具体描述
《深度学习导论》讲述了前馈神经网络、Tensorflow、卷积神经网络、词嵌入与循环神经网络、序列到序列学习、深度强化学习、无监督神经网络模型等深度学习领域的基本概念和技术,通过一系列的编程任务,向读者介绍了热门的人工智能应用,包括计算机视觉和自然语言处理等。
本书编写简明扼要,理论联系实践,每一章都包含习题以及补充阅读的参考文献。本书既可作为高校人工智能课程的教学用书,也可供从业者入门参考。
本书要求读者熟悉线性代数、多元微积分、概率论与数理统计知识,另外需要读者了解Python编程。
作者简介
作者简介
尤金·查尔尼克(Eugene Charniak),美国布朗大学计算机科学和认知科学教授,博士毕业于MIT,博士导师是人工智能之父马文·明斯基。他是国际知名的人工智能研究者,美国人工智能学会(AAAI)会士,2011年获美国计算语言学会(ACL)终身成就奖。除本书之外,他还撰写了《统计语言学习》《人工智能编程》等图书。
译者简介
沈磊,美国计算语言学会(ACL)会员,中国计算机学会(CCF)会员,博士毕业于北京航空航天大学计算机学院,博士研究方向为人工智能、模式识别,现为vivo公司北京AI研究院NLP算法专家,主要方向为自然语言理解和自动问答。她在自然语言处理及推荐算法方向发表了多篇学术论文,申请了5项专利。
郑春萍,教育学博士,北京邮电大学人文学院副教授,主要研究方向为应用语言学与计算机辅助翻译。她是美国国务院“英语语言学者项目”访问学者、英国曼彻斯特大学人文艺术学院访问学者,曾获北京市高等教育教学成果一等奖、北京市高校青年教学名师奖、中央电视台“希望之星”英语风采大赛全国总决赛**指导教师奖等奖项。她主持了国家社科基金、教育部霍英东青年教师基金及教育部人文社科基金等省部级课题6项,发表学术论文40余篇,主编教材2部,出版专著1部、译著2部。
目录信息
1.1 感知机 3
1.2 神经网络的交叉熵损失函数 7
1.3 导数与随机梯度下降 11
1.4 编写程序 15
1.5 神经网络的矩阵表示 17
1.6 数据独立性 19
1.7 参考文献和补充阅读 20
1.8 习题 21
第 2章 Tensorflow 23
2.1 预备知识 23
2.2 TF程序 26
2.3 多层神经网络 31
2.4 其他方面 34
2.4.1 检查点 34
2.4.2 tensordot 35
2.4.3 TF变量的初始化 37
2.4.4 TF图创建的简化 39
2.5 参考文献和补充阅读 40
2.6 习题 40
第3章 卷积神经网络 43
3.1 滤波器、步长和填充 43
3.2 一个简单的TF卷积例子 49
3.3 多层卷积 51
3.4 卷积细节 54
3.4.1 偏置 54
3.4.2 卷积层 55
3.4.3 池化运算(pooling) 55
3.5 参考文献和补充阅读 56
3.6 习题 57
第4章 词嵌入与循环神经网络 59
4.1 语言模型的词嵌入 59
4.2 构建前馈语言模型 63
4.3 改进前馈语言模型 65
4.4 过拟合 66
4.5 循环网络 69
4.6 长短期记忆模型 75
4.7 参考文献和补充阅读 78
4.8 习题 78
第5章 序列到序列学习 81
5.1 seq2seq模型 82
5.2 编写一个seq2seq MT程序 84
5.3 seq2seq中的注意力机制 87
5.4 多长度seq2seq 90
5.5 编程练习 91
5.6 参考文献和补充阅读 93
5.7 习题 94
第6章 深度强化学习 97
6.1 值迭代 98
6.2 Q学习 101
6.3 深度Q学习基础 103
6.4 策略梯度法 106
6.5 行动者-评论家方法 112
6.6 经验回放 114
6.7 参考文献和补充阅读 115
6.8 习题 116
第7章 无监督神经网络模型 119
7.1 基本自编码 119
7.2 卷积自编码 122
7.3 变分自编码 126
7.4 生成式对抗网络 132
7.5 参考文献和补充阅读 137
7.6 习题 137
附录A 部分习题答案 139
附录B 参考文献 143
附录C 索引 147
本书赞誉 151
· · · · · · (收起)
读后感
用户评价
这本书在案例选择和实践指导方面的深度和广度,远超出了我的预期。它没有停留在教科书式的理论推导,而是大量引入了业界公认的经典数据集和具有代表性的应用场景。例如,在讲解卷积神经网络(CNN)时,对图像识别任务的分解,从早期的 LeNet 到 AlexNet、VGG 的演进脉络交代得极其清晰,不仅展示了网络深度的增加带来的性能提升,更重要的是,它解释了为何要引入特定的结构创新,比如 Max Pooling 的引入是为了实现平移不变性。更令人称赞的是,书中对模型评估指标的讨论非常细致,它区分了准确率(Accuracy)、精确率(Precision)、召回率(Recall)和 F1 分数在不同业务场景下的适用性,避免了新手“一概而论”的误区。这种强调工程实践和业务理解的讲解方式,让这本书不仅仅停留在学术层面,而是真正具备了指导工程师快速上手的价值。读完相关章节,我感觉自己不仅是理解了算法的原理,更掌握了如何用这些算法去解决实际问题的方法论。
我对这本书的叙述节奏感触最为深刻,它不像有些教材那样,上来就用一堆术语将读者淹没,而是采取了一种非常循序渐进的“由浅入深,由宏观到微观”的教学路径。开篇对线性代数和概率论基础知识的回顾,不是简单的公式罗列,而是紧密结合神经网络中的实际应用场景进行讲解,比如向量化操作如何提升计算效率,条件概率如何在反向传播中体现其作用。这种“即学即用”的模式,极大地降低了跨学科知识的理解门槛。书中在讲解激活函数时,花了大量的笔墨去对比 Sigmoid、Tanh 和 ReLU 之间的优劣,不仅展示了它们的数学表达式,更用生动的“梯度消失”和“神经元死亡”的案例分析,让读者直观感受到为什么 ReLU 成为主流。这种深入浅出的分析方法,使得原本抽象的数学概念变得可视化、可触摸。即便是复杂的多层感知机(MLP)的构建过程,也被拆解成了若干个易于消化的步骤,每一步都有清晰的理论依据和代码实现思路指导,让人感觉每读完一个章节,自己的知识框架就扎实了一分,而不是像读完其他书后,知识点零散而缺乏系统性。
这本书在结构上的宏大叙事感令人印象深刻,它成功地将深度学习置于整个人工智能技术图谱中的恰当位置。在全书的后半部分,作者开始探讨一些更具前瞻性和挑战性的主题,比如循环神经网络(RNN)在处理序列数据时的固有缺陷,以及为了克服这些缺陷而引入的 LSTM 和 GRU 架构的精妙设计。这里的描述并非只是简单的结构堆砌,而是紧密围绕“长期依赖问题”这一核心痛点,逐步展示了门控机制是如何巧妙地调节信息流动的。更为难得的是,作者还引申讨论了当前研究的热点,如注意力机制(Attention)的出现如何彻底改变了序列模型的范式,并简要触及了 Transformer 架构的基本思想,为读者指明了进一步深入学习的方向。这种“承前启后”的安排,使得整本书读起来像是一部完整且逻辑严密的史诗,它不仅教会了读者如何使用现有的工具,更激发了我们去思考未来可能的技术突破点,让人在合上书本时,充满了探索未知的渴望和信心。
作者在探讨模型泛化能力和正则化技术时所展现出的洞察力,是我认为这本书最核心的价值之一。他对于“欠拟合”与“过拟合”的分析,并非简单地用训练误差和测试误差的差距来定义,而是深入挖掘了模型复杂度、数据量与正则化强度三者之间的微妙平衡关系。书中对 L1 和 L2 正则化的对比,不仅停留在数学公式的差异上,更结合了稀疏性与权值衰减对模型学习过程的影响进行了定性分析,这对于理解权重如何在优化过程中被约束至关重要。此外,关于 Dropout 技术的介绍,作者不仅展示了其在训练阶段的随机性,还深入探讨了其在推理阶段如何通过缩放因子进行调整,以保证输出的期望值不变,这种对细节的严谨把控,体现了作者深厚的学术功底和丰富的实战经验。这种对模型稳定性和鲁棒性问题的重视,是许多入门级读物常常忽略的“硬骨头”部分,但这本书却将其作为重点模块进行详细剖析,极大地提升了读者的批判性思维能力。
这本书的装帧设计着实让人眼前一亮,封面选用了深沉的靛蓝色调,配以几何构成的抽象线条,仿佛暗示着复杂的网络结构和层级关系,拿在手里有一种沉甸甸的踏实感。我注意到纸张的质量非常上乘,印刷的字体清晰锐利,即便是那些密集的数学公式和代码块,看起来也毫无费力。初翻阅时,作者在前言中展现出的那种对该领域历史脉络的清晰梳理,以及对当前技术前沿的精准把握,立刻抓住了我的注意力。他没有直接跳入晦涩的算法细节,而是花了大量的篇幅去阐述“为什么”要发展深度学习,这种哲学层面的铺垫,对于一个希望建立全面认知体系的初学者来说,无疑是极大的帮助。特别是关于早期连接主义与感知机局限性的讨论,被描述得生动有趣,让人仿佛回到了那个技术攻坚的年代。全书的排版风格非常注重阅读体验,章节之间的逻辑过渡自然流畅,图示的质量极高,每一个示意图都精确地服务于其所解释的概念,没有丝毫冗余的装饰。这本书的物理呈现,已经超越了一本技术手册的范畴,更像是一件精心制作的工艺品,让人愿意将其摆在案头,时常翻阅。