This textbook provides a true introduction to functional magnetic resonance imaging (fMRI), which has become the dominant research technique in cognitive neuroscience. Although there is extraordinary interest in fMRI among researchers, instructors, and students alike, its instruction has faced a set of challenges. Existing texts are targeted toward practicing scientists in the field, and assume a level of expertise not possessed by most students. Furthermore, most students do not have access to fMRI equipment and data, so they have no opportunity to gain hands-on experience. This textbook overcomes these limitations by presenting a comprehensive overview of all aspects of fMRI, designed with undergraduate students, graduate students, and beginning researchers in mind.
The book progresses through 15 chapters. It begins with an introduction to fMRI and its history, principles, and technical requirements. The following several chapters cover the physics of fMRI, with careful attention devoted toward relating abstract concepts to research applications. Subsequent chapters cover the basic biological properties of the fMRI signal, including its spatial and temporal properties and its variability. Systematic discussions of research design and experimental analysis are included, and will be of particular interest to the many students with graduate or medical school aspirations. The book ends with discussions of future directions for fMRI, not only in terms of advances in understanding the brain and methodological improvements, but also in the integration of fMRI with other research techniques.
Included with every copy of the book is a comprehensive CD-ROM containing study questions for each chapter of the book, suggested lab exercises, fMRI data sets including both functional and anatomical data, a tools section, and compete glossary.
The authors' goal was to create a book that is sufficiently scientifically rigorous for researchers in the field, but also accessible enough to be easily read and understood by beginning students. All chapters are copiously illustrated, with key terms described in a marginal glossary, and have annotated lists of references. The book can be used as the primary text for classes in fMRI, or as a secondary text for cognitive neuroscience, research methods, or other courses.
深度学习与自然语言处理前沿进展 书籍简介 本书旨在全面、深入地探讨当前人工智能领域中最具活力和影响力的两个核心分支：深度学习（Deep Learning）与自然语言处理（Natural Language Processing，NLP）。随着计算能力的飞速提升和海量数据的积累，深度学习已成为推动人工智能实现突破性进展的根本驱动力。而自然语言处理作为人机交互的关键桥梁，正经历着由传统统计方法向基于神经网络模型的范式转变。本书力求为研究人员、工程师以及高年级学生提供一个既有坚实的理论基础，又紧密贴合最新研究热点的权威参考。 第一部分：深度学习基础与高级架构 本书的开篇部分奠定了理解现代人工智能系统的理论基石。 第一章：神经网络的数学基础与优化 本章首先回顾了经典的人工神经网络（ANN）结构，深入剖析了前馈网络（Feedforward Networks）的数学原理，包括激活函数（如ReLU, Sigmoid, Tanh）的选择及其对梯度传播的影响。重点讨论了反向传播算法（Backpropagation）的精妙之处，并从微积分和线性代数的角度进行了详细推导。随后，我们转向现代优化策略。标准梯度下降的局限性被详细阐述，引出动量（Momentum）、自适应学习率方法如 AdaGrad、RMSProp 和 Adam 优化器的内在机制及其在处理稀疏数据和复杂损失曲面时的优势与权衡。此外，本章还探讨了正则化技术，如 L1/L2 正则化、Dropout 的随机失活机制及其在防止过拟合中的关键作用。 第二章：卷积神经网络（CNN）的演进与应用 卷积神经网络是计算机视觉领域无可争议的支柱。本章从基础的卷积操作、池化层（Pooling）的原理讲起，逐步深入到经典的 LeNet、AlexNet 架构，并详细分析了 VGGNet 的深度堆叠策略、GoogLeNet/Inception 模块的空间多尺度处理思想，以及 ResNet 中残差连接（Residual Connections）如何解决深度网络中的梯度消失问题。我们不仅关注图像分类，还拓展到目标检测（如 R-CNN 系列、YOLOv5/v8 的最新发展）和语义分割（如 U-Net 架构）中的关键技术点，强调卷积核设计和特征图层次结构的重要性。 第三章：循环神经网络（RNN）的扩展与挑战 本章聚焦于处理序列数据的核心模型。在介绍基础 RNN 结构及其在时间序列预测中的应用后，立即引入了长期依赖性问题（Long-Term Dependency）。为解决此问题，本章详尽解析了长短期记忆网络（LSTM）和门控循环单元（GRU）的内部结构——输入门、遗忘门、输出门和细胞状态的精细控制机制。此外，本章还讨论了双向 RNN（Bidirectional RNNs）在需要双向上下文信息的任务中的价值，并分析了 RNNs 在处理极长序列时的计算效率瓶颈。 第四章：Transformer 架构的革命性突破 Transformer 模型彻底改变了序列建模的范式，是现代 NLP 的核心。本章将其视为贯穿全书的重要主题之一。我们详细拆解了原始 Transformer 架构，重点阐述了自注意力机制（Self-Attention）是如何取代循环结构，实现并行化计算并捕获全局依赖的。注意力权重的计算、多头注意力（Multi-Head Attention）的设计哲学，以及位置编码（Positional Encoding）如何为模型注入序列顺序信息，都将进行深入的数学剖析。本章还讨论了 Encoder-Decoder 结构在序列到序列（Seq2Seq）任务中的实现。 第二部分：自然语言处理的前沿技术 在掌握了深度学习的通用工具后，本书将焦点完全转向 NLP 领域，探索如何将这些工具应用于理解、生成和转换人类语言。 第五章：预训练语言模型的崛起与演化 预训练（Pre-training）是当前 NLP 研究的基石。本章首先回顾了词嵌入（Word Embeddings）的局限性（如无法处理一词多义），随后详细介绍了 ELMo、GPT（Generative Pre-trained Transformer）和 BERT（Bidirectional Encoder Representations from Transformers）等里程碑式的模型。我们深入研究了 BERT 的两大核心预训练任务：掩码语言模型（Masked Language Modeling, MLM）和下一句预测（Next Sentence Prediction, NSP）。对于 GPT 系列，重点分析了其单向生成机制及其在零样本（Zero-shot）和少样本（Few-shot）学习中的强大能力。 第六章：高级 NLP 任务与模型微调 本章探讨了如何将预训练模型应用于下游的具体任务，即微调（Fine-tuning）。涵盖的任务包括：文本分类（情感分析、主题识别）、命名实体识别（NER）、问答系统（QA，特别是抽取式和生成式 QA）以及语义角色标注。我们探讨了针对特定任务调整模型结构（如在 BERT 顶层添加特定分类器）的最佳实践，并讨论了高效微调策略，如参数高效微调（PEFT）方法，例如 LoRA（Low-Rank Adaptation of Large Language Models），以应对超大模型的训练成本。 第七章：语言生成模型的深入研究 语言生成是 NLP 中最具挑战性的领域之一。本章聚焦于如何控制和评估生成文本的质量。我们详细分析了 Beam Search、Top-K 采样和 Nucleus Sampling（Top-P 采样）等解码策略，对比它们在保持流畅性与引入多样性之间的权衡。此外，本章还将探讨文本摘要（抽象式与抽取式）和机器翻译（Neural Machine Translation, NMT）中如何应用 Sequence-to-Sequence 框架和注意力机制来优化翻译质量和上下文连贯性。 第八章：大型语言模型（LLMs）的规模化与对齐 随着模型参数突破千亿级别，LLMs 展现出惊人的“涌现能力”（Emergent Abilities）。本章探讨了支撑 LLMs 训练的分布式计算范式（如数据并行、模型并行、流水线并行）。核心内容集中在“对齐”（Alignment）问题上，即如何确保模型的输出符合人类的意图和价值观。这部分详细介绍了一种关键技术：基于人类反馈的强化学习（Reinforcement Learning from Human Feedback, RLHF），包括奖励模型的训练过程和 PPO（Proximal Policy Optimization）在优化生成策略中的应用。我们还将讨论 LLMs 在推理阶段如何通过思维链（Chain-of-Thought, CoT）提示工程来增强复杂推理能力。 第九章：模型的可解释性、鲁棒性与伦理考量 任何强大的技术都必须伴随着对其局限性的深刻理解。本章探讨了深度学习模型在 NLP 领域的“黑箱”问题。我们介绍了解释性工具，如 LIME 和 SHAP 值，用于理解特定预测背后的特征贡献。鲁棒性方面，本章分析了对抗性攻击（Adversarial Attacks）对 NLP 模型的威胁，以及如何通过对抗训练来增强模型的安全性。最后，本书以审慎的态度探讨了 LLMs 带来的伦理挑战，包括偏见放大、信息传播风险以及数据隐私保护的重要性，强调负责任的人工智能开发原则。 结语 本书旨在提供一个全面、前沿且深入的技术路线图，帮助读者驾驭深度学习与自然语言处理领域的复杂性和快速发展。未来的研究将聚焦于跨模态融合、更高效的知识注入和更精细的对齐技术，本书所介绍的原理和架构将是探索这些未来的坚实基础。
