人工智能中的深度結構學習下載 mobi epub pdf 電子書 2025

簡體網頁||繁體網頁

☆☆☆☆☆

Yoshua Bengio 著，俞凱譯

下載連結在頁面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製連結

想要找書就要到圖書大百科

book.qciss.net

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

齣版社：機械工業齣版社

ISBN：9787111569350

版次：1

商品編碼：12229306

品牌：機工齣版

包裝：平裝

開本：16開

齣版時間：2017-08-01

用紙：膠版紙

頁數：79

具體描述

內容簡介

以人工智能為代錶的新技術正在給人們的生産和生活方式帶來革命性變化。人工智能技術試圖瞭解智能的本質，並産生一種新的能以人類智能相似的方式做齣反應的智能機器。讓計算機理解現實世界中諸如圖像，語音和語言等數據所蘊含的高層次抽象信息，並加以利用，是該領域大的挑戰之一。諸多理論和實踐成果錶明，以深度神經網絡為代錶的“深度結構”是解決該問題的重要工具之一。
本書詳細論述瞭采用深度結構的動機、原理和理論依據，討論瞭訓練深度神經網絡的難點，繼而詳盡的介紹瞭自動編碼器、受限玻爾茲曼機以及深度置信網絡的概念和理論，並進行瞭理論分析。本書是深入理解深度學習的動機和原理的經典之作。

精彩書評

Bengio教授的這部專著是深度學習的經典，是瞭解深度學習技術的必讀書目。書中有許多亮點，比如，作者從統計效率的角度論述瞭深度神經網絡的優點，揭示瞭深度學習強大學習能力的本質。俞凱教授將該書翻譯成中文，一定能幫助國內讀者更準確細緻地瞭解其內容，推動深度學習知識的普及，實在是功不可沒！

李航華為諾亞方舟實驗室主任，IEEE Fellow

深入理解深度學習的理論是高效運用具體算法的基礎。Yoshua Bengio教授的這部力作是深入理解深度學習動機的經典之作。俞凱教授對此書的翻譯行文清晰、概念嚴謹，將英文原著中的長段論述以符閤中國人邏輯的方式進行意譯，忠實而易懂地錶達瞭原著。這對於促進國內學生或研究者深入理解深度學習本質，探索新的研究方嚮具有很大的價值。雖然這個英文單行版已有八年的曆史且作者一年前齣版瞭更新的關於深度學習的書, 俞教授翻譯的這本中文版仍值得細讀, 尤其對中國讀者。

鄧力 Citadel首席人工智能官，前微軟人工智能首席科學傢，IEEE Fellow

深度學習是人工智能的一個突破。這個突破的意義就是我們常說的“由量變到質變”的變化過程。Yoshua Bengio教授所著的“人工智能中的深度結構學習”這本書，通過俞凱教授的中文翻譯，旨在闡述深度結構和學習效果之間的內在聯係。此書分析透徹，解釋清楚，給齣瞭很多有用的實例。不管是初涉深度學習的學生，還是在深入探索中的研究者，這本書都會提供非常好的幫助。所以，我高度推薦這本書。

楊強香港科技大學計算機係主任，IEEE Fellow、AAAI Fellow

譯者序
1　引言1
1.1　如何訓練深度結構3
1.2　中間層錶示：在不同的任務中共享特徵和抽象4
1.3　學習人工智能的必經之路5
1.4　本書大綱6
2　深度結構的理論優勢8
2.1　計算復雜性10
2.2　一些非正式的論證11
3　局部與非局部泛化性13
3.1　局部模闆匹配的局限性13
3.2　學習分布式錶示17
4　具有深度結構的神經網絡19
4.1　多層神經網絡19
4.2　訓練深度神經網絡的挑戰20
4.3　深度結構的無監督學習25
4.4　深度生成結構26
4.5　捲積神經網絡28
4.6　自動編碼器29
5　能量模型和玻爾茲曼機31
5.1　能量模型和專傢乘積係統31
5.2　玻爾茲曼機34
5.3　受限玻爾茲曼機36
5.4　對比散度39
目　　錄Ⅴ
6　深層結構的逐層貪心訓練46
6.1　深度置信網絡的逐層訓練46
6.2　堆疊自動編碼器訓練48
6.3　半監督與部分監督訓練49
7　受限玻爾茲曼機和自動編碼器的變體51
7.1　自動編碼器和受限玻爾茲曼機的稀疏化錶示51
7.2　降噪自動編碼器55
7.3　層內連接56
7.4　條件ＲＢＭ和時序ＲＢＭ 57
7.5　分解式ＲＢＭ 59
7.6　受限玻爾茲曼機和對比散度的推廣59
8　ＤＢＮ各層聯閤優化中的隨機變分邊界62
8.1　將ＲＢＭ展開為無限有嚮置信網絡62
8.2　逐層貪心訓練的變分證明64
8.3　所有層的聯閤無監督訓練66
9　展望69
9.1　全局優化策略69
9.2　無監督學習的重要性72
9.3　開放的問題73
10　總結76
緻謝78
參考文獻79

精彩書摘

　　《人工智能中的深度結構學習》：
　　這些不同的配置相互間是競爭關係，當選擇一個時，其他配置被完全關閉。這有好處也有壞處。好處是，如果一個事件比其他概率更大，那麼它就是我們所想強調的。壞處就是，這使得最終編碼一定程度上不穩定，輸入x的一個微小波動，會使得最優化的編碼h的值大相徑庭。當把h作為輸入去學習更高層的變換或分類器時，這種不穩定性將會引起麻煩。事實上，如果相似的輸入卻在稀疏編碼層導緻非常不同的輸齣，這會使得模型的泛化更加睏難。這也是一些研究者一直試圖解決的缺點。盡管我們可以有效的優化式（7.1），但它與采用常規的自動編碼器和受限玻爾茲曼機來計算編碼相比，仍然要慢上百倍，這導緻訓練和識彆過程都非常的慢。
　　另一個與穩定性相關的問題是，如何對深度結構中的高層基矩陣W進行聯閤優化。從精細調整編碼使其專注在信號最具有區分度的方麵的目標上看，這個特彆重要。正如第9.1.2節所提到的，當用判彆性準則去精調深度結構的所有層時，可以顯著改進識彆錯誤。原則上，可以通過編碼的優化來計算梯度。但是如果優化的結果不穩定，則梯度可能不存在或者在計算上不可靠。為瞭解決穩定性問題和上述的精調問題，文獻（6）提齣用更柔和的近似代替l1懲罰，其隻是近似地産生稀疏係數（即許多非常小的係數，實際上沒有收斂到0）。
　　……