具体描述
序言
译者序
深度学习是目前人工智能、机器学习领域异常火热的研究方向，受到了学术界和工业界的高度关注，被《麻省理工学院技术评论》（MIT Technology Review）评为2013年十大突破性技术之首。深度学习已经在语音识别、图像识别、自然语言处理等诸多领域取得了突破性进展，对学术界和工业界产生了深远的影响。本书原著的作者——微软研究院的邓力博士和俞栋博士是最早将深度学习技术付诸于语音识别工业级实践的专家，他们和深度学习专家多伦多大学Geoffrey Hinton教授合作，最早将深度神经网络应用于大词汇量连续语音识别领域中，使相对识别错误率降低了20%以上。
作为多年的导师和好朋友，两位专家将这本书的中文翻译任务交付给我，我倍感荣幸。此次中译本是在忠于原著的基础上进行翻译的，既涉及深度学习的背景和基本概念，又涉及常用的模型与方法，同时包含深度学习在不同领域中的应用。本书共有12章，具体内容包括：引言、深度学习的历史、三类深度学习网络、深度自编码器、预训练的深度神经网络、深度堆叠网络及其变种、语音和音频处理中的应用、在语言模型和自然语言处理中的相关应用、信息检索领域中的应用、在目标识别和计算机视觉中的应用、多模态和多任务学习中的典型应用、结论。
本书的翻译除了受到原著作者的指导，也受到了张蓬副教授、陈小敏、吕航、丁闯、孙思宁、何长青、樊博、张弼弘、张彬彬、周祥增的帮助，在此表示感谢。同时感谢机械工业出版社的大力支持与推动。没有他们的帮助，本书的翻译是无法促成的。
由于深度学习技术是一个快速发展的方向，新的模型和应用层出不穷，加之本人学识有限以及中英文语言表达、术语翻译上的差异，书中难免存在错误，还请广大读者指正与原谅。建议读者在学习过程中和英文原著一起阅读，并参考本书引用的参考文献，以便提高学习和理解效果。
谢磊
原书序
“这本书对最前沿的深度学习方法及应用进行了全面的阐述，不仅包括自动语音识别(ASR)，还包括计算机视觉、语言建模、文本处理、多模态学习以及信息检索。在深度学习这一领域，这是第一本，也是最有价值的一本书，能使读者对这一领域进行广泛而深入的学习。深度学习对信息处理的很多方面（尤其对语音识别）都具有重大的影响，甚至对整个科技领域的影响也不容忽视。因此，对于有意了解这一领域的学者，这本书是绝对不容错过的。”
——Sadaoki Furui，芝加哥丰田技术研究院院长，日本东京工业大学教授
如前所述，深度学习指的是一类广泛的机器学习技术和架构，其特点是采用多层的非线性信息处理方法，这种方法在本质上是分层的。根据这些结构和技术不同的应用领域，如合成／生成或识别／分类，我们可以大致把这些结构分为三类：
（1）无监督或生成式学习的深度网络针对模式分析和合成任务，用于在没有目标类标签信息的情况下捕捉观测到的或可见数据的高阶相关性。各种文献中的无监督特征或表达学习指的就是这一类深度网络。当用于生成模式时，它也可以用来描述可见数据和其相关分类的联合概率分布，此时它具有可利用的类别标签，而且这些类别标签被看作是可见数据的一部分。在后一种情况中，利用贝叶斯准则可以把生成式学习网络转换为判别式学习网络。
（2）有监督学习的深度网络 直接提供用于模式分类目的的判别能力，它的特点是描述了可见数据条件下的类别后验分布。对于这种有监督的学习，目标类别标签总是以直接或间接形式给出，所以它们也被称作判别式深度网络。
（3）混合深度网络 目标是判别式模型，往往以生成式或无监督深度网络的结果作为重要辅助，可以通过更好地优化和正则化类别（2）中的深度网络来实现，也可以通过在对类别（1）中所述的深度生成式或无监督深度网络的参数进行估计时，使用判别式准则来实现。
作者简介
目录信息
译者序
原书序
1引言
1.1深度学习的定义与背景
1.2本书的结构安排
2深度学习的历史
3三类深度学习网络
3.1三元分类方式
3.2无监督和生成式学习深度网络
3.3监督学习深度网络
3.4混合深度网络
4深度自编码器——一种无监督学习方法
4.1引言
4.2利用深度自编码器来提取语音特征
4.3堆叠式去噪自编码器
4.4转换自编码器
5预训练的深度神经网络——一种混合方法
5.1受限玻尔兹曼机
5.2无监督逐层预训练
5.3DNN和HMM结合
6深度堆叠网络及其变形——有监督学习
6.1简介
6.2深度堆叠网络的基本结构
6.3一种学习DSN权值的方法
6.4张量深度堆叠网络
6.5核化深度堆叠网络
7语音和音频处理中的应用
7.1语音识别中声学模型的建立
7.2语音合成
7.3音频和音乐处理
8在语言模型和自然语言处理中的相关应用
8.1语言模型
8.2自然语言处理
9信息检索领域中的应用
9.1信息检索简介
9.2用基于深度自编码器的语义哈希方法对文档进行索引和检索
9.3文档检索中的深度结构语义模型
9.4信息检索中深度堆叠网络的应用
10在目标识别和计算机视觉中的应用
10.1无监督或生成特征学习
10.2有监督特征学习和分类
11多模态和多任务学习中的典型应用
11.1多模态：文本和图像
11.2多模态：语音和图像
11.3在语音、自然语言处理或者图像领域的多任务学习
12结论
附录
参考文献
· · · · · · (收起)
读后感
评分
评分
评分
评分
用户评价
我是一名资深的软件工程师，在工作中经常会遇到需要处理大量数据和复杂模式识别的任务。虽然我接触过一些机器学习的算法，但对于深度学习，我一直感到有些敬畏。这本书的出现，彻底改变了我的看法。作者的讲解方式非常务实，他将深度学习的理论知识与实际工程应用紧密结合，让我能够迅速地将学到的知识应用到工作中。我尤其欣赏书中的“避坑指南”，作者分享了许多在实际开发中可能遇到的问题以及解决方案，这对于节省我的时间和精力非常有帮助。书中对模型优化和性能调优的讨论也让我受益匪浅，我学到了如何更有效地训练模型，提高预测精度。这本书不仅让我对深度学习有了更深入的理解，还为我提供了解决实际问题的有力工具。我强烈推荐给所有希望在工作中应用深度学习技术的工程师们。
评分这本书简直是我近期阅读过的最令人兴奋的一本！我一直对科技发展很感兴趣，尤其是那些能够改变世界的新技术。深度学习这个概念听起来很酷，但一直觉得离我太遥远。这本书用一种非常平易近人的方式，让我了解了深度学习是如何工作的，它究竟能做什么。书中有很多有趣的故事和案例，让我觉得学习过程一点也不枯燥。我最喜欢的是书里对人工智能在日常生活中的应用的描写，比如智能推荐系统、自动驾驶汽车等等，让我看到了科技如何渗透到我们的生活方方面面。作者的语言非常幽默，即使是那些比较专业的概念，也能被他讲得生动形象。这本书让我对深度学习产生了浓厚的兴趣，也让我更加期待未来科技的发展。我一定会把这本书推荐给我的朋友们，让他们也一起感受深度学习的魅力！
评分作为一名对人工智能领域充满热情的研究生，我一直在寻找一本能够系统性地梳理深度学习理论并兼顾前沿研究进展的教材。这本书无疑满足了我的需求。作者在梳理基础知识方面做得非常出色，从感知机到反向传播，再到各种激活函数和损失函数，每个概念的讲解都非常透彻，并且引用了大量的经典论文作为佐证。更让我惊喜的是，书中还涵盖了近年来深度学习领域的最新研究成果，比如Transformer模型在自然语言处理领域的突破，以及图神经网络在复杂关系建模中的应用。作者对这些前沿技术的讲解也毫不含糊，深入剖析了其核心思想和技术细节。这本书不仅为我的学术研究提供了坚实的理论基础，还为我指明了未来的研究方向。我强烈建议所有从事人工智能和深度学习研究的学者们阅读此书。
评分这本书真的太棒了，我一直对深度学习这个领域充满好奇，但又觉得它遥不可及，直到我遇到了它。作者以一种非常生动有趣的方式，将那些复杂的概念娓娓道来，让我这个初学者也能轻松理解。书中的例子非常贴近实际，不仅有理论的讲解，还有大量的代码实现，让我能够动手实践，加深理解。我特别喜欢书里对卷积神经网络和循环神经网络的讲解，那些图示和解释简直是神来之笔，让我茅塞顿开。而且，书中的案例分析也非常精彩，从图像识别到自然语言处理，几乎涵盖了深度学习的各个应用领域，让我看到了这个技术巨大的潜力。我迫不及待地想要将书中的知识应用到我的项目中，相信这本书一定会成为我深度学习之路上的重要指引。我强烈推荐给所有对深度学习感兴趣的朋友，无论你是学生、研究者还是开发者，都能从中受益匪浅。
评分这本书简直就是为我量身定做的！我是一名在校学生，对机器学习和人工智能都有所涉猎，但总觉得在深度学习这块儿有知识盲区。读了这本书之后，我才真正明白深度学习的强大之处。作者的逻辑非常清晰，从最基础的神经网络原理讲起，逐步深入到各种复杂的模型，比如生成对抗网络和注意力机制。书中对数学公式的推导也很详尽，这对于我理解算法的底层逻辑至关重要。我特别欣赏的是，作者并没有仅仅停留在理论层面，而是花了大量的篇幅去讲解如何在实际项目中应用这些技术，包括数据预处理、模型训练、评估以及部署等关键环节。书中的代码示例也是我非常看重的一点，可以直接运行，让我能够快速地搭建和测试自己的模型。这本书让我对深度学习的理解从“知其然”上升到了“知其所以然”，极大地提升了我解决实际问题的能力。
评分作为综述蛮好的
评分看下面的原文吧 科普而已
评分综述不是，也没有简单的例子，又不是系统的学习，就特么一论文集，压根不是给人看的。果断扔。
评分论文综述，文不对题，内容有些过时
评分看两眼就扔了，不是想要的知识，都是论文
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.quotespace.org All Rights Reserved. 小美书屋 版权所有