器学习领域的挚爱。更重要的是，我感受到了他们开放、合作和奉献的精神，而这也是推动人工智能发展不可或缺的。因此，我更加坚定地认为中国人工智能发展的希望在于年青学者，唯有他们才能让我国人工智能学科在世界有竞争力和影响力。
江山代有人才出，各领风骚数十年！
张志华代笔2017年5月12日于北大静园六院
装 帧：平装
页 数：500页
开 本：16开
您现在的位置：
