具体描述
本书主要介绍神经网络与深度学习中的基础知识、主要模型（卷积神经网络、递归神经网络等）以及在计算机视觉、自然语言处理等领域的应用。
作者简介
邱锡鹏
复旦大学计算机科学技术学院教授、博士生导师，于复旦大学获得理学学士和博士学位。主要研究领域包括自然语言处理、机器学习、深度学习等，在相关领域的权威国际期刊、会议上发表学术论文60余篇，获得计算语言学顶级国际会议ACL 2017杰出论文奖、全国计算语言学会议CCL 2019最佳论文奖，2015年入选首届中国科协青年人才托举工程，2018年获得中国中文信息学会“钱伟长中文信息处理科学技术奖青年创新一等奖”，入选由“清华—中国工程院知识智能联合研究中心和清华大学人工智能研究院”联合发布的2020年人工智能（AI）全球最具影响力学者提名。该排名参考过去十年人工智能各子领域最有影响力的会议和期刊发表论文的引用情况，排名前10的学者当选该领域当年最具影响力学者奖，排名前100的其他学者获最具影响力学者提名奖。作为项目负责人开源发布了两个自然语言处理开源系统FudanNLP和FastNLP，获得了学术界和产业界的广泛使用。目前担任中国中文信息学会青年工作委员会执行委员、计算语言学专委会委员、语言与知识计算专委会委员，中国人工智能学会青年工作委员会常务委员、自然语言理解专委会委员。
目录信息
前言
常用符号表
第一部分 机器学习基础
第1章 绪论3
1.1人工智能...............................4
1.1.1人工智能的发展历史....................5
1.1.2人工智能的流派.......................7
1.2机器学习...............................7
1.3表示学习...............................8
1.3.1局部表示和分布式表示...................9
1.3.2表示学习...........................11
1.4深度学习...............................11
1.4.1端到端学习..........................12
1.5神经网络...............................13
1.5.1人脑神经网络........................13
1.5.2人工神经网络........................14
1.5.3神经网络的发展历史....................15
1.6本书的知识体系...........................17
1.7常用的深度学习框架.........................18
1.8总结和深入阅读...........................20
第2章 机器学习概述23
2.1基本概念...............................24
2.2机器学习的三个基本要素......................26
2.2.1模型..............................26
2.2.2学习准则...........................27
2.2.3优化算法...........................30
2.3机器学习的简单示例——线性回归.................33
2.3.1参数学习...........................34
2.4偏差-方差分解............................38
2.5机器学习算法的类型.........................41
2.6数据的特征表示...........................43
2.6.1传统的特征学习.......................44
2.6.2深度学习方法........................46
2.7评价指标...............................46
2.8理论和定理..............................49
2.8.1PAC学习理论........................49
2.8.2没有免费午餐定理......................50
2.8.3奥卡姆剃刀原理.......................50
2.8.4丑小鸭定理..........................51
2.8.5归纳偏置...........................51
2.9总结和深入阅读...........................51
第3章 线性模型
3.1线性判别函数和决策边界......................56
3.1.1二分类............................56
3.1.2多分类............................58
3.2Logistic回归.............................59
3.2.1参数学习...........................60
3.3Softmax回归.............................61
3.3.1参数学习...........................62
3.4感知器.................................64
3.4.1参数学习...........................64
3.4.2感知器的收敛性.......................66
3.4.3参数平均感知器.......................67
3.4.4扩展到多分类........................69
3.5支持向量机..............................71
3.5.1参数学习...........................73
3.5.2核函数............................74
3.5.3软间隔............................74
3.6损失函数对比.............................75
3.7总结和深入阅读...........................76
第二部分 基础模型
第4章 前馈神经网络81
4.1神经元.................................82
4.1.1Sigmoid型函数.......................83
4.1.2ReLU函数..........................86
4.1.3Swish函数..........................88
4.1.4GELU函数..........................89
4.1.5Maxout单元.........................89
4.2网络结构...............................90
4.2.1前馈网络...........................90
4.2.2记忆网络...........................90
4.2.3图网络............................90
4.3前馈神经网络.............................91
4.3.1通用近似定理........................93
4.3.2应用到机器学习.......................94
4.3.3参数学习...........................95
4.4反向传播算法.............................95
4.5自动梯度计算.............................98
4.5.1数值微分...........................99
4.5.2符号微分...........................99
4.5.3自动微分...........................100
4.6优化问题...............................103
4.6.1非凸优化问题........................103
4.6.2梯度消失问题........................104
4.7总结和深入阅读...........................104
第5章 卷积神经网络109
5.1卷积..................................110
5.1.1卷积的定义..........................110
5.1.2互相关............................112
5.1.3卷积的变种..........................113
5.1.4卷积的数学性质.......................114
5.2卷积神经网络.............................115
5.2.1用卷积来代替全连接....................115
5.2.2卷积层............................116
5.2.3汇聚层............................118
5.2.4卷积网络的整体结构....................119
5.3参数学习...............................120
5.3.1卷积神经网络的反向传播算法...............120
5.4几种典型的卷积神经网络......................121
5.4.1LeNet-5............................122
5.4.2AlexNet...........................123
5.4.3Inception网络........................125
5.4.4残差网络...........................126
5.5其他卷积方式.............................127
5.5.1转置卷积...........................127
5.5.2空洞卷积...........................129
5.6总结和深入阅读...........................130
第6章 循环神经网络133
6.1给网络增加记忆能力.........................134
6.1.1延时神经网络........................134
6.1.2有外部输入的非线性自回归模型..............134
6.1.3循环神经网络........................135
6.2简单循环网络.............................135
6.2.1循环神经网络的计算能力..................136
6.3应用到机器学习...........................138
6.3.1序列到类别模式.......................138
6.3.2同步的序列到序列模式...................139
6.3.3异步的序列到序列模式...................139
6.4参数学习...............................140
6.4.1随时间反向传播算法....................141
6.4.2实时循环学习算法......................142
6.5长程依赖问题.............................143
6.5.1改进方案...........................144
6.6基于门控的循环神经网络......................145
6.6.1长短期记忆网络.......................145
6.6.2LSTM网络的各种变体...................147
6.6.3门控循环单元网络......................148
6.7深层循环神经网络..........................149
6.7.1堆叠循环神经网络......................150
6.7.2双向循环神经网络......................150
6.8扩展到图结构.............................151
6.8.1递归神经网络........................151
6.8.2图神经网络..........................152
6.9总结和深入阅读...........................153
第7章 网络优化与正则化157
7.1网络优化...............................157
7.1.1网络结构多样性.......................158
7.1.2高维变量的非凸优化....................158
7.1.3神经网络优化的改善方法..................160
7.2优化算法...............................160
7.2.1小批量梯度下降.......................160
7.2.2批量大小选择........................161
7.2.3学习率调整..........................162
7.2.4梯度估计修正........................167
7.2.5优化算法小结........................170
7.3参数初始化..............................171
7.3.1基于固定方差的参数初始化.................172
7.3.2基于方差缩放的参数初始化.................173
7.3.3正交初始化..........................175
7.4数据预处理..............................176
7.5逐层归一化..............................178
7.5.1批量归一化..........................179
7.5.2层归一化...........................181
7.5.3权重归一化..........................182
7.5.4局部响应归一化.......................182
7.6超参数优化..............................183
7.6.1网格搜索...........................183
7.6.2随机搜索...........................184
7.6.3贝叶斯优化..........................184
7.6.4动态资源分配........................185
7.6.5神经架构搜索........................186
7.7网络正则化..............................186
7.7.1?1和?2正则化........................187
7.7.2权重衰减...........................188
7.7.3提前停止...........................188
7.7.4丢弃法............................189
7.7.5数据增强...........................191
7.7.6标签平滑...........................191
7.8总结和深入阅读...........................192
第8章 注意力机制与外部记忆197
8.1认知神经学中的注意力.......................198
8.2注意力机制..............................199
8.2.1注意力机制的变体......................201
8.3自注意力模型.............................203
8.4人脑中的记忆.............................205
8.5记忆增强神经网络..........................207
8.5.1端到端记忆网络.......................208
8.5.2神经图灵机..........................210
8.6基于神经动力学的联想记忆.....................211
8.6.1Hopfiel网络........................212
8.6.2使用联想记忆增加网络容量.................215
8.7总结和深入阅读...........................215
第9章 无监督学习219
9.1无监督特征学习...........................220
9.1.1主成分分析..........................220
9.1.2稀疏编码...........................222
9.1.3自编码器...........................224
9.1.4稀疏自编码器........................225
9.1.5堆叠自编码器........................226
9.1.6降噪自编码器........................226
9.2概率密度估计.............................227
9.2.1参数密度估计........................227
9.2.2非参数密度估计.......................229
9.3总结和深入阅读...........................232
第10章 模型独立的学习方式235
10.1集成学习...............................235
10.1.1AdaBoost算法........................237
10.2自训练和协同训练..........................240
10.2.1自训练............................240
10.2.2协同训练...........................240
10.3多任务学习..............................242
10.4迁移学习...............................245
10.4.1归纳迁移学习........................246
10.4.2转导迁移学习........................247
10.5终身学习...............................249
10.6元学习.................................252
10.6.1基于优化器的元学习....................253
10.6.2模型无关的元学习......................254
10.7总结和深入阅读...........................255
第三部分 进阶模型
第11章 概率图模型261
11.1模型表示...............................262
11.1.1有向图模型..........................263
11.1.2常见的有向图模型......................264
11.1.3无向图模型..........................267
11.1.4无向图模型的概率分解...................267
11.1.5常见的无向图模型......................269
11.1.6有向图和无向图之间的转换.................270
11.2学习..................................271
11.2.1不含隐变量的参数估计...................271
11.2.2含隐变量的参数估计....................273
11.3推断..................................279
11.3.1精确推断...........................279
11.3.2近似推断...........................282
11.4变分推断...............................283
11.5基于采样法的近似推断.......................285
11.5.1采样法............................285
11.5.2拒绝采样...........................287
11.5.3重要性采样..........................288
11.5.4马尔可夫链蒙特卡罗方法..................289
11.6总结和深入阅读...........................292
第12章 深度信念网络297
12.1玻尔兹曼机..............................297
12.1.1生成模型...........................299
12.1.2能量最小化与模拟退火...................301
12.1.3参数学习...........................302
12.2受限玻尔兹曼机...........................304
12.2.1生成模型...........................305
12.2.2参数学习...........................307
12.2.3受限玻尔兹曼机的类型...................308
12.3深度信念网络.............................309
12.3.1生成模型...........................310
12.3.2参数学习...........................310
12.4总结和深入阅读...........................313
第13章 深度生成模型317
13.1概率生成模型.............................318
13.1.1密度估计...........................318
13.1.2生成样本...........................319
13.1.3应用于监督学习.......................319
13.2变分自编码器.............................319
13.2.1含隐变量的生成模型....................319
13.2.2推断网络...........................321
13.2.3生成网络...........................323
13.2.4模型汇总...........................323
13.2.5再参数化...........................325
13.2.6训练..............................325
13.3生成对抗网络.............................327
13.3.1显式密度模型和隐式密度模型...............327
13.3.2网络分解...........................327
13.3.3训练..............................329
13.3.4一个生成对抗网络的具体实现：DCGAN..........330
13.3.5模型分析...........................330
13.3.6改进模型...........................333
13.4总结和深入阅读...........................336
第14章 深度强化学习339
14.1强化学习问题.............................340
14.1.1典型例子...........................340
14.1.2强化学习定义........................340
14.1.3马尔可夫决策过程......................341
14.1.4强化学习的目标函数....................343
14.1.5值函数............................344
14.1.6深度强化学习........................345
14.2基于值函数的学习方法.......................346
14.2.1动态规划算法........................346
14.2.2蒙特卡罗方法........................349
14.2.3时序差分学习方法......................350
14.2.4深度Q网络..........................353
14.3基于策略函数的学习方法......................354
14.3.1REINFORCE算法......................356
14.3.2带基准线的REINFORCE算法...............356
14.4演员-评论员算法...........................358
14.5总结和深入阅读...........................360
第15章 序列生成模型365
15.1序列概率模型.............................366
15.1.1序列生成...........................367
15.2N元统计模型.............................368
15.3深度序列模型.............................370
15.3.1模型结构...........................370
15.3.2参数学习...........................373
15.4评价方法...............................373
15.4.1困惑度............................373
15.4.2BLEU算法..........................374
15.4.3ROUGE算法.........................375
15.5序列生成模型中的学习问题.....................375
15.5.1曝光偏差问题........................376
15.5.2训练目标不一致问题....................377
15.5.3计算效率问题........................377
15.6序列到序列模型...........................385
15.6.1基于循环神经网络的序列到序列模型...........386
15.6.2基于注意力的序列到序列模型...............387
15.6.3基于自注意力的序列到序列模型..............388
15.7总结和深入阅读...........................390
附录数学基础 393
附录A 线性代数 394
附录B 微积分 404
附录C 数学优化 413
附录D 概率论 420
附录E 信息论 433
索引 439
· · · · · · (收起)
读后感
比花书内容多一些，深度比不上prml等圣经级书籍，行文不太连贯，有博文拼凑之感，或者说只是一本讲义而非适合自学的参考书，没有一气呵成的感觉，应用部分也不多，对于初学者难度大了些，对于老手用处又不大。希望纸质书印制时可以优化一下，斟酌一下行文，同时增加一些习题，...
评分比花书内容多一些，深度比不上prml等圣经级书籍，行文不太连贯，有博文拼凑之感，或者说只是一本讲义而非适合自学的参考书，没有一气呵成的感觉，应用部分也不多，对于初学者难度大了些，对于老手用处又不大。希望纸质书印制时可以优化一下，斟酌一下行文，同时增加一些习题，...
评分比花书内容多一些，深度比不上prml等圣经级书籍，行文不太连贯，有博文拼凑之感，或者说只是一本讲义而非适合自学的参考书，没有一气呵成的感觉，应用部分也不多，对于初学者难度大了些，对于老手用处又不大。希望纸质书印制时可以优化一下，斟酌一下行文，同时增加一些习题，...
评分比花书内容多一些，深度比不上prml等圣经级书籍，行文不太连贯，有博文拼凑之感，或者说只是一本讲义而非适合自学的参考书，没有一气呵成的感觉，应用部分也不多，对于初学者难度大了些，对于老手用处又不大。希望纸质书印制时可以优化一下，斟酌一下行文，同时增加一些习题，...
评分比花书内容多一些，深度比不上prml等圣经级书籍，行文不太连贯，有博文拼凑之感，或者说只是一本讲义而非适合自学的参考书，没有一气呵成的感觉，应用部分也不多，对于初学者难度大了些，对于老手用处又不大。希望纸质书印制时可以优化一下，斟酌一下行文，同时增加一些习题，...
用户评价
这本书最让我惊喜的一点，是它对于实际应用场景的关注程度远超我的预期。很多技术书籍重理论轻实践，等你合上书本，面对真实世界的数据集时，依然会手足无措。但这本书的作者显然在业界摸爬滚打过很久，他非常清楚模型从实验室走向生产环境时会遇到哪些“坑”。书中穿插了大量的实战案例分析，从图像识别到自然语言处理，每一个案例都不仅仅展示了最终的结果，更详细地剖析了数据预处理的挑战、特征工程的必要性，以及模型调参过程中常见的陷阱。比如，他对过拟合和欠拟合的讨论，不仅仅停留在正则化技术本身，而是结合了不同规模数据集的实际表现来指导读者如何进行权衡取舍。这种“过来人”的经验传授，价值千金。它教会了我如何像一个工程师一样去思考问题，如何用最少的计算资源达到最好的效果，这对于任何希望将所学知识落地的人来说，都是极为宝贵的财富。
评分这本书的封面设计确实吸引人，那种深邃的蓝色调配上简约的几何图形，让人一眼就能感受到它蕴含的科技感和严谨性。我原本对这个领域了解不深，只是抱着试一试的心态翻开了第一章。坦白说，初读时，那些复杂的数学公式和抽象的概念差点让我望而却步。然而，作者的叙述方式非常巧妙，他似乎深知初学者的困境，总能在关键时刻穿插一些生动的比喻，将那些晦涩难懂的理论拉回到我们日常的经验中。比如，他解释反向传播算法时，竟然用到了一个烘焙蛋糕的例子，这让我茅塞顿开。整本书的逻辑脉络铺陈得非常自然，从基础的感知器模型讲起，逐步深入到多层网络，最后拓展到更前沿的卷积网络和循环网络。我尤其欣赏作者在介绍每种网络结构时，都会清晰地阐述其设计初衷、核心优势以及存在的局限性，而不是简单地罗列知识点。阅读过程中，我感觉自己不是在啃一本教科书，而是在跟随一位经验丰富的导师进行一对一的私教，这种沉浸式的学习体验，极大地提升了我对复杂模型的直观理解。
评分从排版和阅读体验来看，这本书的设计团队显然也是下了大功夫的。作为一本技术深度相当高的书籍，清晰的图表是至关重要的。这本书中的插图质量非常高，它们不是简单的示意图，而是精心绘制的、能够直观展示复杂数据流和计算过程的可视化工具。例如，在解释注意力机制（Attention Mechanism）时，作者使用的热力图和权重分布图，比任何文字描述都要来得清晰有力。此外，代码示例的呈现方式也值得称赞。虽然这本书侧重理论，但关键部分的伪代码或实际代码片段都格式工整，注释清晰，确保读者能够轻松地将书本上的概念与编程实现对应起来。字体选择和行距的调整，也充分考虑了长时间阅读的舒适度，这在阅读厚重的技术书籍时，是一个经常被忽视却又至关重要的细节。阅读下来，眼睛不累，思路不乱，这对于保持学习的积极性太重要了。
评分这本书的内容组织简直是一场精妙的数学与工程的协奏曲，它没有避开那些令人头疼的微积分和线性代数，但处理得异常优雅。我之前阅读其他相关书籍时，经常遇到为了凑篇幅而堆砌公式的现象，读起来枯燥乏味，完全抓不住重点。但这本书不同，每一个公式的推导都像是为理解某个特定概念服务的基石，它们不是孤立存在的，而是紧密地连接在一起，共同构建起整个深度学习的理论大厦。作者对于梯度下降法及其各种变体的讲解，简直是教科书级别的示范。他不仅解释了“如何”优化，更深入探讨了“为什么”某些优化器（比如Adam或RMSprop）在特定场景下表现更优越，其背后的直觉和数学基础被剖析得淋漓尽致。对于那些想要真正掌握模型底层工作原理的人来说，这本书提供了坚实的数学基础，它让你能够自信地去阅读最新的研究论文，而不是仅仅停留在调用库函数的层面。这种由内而外的理解，才是区分“使用者”和“构建者”的关键。
评分这本书的广度和深度达到了一个令人印象深刻的平衡点。它没有止步于当前最热门的那些技术，而是为读者构建了一个宏大的知识全景图。在深入探讨了深度学习的“黄金时代”模型之后，作者还非常负责任地带领我们展望了未来的一些研究方向，比如可解释性AI（XAI）的初步探讨、生成模型（GANs）的基本原理，以及对当前深度学习局限性的深刻反思。这种不满足于现状、鼓励读者持续探索的精神，是真正优秀的技术书籍所应具备的特质。读完此书，我感觉自己不仅掌握了一套强大的分析工具，更重要的是，我的思维方式得到了重塑，我开始用一种更具结构化和概率性的眼光去看待信息处理问题。它提供给我的，不仅仅是知识点，而是一种面向未来的、解决未知问题的思维框架，这是任何速成指南都无法比拟的深度价值。
评分是我添加的条目哈哈，讲真我觉得这本比《Deep Learning》好，不知是不是作者是中国人的缘故2333
评分非常良心的一本书，受益匪浅，基本上主流的深度学习模型都有介绍，强烈建议作为DL入门读物和教材。
评分很有实力的年轻学者，写的书内容很新
评分很有实力的年轻学者，写的书内容很新
评分入学的时候邱老师就在写这本书，现在终于出版了~
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