Goodfellow、Bengio与Courville的深度学习

Goodfellow、Bengio与Courville的深度学习 | AI生成和翻译

Home 2025.10

Ian Goodfellow
Yoshua Bengio
Aaron Courville

目录

网站 viii
致谢 ix
符号说明 xiii

1 引言 1

1.1 本书面向的读者 8
1.2 深度学习的历史趋势 12

I 应用数学与机器学习基础 27

2 线性代数 29

2.1 标量、向量、矩阵和张量 29
2.2 矩阵与向量相乘 32
2.3 单位矩阵和逆矩阵 34
2.4 线性相关和生成子空间 35
2.5 范数 37
2.6 特殊类型的矩阵和向量 38
2.7 特征分解 40
2.8 奇异值分解 42
2.9 Moore-Penrose 伪逆 43
2.10 迹运算 44
2.11 行列式 45
2.12 实例：主成分分析 45

3 概率与信息论 51

3.1 为什么要使用概率？ 52
3.2 随机变量 54
3.3 概率分布 54
3.4 边缘概率 56
3.5 条件概率 57
3.6 条件概率的链式法则 57
3.7 独立性和条件独立性 58
3.8 期望、方差和协方差 58
3.9 常用概率分布 60
3.10 常用函数的有用性质 65
3.11 贝叶斯规则 68
3.12 连续型变量的技术细节 69
3.13 信息论 71
3.14 结构化概率模型 73

4 数值计算 78

4.1 上溢和下溢 78
4.2 病态条件 80
4.3 基于梯度的优化方法 80
4.4 约束优化 91
4.5 实例：线性最小二乘 94

5 机器学习基础 96

5.1 学习算法 97
5.2 容量、过拟合和欠拟合 108
5.3 超参数和验证集 118
5.4 估计、偏差和方差 120
5.5 最大似然估计 129
5.6 贝叶斯统计 133
5.7 监督学习算法 137
5.8 无监督学习算法 142
5.9 随机梯度下降 149
5.10 构建机器学习算法 151
5.11 促使深度学习发展的挑战 152

II 深度网络：现代实践 162

6 深度前馈网络 164

6.1 实例：学习 XOR 167
6.2 基于梯度的学习 172
6.3 隐藏单元 187
6.4 架构设计 193
6.5 反向传播和其他微分算法 200
6.6 历史小记 220

7 深度学习中的正则化 224

7.1 参数范数惩罚 226
7.2 作为约束优化的范数惩罚 233
7.3 正则化和欠约束问题 235
7.4 数据集增强 236
7.5 噪声鲁棒性 238
7.6 半监督学习 240
7.7 多任务学习 241
7.8 提前终止 241
7.9 参数绑定和参数共享 249
7.10 稀疏表示 251
7.11 Bagging 和其他集成方法 253
7.12 Dropout 255
7.13 对抗训练 265
7.14 切面距离、正切传播和流形正切分类器 267

8 深度模型中的优化 271

8.1 学习和纯优化的区别 272
8.2 神经网络优化中的挑战 279
8.3 基本算法 290
8.4 参数初始化策略 296
8.5 自适应学习率算法 302
8.6 近似二阶方法 307
8.7 优化策略和元算法 313

9 卷积网络 326

9.1 卷积运算 327
9.2 动机 329
9.3 池化 335
9.4 卷积与池化作为一种无限强的先验 339
9.5 基本卷积函数的变体 342
9.6 结构化输出 352
9.7 数据类型 354
9.8 高效的卷积算法 356
9.9 随机或无监督的特征 356
9.10 卷积网络的神经科学基础 358
9.11 卷积网络与深度学习的历史 365

10 序列建模：循环和递归网络 367

10.1 展开计算图 369
10.2 循环神经网络 372
10.3 双向 RNN 388
10.4 基于编码器-解码器的序列到序列架构 390
10.5 深度循环网络 392
10.6 递归神经网络 394
10.7 长期依赖的挑战 396
10.8 回声状态网络 399
10.9 渗漏单元和其他多时间尺度的策略 402
10.10 长短期记忆和其他门控 RNN 404
10.11 优化长期依赖 408
10.12 显式记忆 412

11 实践方法论 416

11.1 性能度量
11.2 默认的基准模型
11.3 决定是否收集更多数据
11.4 选择超参数
11.5 调试策略
11.6 实例：多位数字识别

III 深度学习研究 482

12 线性因子模型 485

12.1 概率 PCA 和因子分析
12.2 独立成分分析 (ICA)
12.3 慢特征分析
12.4 稀疏编码
12.5 PCA 的流形解释

13 自编码器 500

13.1 欠完备自编码器
13.2 正则化自编码器
13.3 表示能力、层的大小和深度
13.4 随机编码器和解码器
13.5 去噪自编码器
13.6 使用自编码器学习流形
13.7 收缩自编码器
13.8 预测稀疏分解
13.9 自编码器的应用

14 表示学习 525

14.1 贪心逐层无监督预训练
14.2 迁移学习和领域自适应
14.3 半监督解耦因果因素
14.4 分布式表示
14.5 得益于深度的指数增益
14.6 提供发现潜在原因的线索

15 深度学习的结构化概率模型 540

15.1 非结构化建模的挑战
15.2 使用图描述模型结构
15.3 从图模型中采样
15.4 结构化建模的优势
15.5 学习依赖关系
15.6 推断和近似推断
15.7 深度学习在结构化概率模型中的应用方法

16 蒙特卡罗方法 557

16.1 采样和蒙特卡罗方法
16.2 重要采样
16.3 马尔可夫链蒙特卡罗方法
16.4 Gibbs 采样
16.5 分离模态之间的混合挑战

17 直面配分函数 567

17.1 对数似然梯度
17.2 随机最大似然和对比散度
17.3 伪似然
17.4 得分匹配和比率匹配
17.5 去噪得分匹配
17.6 噪声对比估计
17.7 估计配分函数

18 近似推断 579

18.1 把推断视作优化
18.2 期望最大化
18.3 MAP 推断和稀疏编码
18.4 变分推断和学习
18.5 学成的近似推断

19 深度生成模型 594

19.1 玻尔兹曼机
19.2 受限玻尔兹曼机
19.3 深度信念网络
19.4 深度玻尔兹曼机
19.5 实值数据上的玻尔兹曼机
19.6 卷积玻尔兹曼机
19.7 用于结构化或序列输出的玻尔兹曼机
19.8 其他玻尔兹曼机
19.9 通过随机操作的反向传播
19.10 有向生成网络
19.11 从自编码器采样
19.12 生成随机网络
19.13 其他生成方案
19.14 生成模型的评估
19.15 结论

《深度学习》目录

Back

x-ai/grok-4-fast

Donate