深度学习 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

图书标签:

• 深度学习
• 机器学习
• 人工智能
• 神经网络
• TensorFlow
• PyTorch
• Keras
• 模式识别
• 计算机视觉
• 自然语言处理

店铺： 文辉博库专营店

出版社： 人民邮电出版社

ISBN：9787115461476

商品编码：27252588662

商品基本信息,请以下列介绍为准
商品名称：	深度学习
作者：	[美]Ian Goodfellow（伊恩·古德费洛）、[加]Yoshua Bengio（约书亚·本吉奥）   、[加]Aaron Courville（亚伦·库维尔）
市场价：	168元
ISBN号：	9787115461476
出版社：	人民邮电出版社
商品类型：	图书

其他参考信息（以实物为准）
装帧：平装-胶订	开本：16开	语种：中文
出版时间：2018-08	版次：1	页数：500
印刷时间：2017年08月01日	印次：1	字数：484.00千字

编辑推荐

AI圣经！深度学习领域奠基性的经典畅销书！长期位居美国亚马逊AI和机器学习类图书榜首！所有数据科学家和机器学习从业者的必读图书！特斯拉CEO埃隆·马斯克等国内外众多专家推荐！ 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。本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。*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。 《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。中文版读者可以访问人民邮电出版社异步社区www.epubit.com.cn获取相关信息。 封面特色： 由艺术家Daniel Ambrosi提供的中央公园杜鹃花步道梦幻景观。在Ambrosi的亿级像素全景图上，应用Joseph Smarr（Google）和Chirs Lamb（NVIDIA）修改后的Google DeepDream开源程序，创造了Daniel Ambrosi的“幻景”。

目录

第 1 章 引言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1  1.1 本书面向的读者 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7  1.2 深度学习的历史趋势 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8  1.2.1 神经网络的众多名称和命运变迁 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8  1.2.2 与日俱增的数据量 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12  1.2.3 与日俱增的模型规模 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .13  1.2.4 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  2.1 标量、向量、矩阵和张量 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19  2.2 矩阵和向量相乘. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .21  2.3 单位矩阵和逆矩阵 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22  2.4 线性相关和生成子空间 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23  2.5 范数. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .24  2.6 特殊类型的矩阵和向量 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25  2.7 特征分解 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26  2.8 奇异值分解 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28  2.9 Moore-Penrose 伪逆 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28  2.10 迹运算 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29  2.11 行列式 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30  2.12 实例：主成分分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .30  第 3 章 概率与信息论. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .34  3.1 为什么要使用概率 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34  3.2 随机变量 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35  3.3 概率分布 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36  3.3.1 离散型变量和概率质量函数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36  3.3.2 连续型变量和概率密度函数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36  3.4 边缘概率 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37  3.5 条件概率 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37  3.6 条件概率的链式法则 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.7 独立性和条件独立性 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38  3.8 期望、方差和协方差 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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 指数分布和 Laplace 分布 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41  3.9.5 Dirac 分布和经验分布 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42  3.9.6 分布的混合 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42  3.10 常用函数的有用性质. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .43  3.11 贝叶斯规则 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.12 连续型变量的技术细节 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45  3.13 信息论 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47  3.14 结构化概率模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49  第 4 章 数值计算 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52  4.1 上溢和下溢 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52  4.2 病态条件 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53  4.3 基于梯度的优化方法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53  4.3.1 梯度之上：Jacobian 和 Hessian 矩阵 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56  4.4 约束优化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60  4.5 实例：线性zui小二乘 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61  第 5 章 机器学习基础. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .63  5.1 学习算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63  5.1.1 任务 T . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63  5.1.2 性能度量 P . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66  5.1.3 经验 E . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66  5.1.4 示例：线性回归 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68  5.2 容量、过拟合和欠拟合 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70  5.2.1 没有免费午餐定理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73  5.2.2 正则化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74  5.3 超参数和验证集. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .76  5.3.1 交叉验证 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76  5.4 估计、偏差和方差. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .77  5.4.1 点估计 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77  5.4.2 偏差 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78  5.4.3 方差和标准差 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80  5.4.4 权衡偏差和方差以zui小化均方误差 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81  5.4.5 一致性 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82  5.5 zui大似然估计 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82  5.5.1 条件对数似然和均方误差. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .84 5.5.2 zui大似然的性质 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84  5.6 贝叶斯统计 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85  5.6.1 zui大后验 (MAP) 估计 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87  5.7 监督学习算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88  5.7.1 概率监督学习 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88  5.7.2 支持向量机 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88  5.7.3 其他简单的监督学习算法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .90  5.8 无监督学习算法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .91  5.8.1 主成分分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92  5.8.2 k-均值聚类 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .94  5.9 随机梯度下降 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94  5.10 构建机器学习算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96  5.11 促使深度学习发展的挑战 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96  5.11.1 维数灾难 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97  5.11.2 局部不变性和平滑正则化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97  5.11.3 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  6.1 实例：学习 XOR. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107  6.2 基于梯度的学习 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110  6.2.1 代价函数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111  6.2.2 输出单元 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113  6.3 隐藏单元. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .119  6.3.1 整流线性单元及其扩展 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120  6.3.2 logistic sigmoid 与双曲正切函数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121  6.3.3 其他隐藏单元 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122  6.4 架构设计. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .123  6.4.1 万能近似性质和深度. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .123  6.4.2 其他架构上的考虑 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .126  6.5 反向传播和其他的微分算法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .126  6.5.1 计算图 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127  6.5.2 微积分中的链式法则. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .128  6.5.3 递归地使用链式法则来实现反向传播 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128  6.5.4 全连接 MLP 中的反向传播计算 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131  6.5.5 符号到符号的导数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .131  6.5.6 一般化的反向传播 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .133  6.5.7 实例：用于 MLP 训练的反向传播 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .135  6.5.8 复杂化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137 6.5.9 深度学习界以外的微分 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137  6.5.10 高阶微分 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138  6.6 历史小记. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .139  .........

作者简介

Ian Goodfellow，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。Ian Goodfellow 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。 Yoshua Bengio，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。Yoshua Bengio 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。 Aaron Courville，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。Aaron Courville 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。

内容简介

《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。

探寻知识的边界：一本关于探索未知世界的指南 在浩瀚的宇宙中，人类总是对未知充满好奇。从仰望星空，到潜入深海，再到探索微观粒子，我们从未停止过追寻答案的脚步。这本《探寻知识的边界》正是一次关于这种不懈探索的记录与思考，它并非一本刻板的教科书，而更像是一位经验丰富的向导，带领读者穿梭于各个学科的前沿，揭示那些尚未被完全理解的奥秘，以及人类智慧在其中闪耀的光芒。 本书的起点，是那些最 fundamental 的问题。我们从生命是如何起源的讲起，追溯地球上亿万年来的演化历程，审视DNA如何承载着生命的密码，以及基因工程在改写生命蓝图的当下所带来的机遇与挑战。科学家们如何从微小的细胞中窥探生命的本质？ CRISPR-Cas9 技术的突破，又为我们打开了怎样的基因编辑之门？我们不仅仅是陈述科学事实，更是深入探讨这些发现背后的思考过程，那些灵光乍闪的瞬间，以及面对未知时，科学家们所展现出的坚韧与智慧。 接着，我们将目光投向我们赖以生存的地球。气候变化，这个关乎人类命运的议题，在书中得到了深入的剖析。我们不仅仅关注冰川融化、海平面上升等直观现象，更深入探究背后的复杂气候模型，以及科学家们如何通过大数据分析、卫星观测来预测未来的趋势。从可再生能源的革新，到碳捕捉技术的研发，再到全球合作应对气候危机的挑战，这本书展示了人类在维护地球家园方面所做的努力与思考。它也提醒我们，对自然的敬畏与对科学的信赖，是应对未来挑战的关键。 随后，我们将视角转向人类自身。神经科学的飞速发展，正在逐步解开大脑的奥秘。意识是什么？记忆是如何形成的？我们如何学习和思考？本书将带领读者走进科学家们的大脑实验室，了解脑成像技术如何让我们“看到”思维的活动，以及人工智能如何在模拟人类智能方面取得的进展。从脑机接口的初步尝试，到对阿尔茨海默病等神经退行性疾病的治疗探索，这本书展现了人类对自身最复杂器官的深刻理解与改造的渴望。 除了对物质世界和人类自身的探索，本书也触及了人类社会最深层的哲学命题。在信息爆炸的时代，我们如何辨别信息的真伪？社交媒体的普及，对我们的思维方式和人际关系产生了怎样的影响？算法在重塑我们的认知，我们又该如何保持独立思考的能力？本书并非提供简单的答案，而是鼓励读者进行批判性思考，理解信息传播的机制，以及在数字洪流中，如何守护我们个体的独立意志。 我们还不会回避那些更具前瞻性的思考。量子力学，这个曾经让爱因斯坦都感到困惑的领域，在现代物理学中扮演着越来越重要的角色。量子计算的潜力，是否会彻底改变我们处理信息的方式？超导材料的发现，又将为能源传输和科技发展带来怎样的变革？本书以一种引人入胜的方式，向读者揭示了这些看似抽象的科学理论，如何在潜移默化中影响着我们的未来。 此外，本书也关注那些跨学科的融合。基因编辑技术与人工智能的结合，是否会催生出全新的生命形式？大数据分析在天文学、社会学甚至艺术领域的应用，又会带来怎样的惊喜？我们尝试打破学科之间的壁垒，展现知识是如何在不同领域之间碰撞、融合，从而激发出新的创意和解决方案。 《探寻知识的边界》并非一味地歌颂科学的成就，它也诚实地面对科学发展中存在的伦理困境和哲学挑战。例如，在基因编辑领域，我们如何平衡科学探索的自由与对生命伦理的尊重？在人工智能领域，我们又该如何确保技术的进步服务于人类，而非走向失控？本书鼓励读者在欣赏科学魅力的同时，也能进行深刻的反思，形成对科学技术应用的负责任态度。 本书的写作风格力求平实而生动，避免使用过于晦涩的专业术语，而是通过生动的案例、形象的比喻，将复杂的概念解释得通俗易懂。我们相信，知识不应是少数人的专利，而是全人类共同的精神财富。因此，本书旨在为所有对世界充满好奇的读者提供一个了解前沿科学、激发探索欲望的窗口。 每一章的结尾，我们都会留下一些开放性的问题，鼓励读者将书中的思考延续下去。我们希望，读者在读完这本书后，不仅能对知识的边界有更深的认识，更能点燃心中对未知的好奇之火，成为一名更加积极、更有批判性思维的知识探索者。因为，真正的探险，才刚刚开始。 本书的价值，不在于给予读者现成的答案，而在于引导读者学会提问，学会思考，学会独立地去探索和发现。在人工智能技术飞速发展的今天，我们比任何时候都需要保持独立思考的能力，更需要拥有对知识的敬畏之心。这本《探寻知识的边界》希望成为你在这个伟大探索旅程中的一个忠实伴侣，与你一同丈量知识的辽阔，感受智慧的光芒。

评分☆☆☆☆☆

第二篇： 阅读体验上，我必须强调这本书在叙事节奏上的高超把握。它不像有些技术书籍那样，上来就抛出大量的数学公式，让人望而却步。相反，它像一位经验丰富的匠人，先为你展示了工具的宏伟蓝图，然后才慢慢拆解每一块砖石的结构。开篇对历史脉络的梳理，不仅仅是简单的年代罗列，而是将关键人物的思考过程、遇到的瓶颈，以及灵光乍现的瞬间，描绘得栩栩如生，极大地激发了我对这个领域的敬畏之心。尤其是讲述到早期的卷积网络设计思想时，那种“山重水复疑无路，柳暗花明又一村”的感觉，被作者描摹得淋漓尽致。它成功地将一个冰冷的计算过程，赋予了富有生命力的“迭代”和“演化”的色彩。更重要的是，全书的语言风格极为凝练，几乎没有一句废话，每一个句子都承载着清晰的知识点，迫使读者必须全神贯注地去吸收。读完一章，我需要合上书本，在脑海中进行一次小型的“知识重组”，才能真正将所学内化，这种主动学习的过程，远比被动灌输有效得多。这本书真的能让你感受到，这不是一本工具手册，而是一部关于如何“思考”复杂问题的思想史诗。

评分☆☆☆☆☆

第五篇： 这本书最大的价值在于其“前瞻性”和“批判性思维”的培养。它并非只是对现有技术的简单综述，而是对未来发展趋势有着深刻的洞察力。在讨论到某些主流框架的局限性时，作者毫不避讳地指出了它们在可解释性和鲁棒性方面存在的结构性缺陷，并且引用了最新的研究成果作为佐证。这引导我开始跳出框架的限制，去思考“下一代”模型应该具备哪些特征。书中对于“黑箱”问题的讨论，远比其他书籍来得深刻和有力，它不仅描述了问题，还探讨了从信息论和因果推断角度去构建可信赖AI的可能性路径。这种超越“如何实现”的“应该如何思考未来”的深度，是这本书真正区别于市面上大量教程的关键。阅读完后，我感觉自己的视野被极大地拓宽了，不再满足于调包侠的身份，而是开始思考更深层次的理论构建和工程伦理问题。这是一本真正能推动读者从“学习者”向“研究者”过渡的桥梁性著作。

评分☆☆☆☆☆

第四篇： 这本书的数学基础部分处理得非常巧妙，它没有将读者推入纯粹的抽象代数世界，而是采用了“先应用，后回溯”的教学策略。每当一个新的复杂算法引入时，作者会先用一个非常直观的几何或概率图像来建立感性认识，然后再引入必要的矩阵运算来精确描述。例如，在讲解注意力机制时，先通过一个信息筛选的比喻来铺垫，读者对“权重分配”有了直观理解后，再去看那些复杂的内积和Softmax函数，瞬间就变得豁然开朗，完全没有了以往面对公式时的抵触情绪。我尤其欣赏作者对“梯度”这一核心概念的反复强调和多角度阐释，从链式法则到反向传播的直观意义，直至其在优化过程中的角色，层次分明，循序渐进。这种设计哲学，使得那些原本被视为技术壁垒的数学内容，变成了理解算法内在驱动力的钥匙。它让你明白，每一次数学符号的书写，背后都对应着一个清晰的、可被几何解释的物理含义，极大地增强了对模型的掌控感。

评分☆☆☆☆☆

第三篇： 这本书在实战案例的深度上，真正体现出了超越同类的水准。我特别关注了其中关于“模型部署与优化”那一章的论述。很多教材止步于训练和验证，但这本书却着眼于如何在资源受限的实际环境中运行这些庞然大物。它没有停留在理论层面，而是直接给出了针对不同硬件架构的量化策略和剪枝算法的实际应用指南。例如，书中对比了在移动端和边缘计算设备上，不同稀疏化技术对延迟和能耗的实际影响曲线，这种数据驱动的分析，是任何初学者在盲目追求模型精度时所忽略的宝贵经验。我尝试着依照书中的步骤，对一个小型图像识别模型进行了特定的后训练量化操作，结果发现性能损失微乎其微，但推理速度却获得了显著提升，这种即时反馈带来的成就感是无可替代的。此外，书中还穿插了许多关于实验设计原则的讨论，教会我们如何科学地进行超参数搜索，而不是像无头苍蝇一样进行随机尝试。它培养的不仅仅是编程能力，更是一种严谨的科学实验态度。

评分☆☆☆☆☆

第一篇： 这本书的排版和印刷质量简直让人爱不释手，拿在手里沉甸甸的，感觉就像捧着一块知识的宝石。封面设计简约而不失大气，那种深邃的蓝色调，恰到好处地烘托出“深度”二字的神秘感与力量感。初翻阅时，那些清晰锐利的图表和精心挑选的示例代码块，立刻吸引住了我的目光。作者在案例的选择上非常独到，没有堆砌那些已经被嚼烂的“烂大街”项目，而是深入到一些更贴近实际工程挑战的场景中去探讨原理，这一点非常赞赏。比如，书中对特定激活函数在处理梯度消失问题时的微小差异所做的详尽对比分析，那种刨根问底的学术精神，远超一般入门教材的水准。我花了整整一个下午的时间，仅仅是沉浸在那些精心绘制的计算图示中，感受着信息流动的逻辑美感。它不是简单地告诉你“怎么做”，而是深入剖析“为什么这么做”，这种对底层逻辑的坚持，使得阅读过程充满了发现的乐趣。即使是对于一些较为复杂的数学推导，作者也处理得极其巧妙，既保证了严谨性，又避免了令人生畏的枯燥感，仿佛有一位耐心的导师在旁边逐步引导，让你在不知不觉中就跨越了理解的鸿沟。这绝对是一本值得收藏，并且值得反复研读的佳作。