1. 首页 > 全网神秘学教程 > 身心灵魔法

《深度学习》(Deep Learning)扫描版[PDF]_计算机类

如何自学 占星术 占星教程网盘 塔罗牌教程百度网盘

《深度学习》(Deep Learning)扫描版[PDF]

《深度学习》(Deep Learning)扫描版[PDF]_计算机类

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。

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

《深度学习》(Deep Learning)扫描版[PDF]大小:已经过安全软件检测无毒,请您放心下载。浏览器不支持脚本!购买本书:当当图书商城 | | 淘宝购书

有需要联系v;hx-hx4

摘要:《深度学习》(Deep Learning)扫描版[PDF]_计算机类 是一本关于深度学习的书籍。本文将从以下四个方面对该书进行详细阐述:介绍深度学习的基本概念和原理、深度学习的应用领域、深度学习的优势与挑战以及如何学习深度学习。通过本文的阐述,读者可以了解深度学习的基本知识,了解其在不同领域的应用以及面临的挑战,并获得学习深度学习的一些指导。

1、深度学习的基本概念和原理

深度学习是一种机器学习的方法,其核心思想是通过多层神经网络来模拟人脑的神经网络结构,实现对大规模数据的高效处理和分析。深度学习的原理主要包括神经网络的构建和训练,以及反向传播算法的应用。通过构建深层的神经网络并通过大量数据进行训练,深度学习可以实现对复杂数据的自动分析和处理。

深度学习的基本概念包括神经网络、激活函数、损失函数等。神经网络是深度学习的基本模型,由多个神经元组成的多层网络结构。激活函数用于神经元的激活过程,常见的激活函数包括sigmoid函数和ReLU函数。损失函数用于度量网络输出与实际标签之间的差异,常见的损失函数包括均方误差和交叉熵。

深度学习的原理和概念对于理解和应用深度学习非常重要,它们为深度学习的进一步研究和应用打下了基础。

2、深度学习的应用领域

深度学习在各个领域都有广泛的应用。在计算机视觉领域,深度学习可以用于图像分类、目标检测和图像生成等任务。在自然语言处理领域,深度学习可以用于机器翻译、文本生成和情感分析等任务。在语音识别领域,深度学习可以用于语音识别和语音合成等任务。

深度学习的应用还涵盖了医疗、金融、交通等多个领域。例如,在医疗领域,深度学习可以用于癌症诊断和医学影像分析;在金融领域,深度学习可以用于股票预测和风险评估;在交通领域,深度学习可以用于交通流量预测和智能交通系统。

深度学习的广泛应用使其成为当前人工智能领域的热点研究方向。

3、深度学习的优势与挑战

深度学习具有许多优势,使其在各个领域得到广泛应用。首先,深度学习可以自动从大规模数据中学习特征,避免了人工提取特征的繁琐和主观性。其次,深度学习具有很强的泛化能力,可以处理各种类型的数据和任务。此外,深度学习还可以通过增加网络层数来提高模型的性能。

然而,深度学习也面临一些挑战。首先,深度学习需要大量的标注数据进行训练,但是获取大规模标注数据是一项耗时耗力的工作。其次,深度学习的模型参数非常多,训练过程较为复杂,需要充分利用计算资源。另外,深度学习的结果解释性较差,难以解释模型的决策过程。

深度学习的优势和挑战需要我们在实际应用中加以考虑和解决。

4、学习深度学习的方法

学习深度学习需要一定的基础知识和方法。首先,要了解神经网络的基本原理和概念,包括神经元、激活函数和损失函数等。其次,要学习深度学习的常见模型和算法,如卷积神经网络和循环神经网络。此外,要熟悉深度学习的工具和框架,如TensorFlow和PyTorch。

学习深度学习还需要进行实践,通过实际的项目和案例来加深对深度学习的理解和应用。可以参加在线课程、阅读相关书籍和论文,以及参与开源项目等方式来学习深度学习。

总结:

《深度学习》(Deep Learning)扫描版[PDF]_计算机类 是一本介绍深度学习的书籍。本文从深度学习的基本概念和原理、深度学习的应用领域、深度学习的优势与挑战以及学习深度学习的方法这四个方面对该书进行了详细阐述。通过本文的阐述,读者可以对深度学习有一个全面的了解,并获得学习深度学习的一些指导。

本文由nayona.cn整理

点击联系需要东西方神秘学学习资料,专业的咨询

本文采摘于网络,不代表本站立场,转载联系作者并注明出处: https://sm.nayona.cn/xinnengyuan/273130.html

联系我们

在线咨询:点击这里给我发消息

微信号:hx-hx3