具体描述
作者简介
目录信息
1．1 目的
1．2 历史
1．3 应用
1．4 生物学的启示
参考文献
第2章 神经元模型和网络结构
2．1 目的
2．1 理论和实例
2．2．1 符号
2．2．2 神经元模型
2．2．3 网络结构
2．3 小结
2．4 例题
2．5 结束语
习题
第3章 一个说明性实例
3．1 目的
3．2 理论和实例
3．2．1 问题描述
.3．2．2 感知机
3．2．3 hamming网络
3．2．4 hopfield网络
3．3 结束语
习题
第4章 感知机学习规则
4．1 目的
4. 2 理论和实例
4．2．1 学习规则
4．2．2 感知机的结构
4．2．3 感知机学习规则
4．2．4 收敛性证明
4．3 小结
4．4 例题
4．5 结束语
参考文献
习题
第5章 信号和权值向量空间
5．1 目的
5．2 理论和实例
5．2．1 线性向量空间
5．2．2 线性无关
5．2．3 生成空间
5．2．4 内积
5．2．5 范数
5．2．6 正交性
5．2．7 向量展开式
5．3 小结
5．4 例题
5．5 结束语
参考文献
习题
第6章 神经网络中的线性变换
6. 1 目的
6．2 理论和实例
6．2．1 线性变换
6．2．2 矩阵表示
6．2. 3 基变换
6．2. 4 特征值和特征向量
6．3 小结
6．4 例题
6．5 结束语
参考文献
习题
第7章 有监督的hebb学习
7．1 目的
7．2 理论和实例
7．2．1 线性联想器
7．2．2 hebb规则
7．2．3 仿逆规则
7．2．4 应用
7．2．5 hebb学习的变形
7．3 小结
7．4 例题
7．5 结束语
参考文献
习题
第8章 性能曲面和最优点
8．1 目的
8．2 理论和实例
8．2．1 泰勒级数
8．2．2 方向导数
8．2．3 极小点
8．2．4 优化的必要条件
8．2．5 二次函数
8．3 小结
8．4 例题
8．5 结束语
参考文献
习题
第9章 性能优化
9．1 目的
9．2 理论和实例
9．2．1 最速下降法
9．2．2 牛顿法
9．2．3 共扼梯度法
9．3 小结
9．4 例题
9．5 结束语
参考文献
习题
第10章 widrow-hoff学习算法
10．1 目的
10．2 理论和实例
10．2．1 adaline网络
10．2．2 均方误差
10．2．3 lms算法
10．2．4 收敛性分析
10．2．5 自适应滤波
10．3 小结
10．4 例题
10．5 结束语
参考文献
习题
第11章 反向传播
11．1 目的
11．2 理论和实例
11．2．1 多层感知机
11．2．2 反向传播算法
11．2．3 例子
11．2．4 反向传播
11．3 小结
11．4 例题
11．5 结束语
参考文献
习题
第12章 反向传播算法的变形
12．1 目的
12．2 理论和实例
12．2．1 bp算法的缺点
12．2．2 bp算法的启发式改进
12．2．3 数值优化技术
12．3 小结
12．4 例题
12．5 结束语
参考文献
习题
第13章 联想学习
13．1 目的
13．2 理论和实例
13．2．1 简单联想网络
13．2．2 无监督的hebb规则
13．2．3 简单的识别网络
13．2．4 instar规则
13．2．5 简单回忆网络
13．2．6 outstar规则
13．3 小结
13．4 例题
13．5 结束语
参考文献
习题
第14章 竞争网络
14．1 目的
14．2 理论和实例
14．2．1 hamming网络
14．2．2 竞争层
14．2．3 生物学意义上的竞争层
14．2．4 自组织特征图
14．2．5 学习向量量化
14．3 小结
14．4 例题
14．5 结束语
参考文献
习题
第15章 grossberg网络
15．1 目的
15．2 理论和实例
15. 2．1 生物学的启发：视觉
15．2．2 基本非线性模型
15．2．3 两层竞争网络
15．2．4 与kohonen规则的关系
15．3 小结
15．4 例题
15．5 结束语
参考文献
习题
第16章 自适应谐振理论
16．1 目的
16. 2 理论和实例
16．2．1 自适应谐振概述
16．2．2 第一层
16．2．3 第二层
16．2．4 调整子系统
16．2．5 学习规则：l1-l2
16．2．6 学习规则：l2-l1
16．2．7 art1算法小结
16．2．8 其他art体系结构
16．3 小结
16．4 例题
16．5 结束语
参考文献
习题
第17章 稳定性
17．1 目的
17．2 理论和实例
17．2．1 递归网络
17．2．2 稳定性概念
17．2．3 lyapunov稳定性定理
17．2．4 单摆例子
17．2．5 lasdlle不变性定理
17．3 小结
17．4 例题
17．5 结束语
参考文献
习题
第18章 hopfield网络
18．1 目的
18．2 理论和实例
18．2．1 hopfield模型
18．2．2 lyapunov函数
18．2．3 增益效应
18．2．4 hopfield网络设计
18．3 小结
18. 4 例题
18．5 结束语
参考文献
习题
第19章 结束语
19．1 目的
19．2 理论和实例
19．2．1 前馈和联想网络
19．2．2 竞争网络
19。2．3 动态联想存储器网络
19．2．4 神经网络的经典基础
19．2．5 参考书目和杂志
19．3 结束语
参考文献
附录a 文献目录
附录b 符号
附录c 软件
索引
· · · · · · (收起)
读后感
直接读的电子英文版，这本书作者是有在网上公开的，还有配套的ppt和matlab程序提供下载。 附上链接http://hagan.okstate.edu/nnd.html 配合matlab的Neural Network Toolbox User's Guide（与matlab版本一致）一起看
这本是我非常推崇的神经网络的进阶读本，理论的阐述非常的好。然后数学方面比较深。可能读起来会比较吃力但是挺好的。
辞掉了工作，回家过年玩，拿出这本书来又看了一遍，说说这次的感觉： 1 比起第一次接触神经网络时感觉这本书简单多了，读第二遍速度要快得多，并且也更理解一些原理上的东西 2 不神秘了。第一次读的时候感觉神经网络很强大，可以设计出许多很厉害的东西来，现在却不这样认为了...
一句话：娓娓道来，醍醐灌顶！比国内的教材好多了！只需要读者有一点点数学知识（也就是懂一点点高数、线代的皮毛，不懂也可以，作者会负责地在书中相关地方讲述）就可以了！
用户评价
我对于《神经网络设计》这本书抱有非常大的好奇心，主要是因为它触及了我目前学习和工作中一个比较薄弱的环节。我虽然能理解一些基础的神经网络概念，但总觉得自己在“构建”一个神经网络时，就像一个不熟悉的建筑师，对各种组件的搭配和整体结构的稳定性缺乏深刻的理解。我希望能在这本书中找到答案，比如关于如何合理地组织网络层，如何选择合适的激活函数来处理不同类型的数据，以及如何平衡模型的复杂度和训练效率。我尤其关心书中是否会讨论一些关于“神经网络架构搜索”（NAS）的内容，因为这代表了未来设计神经网络的一种重要趋势。另外，我在处理一些非常规数据类型时，比如时间序列或者图数据，总觉得现有的模型不够灵活，不知道如何进行有效的扩展和设计。我希望这本书能提供一些通用的设计原则和范例，让我能够根据具体问题，创造性地设计出适用于特定场景的神经网络。当然，我也期待书中能够包含一些最新的研究进展，让我能站在巨人的肩膀上，看到神经网络设计未来的发展方向。
这本书的出现，简直是为我这样渴望系统性提升深度学习能力的人量身定做的！我最近在负责一个需要大规模数据训练的项目，过程中遇到的瓶颈越来越多，有时候感觉自己像是“知其然不知其所以然”。尤其是当模型出现过拟合或者欠拟合的时候，我常常不知道从何下手去分析和调整。这本书的名字《神经网络设计》就点出了核心——它不只是介绍概念，更是要教我如何“设计”。我希望它能详细讲解如何根据不同的任务需求，选择合适的网络结构，比如什么时候用残差网络（ResNet），什么时候用生成对抗网络（GAN），以及如何构建高效的数据预处理和特征工程流程。此外，我还对模型的正则化技术非常感兴趣，比如Dropout、Batch Normalization等，希望书中能深入分析它们的作用机理和最佳实践。更重要的是，我希望这本书能帮助我建立起一种“工程思维”，不仅仅是停留在算法层面，而是能将理论与实践紧密结合，理解如何在有限的计算资源下，设计出性能最优、泛化能力最强的神经网络模型。我有点担心它会不会过于理论化，但“设计”这个词又让我觉得它会更侧重于实际应用，这一点我很期待。
说实话，我拿到《神经网络设计》这本书的时候，内心是带着一丝忐忑和一丝期待的。忐忑在于，我对神经网络的理解还停留在比较表层的阶段，很多深层的数学推导和优化原理对我来说仍然像天书一样。但期待也是因为，我希望这本书能成为我攻克这一难关的“引路人”。我非常希望书中能用清晰易懂的语言，逐步拆解神经网络的底层数学原理，尤其是反向传播算法的细节，以及如何从理论上理解各种损失函数的选择依据。我常常在想，为什么有的损失函数在某些任务上效果特别好，而在另一些任务上却表现平平？这本书能否给出解答？此外，我希望它能深入讲解不同类型的神经网络（如前馈网络、卷积网络、循环网络）的内在联系和各自的优势，以及它们是如何随着时间的推移而不断演进的。我更期待的是，这本书能在“设计”这个层面，提供一些系统性的框架和思路，比如如何进行有效的超参数调优，如何诊断和解决模型训练中的常见问题（如梯度消失/爆炸），甚至是如何设计出可以解释的神经网络。
哇，拿到《神经网络设计》这本书，我真的太兴奋了！作为一名在AI领域摸爬滚打了好几年的开发者，我一直觉得神经网络是个既迷人又充满挑战的技术。这本书的封面设计就很有吸引力，硬壳装帧，纸质也感觉很扎实，一看就是一本值得深入研读的书。我之前接触过一些神经网络的入门材料，也写过一些简单的模型，但总觉得在原理层面还不够透彻，尤其是在理解一些复杂的激活函数、损失函数以及各种优化算法时，常常会卡住。我特别期待这本书能在理论推导和数学原理上给我更清晰的解释，希望它能帮我深入理解梯度下降的各种变体，比如Adam、RMSprop等等，以及它们在实际应用中的优缺点。另外，我非常想知道书中对于卷积神经网络（CNN）和循环神经网络（RNN）的讲解会达到什么深度，是否会涉及更前沿的注意力机制、Transformer模型等。我平时工作中经常需要处理图像识别和自然语言处理的任务，如果这本书能提供一些实用的模型架构设计思路和调优技巧，那对我来说简直是雪中送炭。而且，我一直认为好的技术书籍不仅仅是讲概念，更重要的是能启发思考，让我能够举一反三，自己去设计出更优的解决方案。所以我对这本书的期望非常高，希望它能成为我学习神经网络的“圣经”。
我一直觉得，一个好的神经网络模型，其“设计”过程比简单的调用库函数要重要得多。《神经网络设计》这本书的名字就非常吸引我，让我觉得它不仅仅是一本关于理论的书，更是一本关于“创造”的书。我希望它能从最基础的构建单元讲起，比如神经元模型、激活函数，然后逐步搭建起更复杂的网络结构。我特别想了解在设计一个神经网络时，有哪些关键的决策点，例如如何选择合适的网络深度和宽度，如何进行层与层之间的连接，以及如何有效地利用残差连接、注意力机制等现代技术。而且，对于数据的处理和模型的评估，我也希望书中能有更深入的讲解，比如如何进行数据增强，如何设计合理的验证集和测试集，以及如何理解各种评估指标的含义和局限性。我的工作经常需要处理一些非常规的任务，所以如果这本书能提供一些通用的设计范例，让我能够触类旁通，举一反三，那就太棒了。我希望通过阅读这本书，能够培养出一种“设计”的能力，而不仅仅是“使用”的能力。
这本书对于想要系统学习神经网络的人倒是很适用，时间充裕的话可以一试。但是我就不行了，从原理开始深究写不出代码。想要快速上手的人还是从实例开始吧
不太适合理论入门 可以作为工程应用入门 把一些基本的基础理论和应用框架进行了说明 也给了比较好的例子 但是数学推导的过程比较混乱
这本书对于想要系统学习神经网络的人倒是很适用，时间充裕的话可以一试。但是我就不行了，从原理开始深究写不出代码。想要快速上手的人还是从实例开始吧
老美的书，果然写得很棒！
谁知道有没有更好的讲神经网络的书？
