以下書況，主觀上皆可閱讀，若收到後不滿意，『都可退書退款』。
書況補充說明: B自然泛黃書斑、髒污。
【購買須知】
（1）照片皆為現貨實際拍攝，請參書況說明。
（2）『賣場標題、內容簡介』為出版社原本資料，若有疑問請留言，但人力有限，恕不提供大量詢問。
（3）『附件或贈品』，不論標題或內容簡介是否有標示，請都以『沒有附件，沒有贈品』為參考。
（4）訂單完成即『無法加購、修改、合併』，請確認品項、優惠後，再下訂結帳。如有疑問請留言告知。
（5）二手書皆為獨立商品，下訂即刪除該品項，故『取消』後無法重新訂購，須等系統安排『2個月後』重新上架。
（6）收到書籍後，若不滿意，或有缺漏，『都可退書退款』。
[商品主貨號] U102389279
[ISBN-13碼] 9787115461476
[ISBN] 7115461473
[作者] （美）伊恩·古德費洛等
[出版社] 人民郵電出版社
[出版日期] 2017/08/01
[裝訂/規格] 500頁 / 普通級 / 1-2
[目錄]
第 1 章 引言 . . . . . . . . . 1
1.1 本書面向的讀者 . . . . . . . . . . . . . . . . . . . .7
1.2 深度學習的歷史趨勢 . . . . . . . . . . . . . . . 8
1.2.1 神經網絡的眾多名稱和命運變遷 . 8
1.2.2 與日俱增的數據量 . . . . . . . . . . . . . 12
1.2.3 與日俱增的模型規模 . . . . . . . . . . .13
1.2.4 與日俱增的精度、復雜度和對現實世界的沖擊. . . . . . . 15
第 1 部分 應用數學與機器學習基礎
第 2 章 線性代數 . . . 19
2.1 標量、向量、矩陣和張量 . . . . . . . . . . 19
2.2 矩陣和向量相乘. . . . . . . . . . . . . . . . . . .21
2.3 單位矩陣和逆矩陣 . . . . . . . . . . . . . . . . 22
2.4 線性相關和生成子空間 . . . . . . . . . . . 23
2.5 范數. . . . . . . . .24
2.6 特殊類型的矩陣和向量 . . . . . . . . . . . 25
2.7 特征分解 . . . . 26
2.8 奇異值分解 . . . . . . . . . . . . . . . . . . . . . . . 28
2.9 Moore-Penrose 偽逆 . . . . . . . . . . . . . . . 28
2.10 跡運算 . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.11 行列式 . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.12 實例：主成分分析. . . . . . . . . . . . . . . .30
第 3 章 概率與信息論. . . . . . . . . . . . . . . . . . . . .34
3.1 為什麼要使用概率 . . . . . . . . . . . . . . . . 34
3.2 隨機變量 . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 概率分布 . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.1 離散型變量和概率質量函數 . . . . 36
3.3.2 連續型變量和概率密度函數 . . . . 36
3.4 邊緣概率 . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.5 條件概率 . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.6 條件概率的鏈式法則 . . . . . . . . . . . . . . 38
3.7 獨立性和條件獨立性 . . . . . . . . . . . . . . 38
3.8 期望、方差和協方差 . . . . . . . . . . . . . . 38
3.9 常用概率分布 . . . . . . . . . . . . . . . . . . . . . 39
3.9.1 Bernoulli 分布 . . . . . . . . . . . . . . . . 40
3.9.2 Multinoulli 分布 . . . . . . . . . . . . . . 40
3.9.3 高斯分布 . . . . . . . . . . . . . . . . . . . . . 40
3.9.4 指數分布和 Laplace 分布 . . . . . . 41
3.9.5 Dirac 分布和經驗分布 . . . . . . . . . 42
3.9.6 分布的混合 . . . . . . . . . . . . . . . . . . . 42
3.10 常用函數的有用性質. . . . . . . . . . . . .43
3.11 貝葉斯規則 . . . . . . . . . . . . . . . . . . . . . . 45
3.12 連續型變量的技術細節 . . . . . . . . . . 45
3.13 信息論 . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.14 結構化概率模型 . . . . . . . . . . . . . . . . . 49
第 4 章 數值計算 . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.1 上溢和下溢 . . . . . . . . . . . . . . . . . . . . . . . 52
4.2 病態條件 . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.3 基於梯度的優化方法 . . . . . . . . . . . . . . 53
4.3.1 梯度之上：Jacobian 和 Hessian 矩陣. . . . . . . . . . 56
4.4 約束優化 . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.5 實例：線性最小二乘 . . . . . . . . . . . . . . 61
第 5 章 機器學習基礎. . . . . . . . . . . . . . . . . . . . .63
5.1 學習算法 . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.1.1 任務 T . . . . . . . . . . . . . . . . . . . . . . 63
5.1.2 性能度量 P . . . . . . . . . . . . . . . . . . . 66
5.1.3 經驗 E . . . . . . . . . . . . . . . . . . . . . . . 66
5.1.4 示例：線性回歸 . . . . . . . . . . . . . . . 68
5.2 容量、過擬合和欠擬合 . . . . . . . . . . . . 70
5.2.1 沒有免費午餐定理 . . . . . . . . . . . . . 73
5.2.2 正則化 . . . . . . . . . . . . . . . . . . . . . . . 74
5.3 超參數和驗證集. . . . . . . . . . . . . . . . . . .76
5.3.1 交叉驗證 . . . . . . . . . . . . . . . . . . . . . 76
5.4 估計、偏差和方差. . . . . . . . . . . . . . . . .77
5.4.1 點估計 . . . . . . . . . . . . . . . . . . . . . . . 77
5.4.2 偏差 . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.4.3 方差和標准差 . . . . . . . . . . . . . . . . . 80
5.4.4 權衡偏差和方差以最小化均方誤差. . . . . . . . . . 81
5.4.5 一致性 . . . . . . . . . . . . . . . . . . . . . . . 82
5.5 最 大似然估計 . . . . . . . . . . . . . . . . . . . . . 82
5.5.1 條件對數似然和均方誤差. . . . . . .84
5.5.2 最 大似然的性質 . . . . . . . . . . . . . . . 84
5.6 貝葉斯統計 . . . . . . . . . . . . . . . . . . . . . . . 85
5.6.1 最 大后驗 (MAP) 估計 . . . . . . . . . 87
5.7 監督學習算法 . . . . . . . . . . . . . . . . . . . . . 88
5.7.1 概率監督學習 . . . . . . . . . . . . . . . . . 88
5.7.2 支持向量機 . . . . . . . . . . . . . . . . . . . 88
5.7.3 其他簡單的監督學習算法. . . . . . .90
5.8 無監督學習算法. . . . . . . . . . . . . . . . . . .91
5.8.1 主成分分析 . . . . . . . . . . . . . . . . . . . 92
5.8.2 k-均值聚類 . . . . . . . . . . . . . . . . . . . .94
5.9 隨機梯度下降 . . . . . . . . . . . . . . . . . . . . . 94
5.10 構建機器學習算法 . . . . . . . . . . . . . . . 96
5.11 促使深度學習發展的挑戰 . . . . . . . . 96
5.11.1 維數災難 . . . . . . . . . . . . . . . . . . . . 97
5.11.2 局部不變性和平滑正則化 . . . . . 97
5.11.3 流形學習 . . . . . . . . . . . . . . . . . . . . 99
第 2 部分 深度網絡：現代實踐
第 6 章 深度前饋網絡 . . . . . . . . . . . . . . . . . . . 105
6.1 實例：學習 XOR. . . . . . . . . . . . . . . . . 107
6.2 基於梯度的學習 . . . . . . . . . . . . . . . . . 110
6.2.1 代價函數 . . . . . . . . . . . . . . . . . . . . 111
6.2.2 輸出單元 . . . . . . . . . . . . . . . . . . . . 113
6.3 隱藏單元. . . . . . . . . . . . . . . . . . . . . . . . .119
6.3.1 整流線性單元及其擴展 . . . . . . . 120
6.3.2 logistic sigmoid 與雙曲正切函數. . . . . . . . . . . . 121
6.3.3 其他隱藏單元 . . . . . . . . . . . . . . . . 122
6.4 架構設計. . . . . . . . . . . . . . . . . . . . . . . . .123
6.4.1 萬能近似性質和深度. . . . . . . . . .123
6.4.2 其他架構上的考慮 . . . . . . . . . . . .126
6.5 反向傳播和其他的微分算法. . . . . .126
6.5.1 計算圖 . . . . . . . . . . . . . . . . . . . . . . 127
6.5.2 微積分中的鏈式法則. . . . . . . . . .128
6.5.3 遞歸地使用鏈式法則來實現反向傳播 . . . . . . . . . . . . . 128
6.5.4 全連接 MLP 中的反向傳播計算. . . . . . . . . . . . . . 131
6.5.5 符號到符號的導數 . . . . . . . . . . . .131
6.5.6 一般化的反向傳播 . . . . . . . . . . . .133
6.5.7 實例：用於 MLP 訓練的反向傳播. . . . . . . . . .135
6.5.8 復雜化 . . . . . . . . . . . . . . . . . . . . . . 137
6.5.9 深度學習界以外的微分 . . . . . . . 137
6.5.10 高階微分 . . . . . . . . . . . . . . . . . . . 138
6.6 歷史小記. . . . . . . . . . . . . . . . . . . . . . . . .139
第 7 章 深度學習中的正則化 . . . . . . . . . . . . 141
7.1 參數范數懲罰 . . . . . . . . . . . . . . . . . . . . 142
7.1.1 L2 參數正則化 . . . . . . . . . . . . . . . 142
7.1.2 L1 正則化 . . . . . . . . . . . . . . . . . . . 144
7.2 作為約束的范數懲罰. . . . . . . . . . . . .146
7.3 正則化和欠約束問題. . . . . . . . . . . . .147
7.4 數據集增強 . . . . . . . . . . . . . . . . . . . . . . 148
7.5 噪聲魯棒性 . . . . . . . . . . . . . . . . . . . . . . 149
7.5.1 向輸出目標注入噪聲. . . . . . . . . .150
7.6 半監督學習 . . . . . . . . . . . . . . . . . . . . . . 150
7.7 多任務學習 . . . . . . . . . . . . . . . . . . . . . . 150
7.8 提前終止. . . . . . . . . . . . . . . . . . . . . . . . .151
7.9 參數綁定和參數共享. . . . . . . . . . . . .156
7.9.1 卷積神經網絡 . . . . . . . . . . . . . . . . 156
7.10 稀疏表示. . . . . . . . . . . . . . . . . . . . . . . .157
7.11 Bagging 和其他集成方法. . . . . . . .158
7.12 Dropout . . . . . . . . . . . . . . . . . . . . . . . . .159
7.13 對抗訓練. . . . . . . . . . . . . . . . . . . . . . . .165
7.14 切面距離、正切傳播和流形正切分類器. . . . . . . . . . 167
第 8 章 深度模型中的優化. . . . . . . . . . . . . . .169
8.1 學習和純優化有什麼不同 . . . . . . . . 169
8.1.1 經驗風險最小化 . . . . . . . . . . . . . . 169
8.1.2 代理損失函數和提前終止 . . . . . 170
8.1.3 批量算法和小批量算法 . . . . . . . 170
8.2 神經網絡優化中的挑戰 . . . . . . . . . . 173
8.2.1 病態 . . . . . . . . . . . . . . . . . . . . . . . . 173
8.2.2 局部極小值 . . . . . . . . . . . . . . . . . . 174
8.2.3 高原、鞍點和其他平坦區域 . . . .175
8.2.4 懸崖和梯度爆炸 . . . . . . . . . . . . . . 177
8.2.5 長期依賴 . . . . . . . . . . . . . . . . . . . . 177
8.2.6 非精確梯度 . . . . . . . . . . . . . . . . . . 178
8.2.7 局部和全局結構間的弱對應 . . . 178
8.2.8 優化的理論限制 . . . . . . . . . . . . . . 179
8.3 基本算法. . . . . . . . . . . . . . . . . . . . . . . . .180
8.3.1 隨機梯度下降 . . . . . . . . . . . . . . . . 180
8.3.2 動量 . . . . . . . . . . . . . . . . . . . . . . . . 181
8.3.3 Nesterov 動量. . . . . . . . . . . . . . . .183
8.4 參數初始化策略 . . . . . . . . . . . . . . . . . 184
8.5 自適應學習率算法 . . . . . . . . . . . . . . . 187
8.5.1 AdaGrad . . . . . . . . . . . . . . . . . . . 187
8.5.2 RMSProp . . . . . . . . . . . . . . . . . . . 188
8.5.3 Adam . . . . . . . . . . . . . . . . . . . . . . . 189
8.5.4 選擇正確的優化算法. . . . . . . . . .190
8.6 二階近似方法 . . . . . . . . . . . . . . . . . . . . 190
8.6.1 牛頓法 . . . . . . . . . . . . . . . . . . . . . . 190
8.6.2 共軛梯度 . . . . . . . . . . . . . . . . . . . . 191
8.6.3 BFGS. . . . . . . . . . . . . . . . . . . . . . . 193
8.7 優化策略和元算法 . . . . . . . . . . . . . . . 194
8.7.1 批標准化 . . . . . . . . . . . . . . . . . . . . 194
8.7.2 坐標下降 . . . . . . . . . . . . . . . . . . . . 196
8.7.3 Polyak 平均 . . . . . . . . . . . . . . . . . 197
8.7.4 監督預訓練 . . . . . . . . . . . . . . . . . . 197
8.7.5 設計有助於優化的模型 . . . . . . . 199
8.7.6 延拓法和課程學習 . . . . . . . . . . . .199
第 9 章 卷積網絡 . . . . . . . . . . . . . . . . . . . . . . . . 201
9.1 卷積運算. . . . . . . . . . . . . . . . . . . . . . . . .201
9.2 動機 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
9.3 池化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
9.4 卷積與池化作為一種無限強的先驗. . . . . . . . . . . . . 210
9.5 基本卷積函數的變體. . . . . . . . . . . . .211
9.6 結構化輸出 . . . . . . . . . . . . . . . . . . . . . . 218
9.7 數據類型. . . . . . . . . . . . . . . . . . . . . . . . .219
9.8 高效的卷積算法 . . . . . . . . . . . . . . . . . 220
9.9 隨機或無監督的特征. . . . . . . . . . . . .220
9.10 卷積網絡的神經科學基礎 . . . . . . . 221
9.11 卷積網絡與深度學習的歷史 . . . . 226
第 10 章 序列建模：循環和遞歸網絡 . . . . 227
10.1 展開計算圖 . . . . . . . . . . . . . . . . . . . . . 228
10.2 循環神經網絡 . . . . . . . . . . . . . . . . . . .230
10.2.1 導師驅動過程和輸出循環網絡 232
10.2.2 計算循環神經網絡的梯度 . . . . 233
10.2.3 作為有向圖模型的循環網絡 . . 235
10.2.4 基於上下文的 RNN 序列建模 237
10.3 雙向 RNN . . . . . . . . . . . . . . . . . . . . . . 239
10.4 基於編碼 - 解碼的序列到序列架構. . . . . . 240
10.5 深度循環網絡 . . . . . . . . . . . . . . . . . . .242
10.6 遞歸神經網絡 . . . . . . . . . . . . . . . . . . .243
10.7 長期依賴的挑戰 . . . . . . . . . . . . . . . . 244
10.8 回聲狀態網絡 . . . . . . . . . . . . . . . . . . .245
10.9 滲漏單元和其他多時間尺度的策略. . . . . . . . . . . 247
10.9.1 時間維度的跳躍連接. . . . . . . . .247
10.9.2 滲漏單元和一系列不同時間尺度. . . . . . . . . . . . 247
10.9.3 刪除連接 . . . . . . . . . . . . . . . . . . . 248
10.10 長短期記憶和其他門控 RNN . 248
10.10.1 LSTM . . . . . . . . . . . . . . . . . . . . 248
10.10.2 其他門控 RNN. . . . . . . . . . . . .250
10.11 優化長期依賴. . . . . . . . . . . . . . . . . .251
10.11.1 截斷梯度 . . . . . . . . . . . . . . . . . . 251
10.11.2 引導信息流的正則化 . . . . . . . 252
10.12 外顯記憶 . . . . . . . . . . . . . . . . . . . . . . 253
第 11 章 實踐方法論 . . . . . . . . . . . . . . . . . . . . 256
11.1 性能度量. . . . . . . . . . . . . . . . . . . . . . . .256
11.2 默認的基准模型 . . . . . . . . . . . . . . . . 258
11.3 決定是否收集更多數據 . . . . . . . . . 259
11.4 選擇超參數 . . . . . . . . . . . . . . . . . . . . . 259
11.4.1 手動調整超參數 . . . . . . . . . . . . .259
11.4.2 自動超參數優化算法. . . . . . . . .262
11.4.3 網格搜索 . . . . . . . . . . . . . . . . . . . 262
11.4.4 隨機搜索 . . . . . . . . . . . . . . . . . . . 263
11.4.5 基於模型的超參數優化 . . . . . . 264
11.5 調試策略. . . . . . . . . . . . . . . . . . . . . . . .264
11.6 示例：多位數字識別 . . . . . . . . . . . . 267
第 12 章 應用. . . . . . . . . . . . . . . . . . . . . . . . . . . .269
12.1 大規模深度學習 . . . . . . . . . . . . . . . . 269
12.1.1 快速的 CPU 實現 . . . . . . . . . . . 269
12.1.2 GPU 實現 . . . . . . . . . . . . . . . . . . 269
12.1.3 大規模的分布式實現. . . . . . . . .271
12.1.4 模型壓縮 . . . . . . . . . . . . . . . . . . . 271
12.1.5 動態結構 . . . . . . . . . . . . . . . . . . . 272
12.1.6 深度網絡的專用硬件實現 . . . . 273
12.2 計算機視覺 . . . . . . . . . . . . . . . . . . . . . 274
12.2.1 預處理 . . . . . . . . . . . . . . . . . . . . . 275
12.2.2 數據集增強 . . . . . . . . . . . . . . . . . 277
12.3 語音識別. . . . . . . . . . . . . . . . . . . . . . . .278
12.4 自然語言處理 . . . . . . . . . . . . . . . . . . .279
12.4.1 n-gram . . . . . . . . . . . . . . . . . . . . .280
12.4.2 神經語言模型 . . . . . . . . . . . . . . . 281
12.4.3 高維輸出 . . . . . . . . . . . . . . . . . . . 282
12.4.4 結合 n-gram 和神經語言模型 286
12.4.5 神經機器翻譯 . . . . . . . . . . . . . . . 287
12.4.6 歷史展望 . . . . . . . . . . . . . . . . . . . 289
12.5 其他應用. . . . . . . . . . . . . . . . . . . . . . . .290
12.5.1 推薦系統 . . . . . . . . . . . . . . . . . . . 290
12.5.2 知識表示、推理和回答 . . . . . . . 292
第 3 部分 深度學習研究
第 13 章 線性因子模型 . . . . . . . . . . . . . . . . . . 297
13.1 概率 PCA 和因子分析 . . . . . . . . . . 297
13.2 獨立成分分析 . . . . . . . . . . . . . . . . . . .298
13.3 慢特征分析 . . . . . . . . . . . . . . . . . . . . . 300
13.4 稀疏編碼. . . . . . . . . . . . . . . . . . . . . . . .301
13.5 PCA 的流形解釋 . . . . . . . . . . . . . . . 304
第 14 章 自編碼器 . . . . . . . . . . . . . . . . . . . . . . . 306
14.1 欠完備自編碼器 . . . . . . . . . . . . . . . . 306
14.2 正則自編碼器 . . . . . . . . . . . . . . . . . . .307
14.2.1 稀疏自編碼器 . . . . . . . . . . . . . . . 307
14.2.2 去噪自編碼器 . . . . . . . . . . . . . . . 309
14.2.3 懲罰導數作為正則. . . . . . . . . . .309
14.3 表示能力、層的大小和深度 . . . . . 310
14.4 隨機編碼器和解碼器. . . . . . . . . . . .310
14.5 去噪自編碼器詳解 . . . . . . . . . . . . . . 311
14.5.1 得分估計 . . . . . . . . . . . . . . . . . . . 312
14.5.2 歷史展望 . . . . . . . . . . . . . . . . . . . 314
14.6 使用自編碼器學習流形 . . . . . . . . . 314
14.7 收縮自編碼器 . . . . . . . . . . . . . . . . . . .317
14.8 預測稀疏分解 . . . . . . . . . . . . . . . . . . .319
14.9 自編碼器的應用 . . . . . . . . . . . . . . . . 319
第 15 章 表示學習 . . . . . . . . . . . . . . . . . . . . . . . 321
15.1 貪心逐層無監督預訓練 . . . . . . . . . 322
15.1.1 何時以及為何無監督預訓練有效有效. . . . . . 323
15.2 遷移學習和領域自適應 . . . . . . . . . 326
15.3 半監督解釋因果關系. . . . . . . . . . . .329
15.4 分布式表示 . . . . . . . . . . . . . . . . . . . . . 332
15.5 得益於深度的指數增益 . . . . . . . . . 336
15.6 提供發現潛在原因的線索 . . . . . . . 337
第 16 章 深度學習中的結構化概率模型 . 339
16.1 非結構化建模的挑戰. . . . . . . . . . . .339
16.2 使用圖描述模型結構. . . . . . . . . . . .342
16.2.1 有向模型 . . . . . . . . . . . . . . . . . . . 342
16.2.2 無向模型 . . . . . . . . . . . . . . . . . . . 344
16.2.3 配分函數 . . . . . . . . . . . . . . . . . . . 345
16.2.4 基於能量的模型 . . . . . . . . . . . . .346
16.2.5 分離和 d-分離 . . . . . . . . . . . . . . .347
16.2.6 在有向模型和無向模型中轉換 350
16.2.7 因子圖 . . . . . . . . . . . . . . . . . . . . . 352
16.3 從圖模型中采樣 . . . . . . . . . . . . . . . . 353
16.4 結構化建模的優勢 . . . . . . . . . . . . . . 353
16.5 學習依賴關系 . . . . . . . . . . . . . . . . . . .354
16.6 推斷和近似推斷 . . . . . . . . . . . . . . . . 354
16.7 結構化概率模型的深度學習方法. . . . . . . . . . . .355
16.7.1 實例：受限玻爾茲曼機 . . . . . . . 356
第 17 章 蒙特卡羅方法 . . . . . . . . . . . . . . . . . . 359
17.1 采樣和蒙特卡羅方法. . . . . . . . . . . .359
17.1.1 為什麼需要采樣 . . . . . . . . . . . . .359
17.1.2 蒙特卡羅采樣的基礎. . . . . . . . .359
17.2 重要采樣. . . . . . . . . . . . . . . . . . . . . . . .360
17.3 馬爾可夫鏈蒙特卡羅方法 . . . . . . . 362
17.4 Gibbs 采樣. . . . . . . . . . . . . . . . . . . . . .365
17.5 不同的峰值之間的混合挑戰 . . . . 365
17.5.1 不同峰值之間通過回火來混合 367
17.5.2 深度也許會有助於混合 . . . . . . 368
第 18 章 直面配分函數 . . . . . . . . . . . . . . . . . . 369
18.1 對數似然梯度 . . . . . . . . . . . . . . . . . . .369
18.2 隨機最 大似然和對比散度 . . . . . . . 370
18.3 偽似然 . . . . . . . . . . . . . . . . . . . . . . . . . . 375
18.4 得分匹配和比率匹配. . . . . . . . . . . .376
18.5 去噪得分匹配 . . . . . . . . . . . . . . . . . . .378
18.6 噪聲對比估計 . . . . . . . . . . . . . . . . . . .378
18.7 估計配分函數 . . . . . . . . . . . . . . . . . . .380
18.7.1 退火重要采樣 . . . . . . . . . . . . . . . 382
18.7.2 橋式采樣 . . . . . . . . . . . . . . . . . . . 384
第 19 章 近似推斷 . . . . . . . . . . . . . . . . . . . . . . . 385
19.1 把推斷視作優化問題. . . . . . . . . . . .385
19.2 期望最 大化 . . . . . . . . . . . . . . . . . . . . . 386
19.3 最 大后驗推斷和稀疏編碼 . . . . . . . 387
19.4 變分推斷和變分學習. . . . . . . . . . . .389
19.4.1 離散型潛變量 . . . . . . . . . . . . . . . 390
19.4.2 變分法 . . . . . . . . . . . . . . . . . . . . . 394
19.4.3 連續型潛變量 . . . . . . . . . . . . . . . 396
19.4.4 學習和推斷之間的相互作用 . . 397
19.5 學成近似推斷 . . . . . . . . . . . . . . . . . . .397
19.5.1 醒眠算法 . . . . . . . . . . . . . . . . . . . 398
19.5.2 學成推斷的其他形式. . . . . . . . .398
第 20 章 深度生成模型 . . . . . . . . . . . . . . . . . . 399
20.1 玻爾茲曼機 . . . . . . . . . . . . . . . . . . . . . 399
20.2 受限玻爾茲曼機 . . . . . . . . . . . . . . . . 400
20.2.1 條件分布 . . . . . . . . . . . . . . . . . . . 401
20.2.2 訓練受限玻爾茲曼機. . . . . . . . .402
20.3 深度信念網絡 . . . . . . . . . . . . . . . . . . .402
20.4 深度玻爾茲曼機 . . . . . . . . . . . . . . . . 404
20.4.1 有趣的性質 . . . . . . . . . . . . . . . . . 406
20.4.2 DBM 均勻場推斷 . . . . . . . . . . . 406
20.4.3 DBM 的參數學習 . . . . . . . . . . . 408
20.4.4 逐層預訓練 . . . . . . . . . . . . . . . . . 408
20.4.5 聯合訓練深度玻爾茲曼機 . . . . 410
20.5 實值數據上的玻爾茲曼機 . . . . . . . 413
20.5.1 Gaussian-Bernoulli RBM . . . . 413
20.5.2 條件協方差的無向模型 . . . . . . 414
20.6 卷積玻爾茲曼機 . . . . . . . . . . . . . . . . 417
20.7 用於結構化或序列輸出的玻爾茲曼機. . . . . . . . 418
20.8 其他玻爾茲曼機 . . . . . . . . . . . . . . . . 419
20.9 通過隨機操作的反向傳播 . . . . . . . 419
20.9.1 通過離散隨機操作的反向傳播 420
20.10 有向生成網絡. . . . . . . . . . . . . . . . . .422
20.10.1 sigmoid 信念網絡 . . . . . . . . . . 422
20.10.2 可微生成器網絡 . . . . . . . . . . . .423
20.10.3 變分自編碼器 . . . . . . . . . . . . . .425
20.10.4 生成式對抗網絡 . . . . . . . . . . . .427
20.10.5 生成矩匹配網絡 . . . . . . . . . . . .429
20.10.6 卷積生成網絡 . . . . . . . . . . . . . .430
20.10.7 自回歸網絡 . . . . . . . . . . . . . . . . 430
20.10.8 線性自回歸網絡 . . . . . . . . . . . .430
20.10.9 神經自回歸網絡 . . . . . . . . . . . .431
20.10.10 NADE . . . . . . . . . . . . . . . . . . . 432
20.11 從自編碼器采樣 . . . . . . . . . . . . . . . 433
20.11.1 與任意去噪自編碼器相關的馬爾可夫鏈 . . . . . . 434
20.11.2 夾合與條件采樣 . . . . . . . . . . . .434
20.11.3 回退訓練過程 . . . . . . . . . . . . . .435
20.12 生成隨機網絡. . . . . . . . . . . . . . . . . .435
20.12.1 判別性 GSN . . . . . . . . . . . . . . . 436
20.13 其他生成方案. . . . . . . . . . . . . . . . . .436
20.14 評估生成模型. . . . . . . . . . . . . . . . . .437
20.15 結論 . . . . . 438
參考文獻. . . . . . . . . . . . .439
索引 . . . . . . . . . . . . . . . . . 486
[內容簡介] (出版商制式文字, 不論標題或內容簡介是否有標示, 請都以『沒有附件、沒有贈品』為參考。)
由全球知名的三位專家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰寫，是深度學習領域奠基性的經典教材。
全書包括3個部分：第1部分介紹基本的數學工具和機器學習的概念，它們是深度學習的預備 知識；第2部分系統深入地講解現今已成熟的深度學習方法和技術；第3部分討論某些具有前瞻性的方向和想法，它們被公認為是深度學習未來的研究重點。
《深度學習》適合各類讀者閱讀，包括相關專業的大學生或研究生，以及不具有機器學習或統計背景、但是想要快速補充深度學習知識，以便在實際產品或平台中應用的軟件工程師。
Ian Good fellow，谷歌公司(Google) 的研究科學家，2014 年蒙特利爾大學機器學習博士。他的研究興趣涵蓋大多數深度學習主題，特別是生成模型以及機器學習的安全和隱私。Ian Good fellow 在研究對抗樣本方面是一位有影響力的早期研究者，他發明了生成式對抗網絡，在深度學習領域貢獻卓越。
Yoshua Bengio，蒙特利爾大學計算機科學與運籌學系(DIRO) 的教授，蒙特利爾學習算法研究所(MILA) 的負責人，CIFAR 項目的共同負責人，加拿大統計學習算法研究主席。Yoshua Bengio 的主要研究目標是了解產生智力的學習原則。他還教授「機器學習」研究生課程(IFT6266)，並培養了一大批研究生和博士后。
Aaron Courville，蒙特利爾大學計算機科學與運籌學系的助理教授，也是LISA 實驗室的成員。目前他的研究興趣集中在發展深度學習模型和方法，特別是開發概率模型和新穎的推斷方法。Aaron Courville 主要專注於計算機視覺應用，在其他領域，如自然語言處理、音頻信號處理、語音理解和其他AI 相關任務方面也有所研究。)
-----------------------------------------------------------
分享閱讀 書籍狀態請詳看圖示
購物車(
我的訂單
