作者：(加)尤舒亚·本吉奥(YoshuaBe
页数：79
出版社：机械工业出版社
出版日期：2017
ISBN：9787111569350
电子书格式：pdf/epub/txt
内容简介
理论结果表明，为了学习用于表示高层次的抽象（例如视觉、语言以及其他AI级别的任务）的复杂函数，我们需要深度结构。深度结构的组成包括了多层次的非线性操作，比如具有许多隐含层的神经网络，或者重用了许多子公式的复杂命题公式。搜索深度结构的参数空间是一件很困难的任务，但是近提出的诸如用于深度信念网络等的学习算法，对于探索这类问题取得了显著的成功，在某些领域达到了新的水平。本书讨论深度学习算法的方法和原理，尤其是那些被充分用作基石的单层模型的非监督学习算法例如受限玻尔兹曼机(RBM)，它用于构建深度信念网络等深度模型。
本书特色
理论结果表明，为了学习用于表示高层次的抽象（例如视觉、语言以及其他AI级别的任务）的复杂函数，我们需要深度结构。深度结构的组成包括了多层次的非线性操作，比如具有许多隐含层的神经网络，或者重用了许多子公式的复杂命题公式。搜索深度结构的参数空间是一件很困难的任务，但是近提出的诸如用于深度信念网络等的学习算法，对于探索这类问题取得了显著的成功，在某些领域达到了新的水平。本书讨论深度学习算法的方法和原理，尤其是那些被充分用作基石的单层模型的非监督学习算法例如受限玻尔兹曼机(RBM)，它用于构建深度信念网络等深度模型。
目录
译者序
１ 引言１
１.１ 如何训练深度结构３
１.２ 中间层表示：在不同的任务中共享特征和抽象４
１.３ 学习人工智能的必经之路５
１.４ 本书大纲６
２ 深度结构的理论优势８
２.１ 计算复杂性１０
２.２ 一些非正式的论证１１
３ 局部与非局部泛化性１３
３.１ 局部模板匹配的局限性１３
３.２ 学习分布式表示１７
４ 具有深度结构的神经网络１９
４.１ 多层神经网络１９
４.２ 训练深度神经网络的挑战２０
４.３ 深度结构的无监督学习２５
４.４ 深度生成结构２６
４.５ 卷积神经网络２８
４.６ 自动编码器２９
５ 能量模型和玻尔兹曼机３１
５.１ 能量模型和专家乘积系统３１
５.２ 玻尔兹曼机３４
５.３ 受限玻尔兹曼机３６
５.４ 对比散度３９
目 录Ⅴ
６ 深层结构的逐层贪心训练４６
６.１ 深度置信网络的逐层训练４６
６.２ 堆叠自动编码器训练４８
６.３ 半监督与部分监督训练４９
７ 受限玻尔兹曼机和自动编码器的变体５１
７.１ 自动编码器和受限玻尔兹曼机的稀疏化表示５１
７.２ 降噪自动编码器５５
７.３ 层内连接５６
７.４ 条件ＲＢＭ和时序ＲＢＭ ５７
７.５ 分解式ＲＢＭ ５９
７.６ 受限玻尔兹曼机和对比散度的推广５９
８ ＤＢＮ各层联合优化中的随机变分边界６２
８.１ 将ＲＢＭ展开为无限有向置信网络６２
８.２ 逐层贪心训练的变分证明６４
８.３ 所有层的联合无监督训练６６
９ 展望６９
９.１ 全局优化策略６９
９.２ 无监督学习的重要性７２
９.３ 开放的问题７３
１０ 总结７６
致谢７８
参考文献７９
１ 引言１
１.１ 如何训练深度结构３
１.２ 中间层表示：在不同的任务中共享特征和抽象４
１.３ 学习人工智能的必经之路５
１.４ 本书大纲６
２ 深度结构的理论优势８
２.１ 计算复杂性１０
２.２ 一些非正式的论证１１
３ 局部与非局部泛化性１３
３.１ 局部模板匹配的局限性１３
３.２ 学习分布式表示１７
４ 具有深度结构的神经网络１９
４.１ 多层神经网络１９
４.２ 训练深度神经网络的挑战２０
４.３ 深度结构的无监督学习２５
４.４ 深度生成结构２６
４.５ 卷积神经网络２８
４.６ 自动编码器２９
５ 能量模型和玻尔兹曼机３１
５.１ 能量模型和专家乘积系统３１
５.２ 玻尔兹曼机３４
５.３ 受限玻尔兹曼机３６
５.４ 对比散度３９
目 录Ⅴ
６ 深层结构的逐层贪心训练４６
６.１ 深度置信网络的逐层训练４６
６.２ 堆叠自动编码器训练４８
６.３ 半监督与部分监督训练４９
７ 受限玻尔兹曼机和自动编码器的变体５１
７.１ 自动编码器和受限玻尔兹曼机的稀疏化表示５１
７.２ 降噪自动编码器５５
７.３ 层内连接５６
７.４ 条件ＲＢＭ和时序ＲＢＭ ５７
７.５ 分解式ＲＢＭ ５９
７.６ 受限玻尔兹曼机和对比散度的推广５９
８ ＤＢＮ各层联合优化中的随机变分边界６２
８.１ 将ＲＢＭ展开为无限有向置信网络６２
８.２ 逐层贪心训练的变分证明６４
８.３ 所有层的联合无监督训练６６
９ 展望６９
９.１ 全局优化策略６９
９.２ 无监督学习的重要性７２
９.３ 开放的问题７３
１０ 总结７６
致谢７８
参考文献７９
