[
-
内容大纲
深度学习是人工智能的重要分支，在多个应用领域取得了突破性成果。本书作为深度学习的入门教材，基本涵盖了深度学习的各个方面。全书共8章，第1章概要介绍了深度学习的基本概念、典型算法及应用；第2～5章是本书的核心内容，详细介绍了卷积神经网络、循环神经网络、Transformer和生成对抗网络的基本原理、典型算法以及主要应用；第6章介绍了一些典型的深度生成模型以及近期比较流行的扩散模型；第7章介绍了深度学习中常用的正则化与优化方法；第8章介绍了TensorFlow、PyTorch和飞桨三个常用的深度学习框架。本书每章都附有复习题，中间各章还附有实验题，便于读者复习知识点和进行实践锻炼。此外，附录中还给出了一些数学基础知识和中英文术语对照。
本书可作为高等院校计算机科学与技术、智能科学与技术、自动化、电子科学与技术等相关专业的研究生或本科生教材，也可作为深度学习研究人员与算法工程师的参考书。 -
作者介绍
徐俊刚 中国科学院大学计算机科学与技术学院教授，博士生导师，云计算与智能信息处理实验室(Cloud Computing & Intelligent Information Processing Lab, CCIP实验室)主任，中国科学院大学第六届学位评定委员会计算机与控制学位评定委员会委员，计算机科学与技术学院教学委员会委员，计算机科学与技术学院“深度学习”课程首席教授。2003年博士毕业于中国科学院软件研究所，2005年清华大学计算机科学与技术系博士后出站。研究领域包括深度学习、自动机器学习和多模态智能分析等，主持国家科技支撑计划课题、国家自然科学基金面上项目、北京市科技计划课题、北京市自然科学基金面上项目等科研项目多项，发表论文100余篇。现为国家科技专家库专家，北京市科学技术委员会、中关村科技园区管理委员会专家。目前任中国人工智能学会智能服务专业委员会常务委员，中国计算机学会人工智能与模式识别专业委员会执行委员、数据库专业委员会执行委员和自然语言处理专业委员会执行委员。讲授的“深度学习”课程被评为2021年中国科学院大学“校级优秀研究生课程”，个人荣获2016年“中国科学院朱李月华优秀教师奖” -
目录
序
前言
主要符号表
第1章 引言
1.1 深度学习的起源与发展
1.1.1 深度学习的起源
1.1.2 深度学习的发展
1.2 深度学习与机器学习、人工智能的关系
1.2.1 人工智能
1.2.2 机器学习
1.2.3 深度学习
1.3 深度学习的基本概念和典型算法
1.3.1 深度学习的基本概念
1.3.2 典型深度学习算法
1.4 深度学习的主要应用概述
1.4.1 深度学习在计算机视觉领域的应用
1.4.2 深度学习在语音处理领域的应用
1.4.3 深度学习在自然语言处理领域的应用
1.4.4 深度学习在多模态处理领域的应用
1.5 本书的组织结构
复习题
参考文献
本章人物：Geoffrey Hinton教授
第2章 卷积神经网络
2.1 卷积神经网络的起源与发展
2.1.1 卷积神经网络的起源
2.1.2 卷积神经网络的发展
2.2 卷积神经网络的基本结构
2.2.1 卷积层
2.2.2 激活函数
2.2.3 池化层
2.2.4 全连接层
2.2.5 输出层
2.3 卷积神经网络的训练
2.3.1 卷积神经网络的训练过程
2.3.2 池化层的训练
2.3.3 卷积层的训练
2.4 典型卷积神经网络
2.4.1 LeNet
2.4.2 AlexNet
2.4.3 VGGNet
2.4.4 GoogleNet
2.4.5 ResNet
2.5 卷积神经网络的主要应用
2.5.1 目标检测
2.5.2 图像分割
2.5.3 姿态估计
2.5.4 人脸识别
复习题
实验题
参考文献
本章人物：Yann LeCun教授
第3章 循环神经网络
3.1 循环神经网络的起源与发展
3.2 循环神经网络的训练
3.3 长短期记忆网络
3.4 循环神经网络的变种
3.4.1 GRU
3.4.2 双向RNN
3.4.3 堆叠RNN
3.5 循环神经网络的典型应用
3.5.1 语言模型
3.5.2 自动文本摘要
3.5.3 机器阅读理解
复习题
实验题
参考文献
本章人物：Jürgen Schmidhuber教授
第4章 Transformer
4.1 注意力机制
4.1.1 注意力机制的Encoder-Decoder结构
4.1.2 注意力机制的分类
4.2 Transformer概述
4.2.1 Transformer的结构
4.2.2 Transformer的输入编码
4.2.3 Transformer中的自注意力机制
4.2.4 Transformer中的其他细节
4.2.5 基于Transformer的大规模预训练模型
4.3 GPT系列模型
4.3.1 GPT
4.3.2 GPT
4.3.3 GPT
4.3.4 InstructGPT和ChatGPT
4.4 BERT系列模型
4.4.1 与其他大规模预训练模型的区别
4.4.2 BERT的架构与参数
4.4.3 BERT的输入表示
4.4.4 BERT的训练
4.4.5 BERT的变种
4.5 Swin Transformer
4.5.1 Swin Transformer的提出
4.5.2 Swin Transformer结构
4.5.3 Swin Transformer的滑动窗口机制
4.6 Transformer的主要应用
4.6.1 自然语言处理领域
4.6.2 计算机视觉领域
4.6.3 多模态领域
复习题
实验题
参考文献
本章人物：Yoshua Bengio教授
第5章 生成对抗网络
5.1 GAN的基本原理
5.1.1 零和博弈
5.1.2 GAN的基本结构
5.1.3 GAN的目标函数
5.1.4 GAN的训练
5.2 GAN的优化与改进
5.2.1 限定条件优化
5.2.2 迭代式生成优化
5.2.3 结构优化
5.3 GAN的主要应用
5.3.1 图像生成
5.3.2 图像转换
5.3.3 图像超分辨率重建
5.3.4 音乐生成
5.3.5 异常检测
复习题
实验题
参考文献
本章人物：Ian Goodfellow博士
第6章 深度生成模型
6.1 深度生成模型概述
6.2 Hopfield神经网络
6.3 玻尔兹曼机与受限玻尔兹曼机
6.3.1 玻尔兹曼机
6.3.2 受限玻尔兹曼机
6.4 Sigmoid信念网络与深度信念网络
6.4.1 Sigmoid信念网络
6.4.2 深度信念网络
6.5 深度玻尔兹曼机
6.6 自编码器及其变种
6.6.1 自编码器
6.6.2 降噪自编码器
6.6.3 稀疏自编码器
6.6.4 深度自编码器
6.7 扩散模型
6.7.1 前向过程
6.7.2 逆向过程
6.7.3 DDPM的训练
6.8 深度生成模型的应用
复习题
实验题
参考文献
本章人物：David E.Rumelhart教授
第7章 正则化与优化
7.1 深度学习模型的训练与测试
7.1.1 深度学习中的数据集划分
7.1.2 过拟合与欠拟合
7.1.3 偏差、方差、噪声与泛化误差
7.1.4 深度学习模型的训练与测试过程
7.2 参数范数正则化
7.2.1 L1参数正则化
7.2.2 L2正则化
7.3 数据增强
7.4 Bagging
7.5 提前终止
7.6 Dropout
7.7 归一化
7.7.1 机器学习中的归一化
7.7.2 深度学习中的归一化
7.8 优化算法
7.8.1 梯度下降法
7.8.2 基于动量的方法
复习题
实验题
参考文献
本章人物：Ilya Sutskever博士
第8章 深度学习框架
8.1 深度学习框架概述
8.2 TensorFlow
8.2.1 TensorFlow简介
8.2.2 TensorFlow的主要功能
8.2.3 TensorFlow编程示例
8.3 PyTorch
8.3.1 PyTorch简介
8.3.2 PyTorch的主要功能
8.3.3 PyTorch编程示例
8.4 飞桨
8.4.1 飞桨简介
8.4.2 飞桨的主要功能
8.4.3 飞桨编程示例
复习题
参考文献
本章人物：吴恩达教授
附录A 数学基础
附录B 中英文术语对照
同类热销排行榜
- C语言与程序设计教程(高等学校计算机类十二五规划教材)16
- 电机与拖动基础(教育部高等学校自动化专业教学指导分委员会规划工程应用型自动化专业系列教材)13.48
- 传感器与检测技术(第2版高职高专电子信息类系列教材)13.6
- ASP.NET项目开发实战(高职高专计算机项目任务驱动模式教材)15.2
- Access数据库实用教程(第2版十二五职业教育国家规划教材)14.72
- 信号与系统(第3版下普通高等教育九五国家级重点教材)15.08
- 电气控制与PLC(普通高等教育十二五电气信息类规划教材)17.2
- 数字电子技术基础(第2版)17.36
- VB程序设计及应用(第3版十二五职业教育国家规划教材)14.32
- Java Web从入门到精通(附光盘)/软件开发视频大讲堂27.92
推荐书目
-
孩子你慢慢来/人生三书 华人世界率性犀利的一枝笔，龙应台独家授权《孩子你慢慢来》20周年经典新版。她的《...
-
时间简史(插图版) 相对论、黑洞、弯曲空间……这些词给我们的感觉是艰深、晦涩、难以理解而且与我们的...
-
本质(精) 改革开放40年，恰如一部四部曲的年代大戏。技术突变、产品迭代、产业升级、资本对接...