作者:(美)伊恩·古德费洛//(加)约书亚·本吉奥//亚伦·库维尔
译者:赵申剑//黎彧君//符天凡//李凯
ISBN：9787115461476
单价：168.0
出版年月：2017-08-01 00:00:00.0
出版社：人民邮电出版社
币制：CNY
图书分类：科学技术
分类号： TP181
语种：CHI
页数：500
装帧：平装
开本：16开
评分：4.6
(本馆/总：0/25人荐购)
目录
第1章 引言
1.1 本书面向的读者
1.2 深度学习的历史趋势
1.2.1 神经网络的众多名称和命运变迁
1.2.2 与日俱增的数据量
1.2.3 与日俱增的模型规模
1.2.4 与日俱增的精度、复杂度和对现实世界的冲击
第1部分 应用数学与机器学习基础
第2章 线性代数
2.1 标量、向量、矩阵和张量
2.2 矩阵和向量相乘
2.3 单位矩阵和逆矩阵
2.4 线性相关和生成子空间
2.5 范数
2.6 特殊类型的矩阵和向量
2.7 特征分解
2.8 奇异值分解
2.9 Moore-Penrose伪逆
2.10 迹运算
2.11 行列式
2.12 实例：主成分分析
第3章 概率与信息论
3.1 为什么要使用概率
3.2 随机变量
3.3 概率分布
3.3.1 离散型变量和概率质量函数
3.3.2 连续型变量和概率密度函数
3.4 边缘概率
3.5 条件概率
3.6 条件概率的链式法则
3.7 独立性和条件独立性
3.8 期望、方差和协方差
3.9 常用概率分布
3.9.1 Bernoulli分布
3.9.2 Multinoulli分布
3.9.3 高斯分布
3.9.4 指数分布和Laplace分布
3.9.5 Dirac分布和经验分布
3.9.6 分布的混合
3.10 常用函数的有用性质
3.11 贝叶斯规则
3.12 连续型变量的技术细节
3.13 信息论
3.14 结构化概率模型
第4章 数值计算
4.1 上溢和下溢
4.2 病态条件
4.3 基于梯度的优化方法
4.3.1 梯度之上：Jacobian和Hessian矩阵
4.4 约束优化
4.5 实例：线性最小二乘
第5章 机器学习基础
5.1 学习算法
5.1.1 任务T
5.1.2 性能度量P
5.1.3 经验E
5.1.4 示例：线性回归
5.2 容量、过拟合和欠拟合
5.2.1 没有午餐定理
5.2.2 正则化
5.3 超参数和验证集
5.3.1 交叉验证
5.4 估计、偏差和方差
5.4.1 点估计
5.4.2 偏差
5.4.3 方差和标准差
5.4.4 权衡偏差和方差以最小化均方误差
5.4.5 一致性
5.5 最大似然估计
5.5.1 条件对数似然和均方误差
5.5.2 最大似然的性质
5.6 贝叶斯统计
5.6.1 最大后验（MAP）估计
5.7 监督学习算法
5.7.1 概率监督学习
5.7.2 支持向量机
5.7.3 其他简单的监督学习算法
5.8 无监督学习算法
5.8.1 主成分分析
5.8.2 k均值聚类
5.9 随机梯度下降
5.10 构建机器学习算法
5.11 促使深度学习发展的挑战
5.11.1 维数灾难
5.11.2 局部不变性和平滑正则化
5.11.3 流形学习
第2部分 深度网络：现代实践
第6章 深度前馈网络
6.1 实例：学习XOR
6.2 基于梯度的学习
6.2.1 代价函数
6.2.2 输出单元
6.3 隐藏单元
6.3.1 整流线性单元及其扩展
6.3.2 logistic sigmoid与双曲正切函数
6.3.3 其他隐藏单元
6.4 架构设计
6.4.1 万能近似性质和深度
6.4.2 其他架构上的考虑
6.5 反向传播和其他的微分算法
6.5.1 计算图
6.5.2 微积分中的链式法则
6.5.3 递归地使用链式法则来实现反向传播
6.5.4 全连接MLP中的反向传播计算
6.5.5 符号到符号的导数
6.5.6 一般化的反向传播
6.5.7 实例：用于MLP训练的反向传播
6.5.8 复杂化
6.5.9 深度学习界以外的微分
6.5.10 高阶微分
6.6 历史小记
第7章 深度学习中的正则化
7.1 参数范数惩罚
7.1.1 L2参数正则化
7.1.2 L1正则化
7.2 作为约束的范数惩罚
7.3 正则化和欠约束问题
7.4 数据集增强
7.5 噪声鲁棒性
7.5.1 向输出目标注入噪声
7.6 半监督学习
7.7 多任务学习
7.8 提前终止
7.9 参数绑定和参数共享
7.9.1 卷积神经网络
7.10 稀疏表示
7.11 Bagging和其他集成方法
7.12 Dropout
7.13 对抗训练
7.14 切面距离、正切传播和流形正切分类器
第8章 深度模型中的优化
8.1 学习和纯优化有什么不同
8.1.1 经验风险最小化
8.1.2 代理损失函数和提前终止
8.1.3 批量算法和小批量算法
8.2 神经网络优化中的挑战
8.2.1 病态
8.2.2 局部极小值
8.2.3 高原、鞍点和其他平坦区域
8.2.4 悬崖和梯度爆炸
8.2.5 长期依赖
8.2.6 非精确梯度
8.2.7 局部和全局结构间的弱对应
8.2.8 优化的理论限制
8.3 基本算法
8.3.1 随机梯度下降
8.3.2 动量
8.3.3 Nesterov动量
8.4 参数初始化策略
8.5 自适应学习率算法
导语深度学习是机器学习的一个分支，它能够使计算机通过层次概念来学习经验和理解世界。因为计算机能够从经验中获取知识，所以不需要人类来形式化地定义计算机需要的所有知识。层次概念允许计算机通过构造简单的概念来学习复杂的概念，而这些分层的图结构将具有很深的层次。由美国伊恩·古德费洛、加拿大约书亚·本吉奥和加拿大亚伦·库维尔所著，赵申剑、黎彧君、符天凡和李凯共同翻译、张志华等审校的《深度学习》一书会介绍深度学习领域的许多主题。 本书囊括了数学及相关概念的背景知识，包括线性代数、概率论、信息论、数值优化以及机器学习中的相关内容。同时，它还介绍了工业界中实践者用到的深度学习技术，包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实践方法等，并且调研了诸如自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学以及视频游戏方面的应用。最后，本书还提供了一些研究方向，涵盖的理论主题包括线性因子模型、自编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推断以及深度生成模型。
内容简介由美国伊恩·古德费洛、加拿大约书亚·本吉奥和加拿大亚伦·库维尔所著，赵申剑、黎彧君、符天凡和李凯共同翻译、张志华等审校的《深度学习》一书分为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》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio和Aaron Courville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。 《深度学习》这本书既可以被本科生或研究生用于规划其学术界或工业界生涯，也适用于希望在各种产品或平台上开始使用深度学习技术的软件工程师。作者在本书的配套网站上为读者和教师提供了补充资料。
作者简介赵申剑，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。
前言译者序 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Ian Goodfellow、Yoshua Bengio和Aaron Courville三 位学者撰写的《Deep Learning》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（deep learning）”。 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
后记中文版致谢 首先，我们要感谢原书作者在本书翻译时给予我 们的大力帮助。特别是，原书作者和我们分享了书中 的原图和参考文献库，这极大节省了我们的时间和精 力。 本书涉及的内容博大且思想深刻，如果没有众多 同学和网友的帮助，我们不可能顺利完成翻译。 我们才疏学浅而受此重任，深知自身水平难以将 本书翻译得很准确。因此我们完成初稿后，将书稿公 开于GitHub，及早接受网友的批评和建议。以下网友 为本书的翻译初稿提供了很多及时的反馈和宝贵的修 改意见：＠tttwwy、＠tankeco、＠fairmiracle、 ＠GageGao、＠huangpingchun、＠MaHongP、＠ acgtyrant、＠yanhuibin315、＠Buttonwood、＠ titicacafz、＠weijy026a、＠RuiZhangl993、＠ zymiboxpay、＠xingkongliang、＠oisc、＠tielei 、＠yuduowu、＠Qingmu、＠HC-2016、＠ xiaomingabc、＠bengordai、＠Bojian、＠JoyFYan 、＠minoriwww、＠khty2000、＠gump88、＠ zdx3578、＠PassStory、＠imwebson、＠wlbksy、 ＠roachsinai、＠Elvinczp、＠endymecy、＠ 9578577、＠linzhp、＠cnscottzheng、＠ germany-zhu、＠zhangyafeikimi、＠showgoodl63 、＠kangqf、＠NeutronT、＠badpoem、＠kkpoker ，＠Seaball、＠wheaio、＠angrymidiao、＠ ZhiweiYang、＠corenel、＠zhaoyu611、＠ SiriusXDJ、＠dfcv24、＠EmisXXY，＠FlyingFire 、＠vsooda、＠friskit-china、＠poerin、＠ ninesunqian、＠JiaqiYao、＠Sofring、＠wenlei ，＠wizyoung、＠imageslr、＠indam、＠XuLYC、 ＠zhouqingping、＠freedomRen、＠runPenguin和 ＠piantou。 在此期间，我们4位译者再次进行了校对并且相 互之间也校对了一遍。然而仅仅通过我们的校对，实 在难以发现翻译中存在的所有问题。因此，我们邀请 一些同学和网友帮助我们校对。经过他们的校对，本 书的翻译质量得到了极大的提升。在此我们一一列出 ，以表示我们由衷的感谢! ·第1章（引言）：刘畅、许丁杰、潘雨粟和 NeutronT阅读了本章，并对很多语句提出了 不少修改建议。林中鹏进行了校对，他提出了很 多独到的修改建议。 ·第2章（线性代数）：许丁杰和骆徐圣阅读了 本章，并修改语句。李若愚进行了校对，提 出了很多细心的建议。蒋武轩阅读并润色了部分 内容，提升了译文准确性和可读性。 ·第3章（概率与信息论）：许丁杰阅读了本章 ，并修改语句。李培炎和何翊卓进行了校 对，并修改了很多中文用词，使翻译更加准确。 ·第4章（数值计算）：张亚霏阅读了本章，并 对其他章节也提出了一些修改建议。张源 源进行了校对，并指出了原文可能存在的问题， 非常仔细。 ·第5章（机器学习基础）：郭浩和黄平春阅读 了本章，并修改语句。李东和林中鹏进行 了校对。本章篇幅较长，能够有现在的翻译质量 离不开这4位的贡献。 ·第6章（深度前馈网络）：周卫林、林中鹏和 张远航阅读了本章，并提出修改意见。 ·第7章（深度学习中的正则化）：周柏村进行 了非常细心的校对，指出了大量问题，令 翻译更加准确。 ·第8章（深度模型中的优化）：房晓宇和吴翔 阅读了本章。黄平春进行了校对，他提出 的很多建议让行文更加流畅易懂。 ·第9章（卷积网络）：赵雨和潘雨粟阅读了本 章，并润色语句。丁志铭进行了非常仔细 的校对，并指出很多翻译问题。 ·第10章（序列建模：循环和递归网络）：刘畅 阅读了本章。赵雨提供了详细的校对建 议，尹瑞清根据他的翻译版本，给我们的版本提 出了很多建议。虽然仍存在一些分歧， 但我们两个版本的整合，让翻译质量提升很多。 ·第12章（应用）：潘雨粟进行了校对。在他的 校对之前，本章阅读起来比较困难。他提 供的修改建议，不仅提高了行文流畅度，还提升 了译文的准确度。 ·第13章（线性因子模型）：贺天行阅读了本章 ，修改语句。杨志伟校对了本章，润色大 量语句。 ·第14章（自编码器）：李雨慧和黄平春进行了 校对。李雨慧提升了语言的流畅度，黄平 春纠正了不少错误，提高了准确性。 ·第15章（表示学习）：cnscottzheng阅读了 本章，并修改语句。 ·第17章（蒙特卡罗方法）：张远航提供了非常 细致的校对，后续又校对了一遍，使译文 质量大大提升。 ·第18章（直面配分函数）：吴家楠进行了校对 ，提升了译文准确性和可读性。 ·第19章（近似推断）：黄浩军、张远航和张源 源进行了校对。本章虽然篇幅不大，但内 容有深度，译文在3位的帮助下提高了准确度。 所有校对的修改建议都保存在GitHub上，再次感 谢以上同学和网友的付出。经过这5个多月的修改， 初稿慢慢变成了最终提交给出版社的稿件。尽管还有 很多问题，但大部分内容是可读的，并且是准确的。 当然目前的译文仍存在一些没有
第页
all rights reserved Powered by 浙江省新华书店集团有限公司 杭州爱书得科技有限公司()
浙B2-20110302号 馆员登录
