深度學習與神經網絡

第1章 緒論 1
1.1 與深度學習有關的幾個概念 1
1.1.1 人工智能 2
1.1.2 機器學習 4
1.1.3 表示學習 10
1.1.4 機器學習、神經網絡及深度學習的關系 12
1.1.5 深度學習常用的框架 14
1.2 神經網絡與深度學習的發展歷程 15
1.2.1 神經網絡的誕生 16
1.2.2 神經網絡的復興 16
1.2.3 深度學習的崛起 17
1.3 神經網絡的產生機理 18
1.3.1 大腦研究的基本情況 19
1.3.2 腦組織的基本組成 20
1.3.3 腦組織的分層結構 22
1.3.4 大腦的基本工作原理 22
1.4 生物神經網絡基礎 25
1.4.1 神經元的基本結構 25
1.4.2 神經元的基本分類 28
1.4.3 神經元的信息傳遞機理 28
1.4.4 生物神經網絡的構成 31
1.5 本書的知識框架體系 32
1.6 本章小結 33
第2章 人工神經網絡計算 35
2.1 神經網絡概述 35
2.2 人工神經元模型 36
2.2.1 基本神經元模型 36
2.2.2 常用激活函數 38
2.2.3 Softmax輸出分類 42
2.3 神經網絡結構 43
2.3.1 單層前饋網絡 44
2.3.2 多層前饋網絡 45
2.3.3 反饋網絡 46
2.3.4 圖網絡 46
2.4 神經網絡的學習方法 47
2.4.1 無監督學習的Hebb算法 48
2.4.2 監督學習的Delta規則 49
2.5 神經網絡的損失函數 50
2.5.1 均方差損失函數 50
2.5.2 平均絕對誤差損失函數 50
2.5.3 交叉熵損失函數 51
2.6 神經網絡的學習規則 55
2.6.1 極大似然估計 55
2.6.2 經驗風險最小化準則 57
2.6.3 過擬合與欠擬合 57
2.7 梯度下降法 58
2.7.1 一維梯度下降 59
2.7.2 多維梯度下降 60
2.7.3 隨機梯度下降 61
2.8 網絡正則化方法 62
2.8.1 L1和L2正則化 62
2.8.2 提前停止 63
2.8.3 權重衰減 64
2.8.4 丟棄法 64
2.8.5 數據增強 69
2.8.6 標簽平滑 69
2.9 模型評估方法 70
2.9.1 混淆矩陣 70
2.9.2 準確率、精確率、召回率 71
2.9.3 ROC/AUC/PR曲線 72
2.10 本章小結 74
第3章 多層感知器神經網絡 75
3.1 感知器及其發展過程 75
3.2 感知器學習算法 76
3.2.1 離散單輸出感知器學習算法 76
3.2.2 離散多輸出感知器學習算法 77
3.2.3 多層感知器線性處理問題 79
3.3 多層感知器的算法實現 82
3.4 反向傳播算法 84
3.4.1 反向傳播多層感知器模型 84
3.4.2 反向傳播算法的原理 85
3.4.3 反向傳播算法的執行步驟 89
3.4.4 梯度消失和梯度爆炸問題 91
3.4.5 反向傳播網絡的數據擬合問題 92
3.5 本章小結 97
第4章 自組織競爭神經網絡 98
4.1 競爭學習的概念與原理 98
4.1.1 競爭學習規則 98
4.1.2 競爭學習原理 100
4.2 SOFM網絡 101
4.2.1 SOFM網絡結構 101
4.2.2 運行原理 102
4.2.3 學習過程 103
4.2.4 兩階段學習 104
4.3 ART網絡 105
4.3.1 ART網絡結構 105
4.3.2 網絡運行與訓練 107
4.3.3 網絡運行的參數說明 108
4.4 自組織競爭神經網絡的算法實現 108
4.5 本章小結 109
第5章 徑向基函數神經網絡 111
5.1 徑向基函數介紹及結構 111
5.2 函數逼近與內插 112
5.2.1 插值問題的定義 112
5.2.2 徑向基函數的一般形式 112
5.2.3 徑向基函數的性質 113
5.3 正則化理論 114
5.4 徑向基函數神經網絡學習 117
5.4.1 隨機選取徑向基函數中心 117
5.4.2 自組織學習選取徑向基函數中心 118
5.4.3 有監督學習選取徑向基函數中心 119
5.5 本章小結 120
第6章 捲積神經網絡 122
6.1 捲積神經網絡的概念及特點 122
6.1.1 捲積的定義 122
6.1.2 捲積的變形 123
6.1.3 捲積與互相關操作 124
6.1.4 捲積神經網絡的特點 125
6.2 捲積神經網絡的基本結構 126
6.2.1 捲積層 127
6.2.2 匯聚層 131
6.2.3 全連接層 133
6.2.4 輸出層 134
6.3 捲積神經網絡參數學習 134
6.4 捲積神經網絡常用模型 137
6.4.1 LeNet模型 137
6.4.2 AlexNet模型 139
6.4.3 VGGNet模型 140
6.4.4 GoogLeNet模型 141
6.4.5 ResNet模型 146
6.4.6 DenseNet模型 148
6.5 捲積神經網絡的算法實現 149
6.6 本章小結 152
第7章 循環神經網絡 153
7.1 循環神經網絡的概念 153
7.2 循環神經網絡模型 154
7.3 循環神經網絡參數學習 156
7.3.1 BPTT算法 156
7.3.2 RTRL算法 157
7.4 網絡梯度問題改進 157
7.5 長短期記憶 158
7.6 門控循環單元網絡 161
7.7 深度循環神經網絡 162
7.7.1 堆疊循環神經網絡 162
7.7.2 雙向循環神經網絡 163
7.8 循環神經網絡算法實現——手寫體數字識別問題 164
7.9 本章小結 168
第8章 註意力機制與反饋網絡 169
8.1 註意力機制網絡 170
8.1.1 註意力機制網絡的概念及分類 170
8.1.2 自註意力模型 174
8.2 離散型Hopfield神經網絡 176
8.2.1 網絡的結構與工作方式 176
8.2.2 網絡的能量狀態分析 178
8.2.3 網絡吸引子的性質 181
8.3 連續型Hopfield神經網絡 183
8.3.1 網絡的拓撲結構 183
8.3.2 網絡的能量與穩定性分析 185
8.4 Hopfield神經網絡應用實例 186
8.5 Hopfield神經網絡求解TSP 190
8.6 本章小結 192
第9章 深度學習網絡優化 193
9.1 參數初始化 193
9.1.1 固定方差參數初始化 194
9.1.2 方差縮放參數初始化 195
9.1.3 正交初始化 197
9.2 數據預處理 198
9.3 逐層歸一化 201
9.3.1 批量歸一化 201
9.3.2 層歸一化 203
9.3.3 權重歸一化 204
9.3.4 局部響應歸一化 205
9.4 超參數優化 205
9.4.1 網格搜索 206
9.4.2 隨機搜索 206
9.4.3 貝葉斯優化 207
9.4.4 動態資源分配 208
9.4.5 神經架構搜索 208
9.5 優化算法 209
9.5.1 空間變量的非凸優化 209
9.5.2 Momentum 210
9.5.3 NAG 211
9.5.4 AdaGrad 211
9.5.5 AdaDelta 212
9.5.6 RMSProp 212
9.5.7 Adam 212
9.6 本章小結 213
第10章 受限玻爾茲曼機和深度置信網絡 214
10.1 概率圖模型 214
10.2 受限玻爾茲曼機的基本結構 215
10.3 受限玻爾茲曼機的能量模型和似然函數 216
10.4 受限玻爾茲曼機的學習任務 217
10.4.1 最優參數的梯度計算 217
10.4.2 吉布斯採樣 219
10.4.3 對比散度算法 220
10.5 深度置信網絡 222
10.5.1 網絡模型 222
10.5.2 網絡訓練算法 223
10.6 深度置信網絡的應用 225
10.6.1 音頻特徵提取 225
10.6.2 多模態數據建模 226
10.7 本章小結 228
第11章 棧式自編碼器 230
11.1 自編碼器 230
11.2 稀疏自編碼器 233
11.3 棧式自編碼器的原理 234
11.4 降噪自編碼器 234
11.5 自編碼器的圖像還原 236
11.6 自編碼器的機器翻譯應用 238
11.7 本章小結 239
第12章 生成對抗網絡 240
12.1 深度生成模型 240
12.1.1 概率密度估計 241
12.1.2 生成樣本 241
12.2 生成對抗網絡的基本結構 242
12.3 原始-對偶次梯度方法訓練 246
12.4 生成對抗網絡的應用 249
12.4.1 人臉圖像的生成 249
12.4.2 生成對抗網絡的算法實現 251
12.5 本章小結 252
第13章 圖神經網絡 254
13.1 圖網絡概述 254
13.1.1 圖的定義 254
13.1.2 圖數據網絡的性質和特點 256
13.1.3 圖神經網絡的發展 257
13.2 圖捲積神經網絡 259
13.2.1 譜域圖捲積神經網絡 259
13.2.2 切比雪夫網絡 262
13.2.3 圖捲積神經網絡 263
13.3 圖循環神經網絡 265
13.3.1 不動點理論 266
13.3.2 歸納式圖表示學習 267
13.3.3 圖註意力網絡 269
13.4 消息傳遞神經網絡 271
13.5 圖神經網絡模型的應用 273
13.5.1 圖分類 273
13.5.2 知識圖譜與註意力模型 274
13.5.3 基於圖神經網絡的推薦系統 275
13.5.4 電腦視覺 276
13.6 本章小結 277
第14章 深度強化學習 278
14.1 強化學習概述 278
14.2 馬爾可夫決策過程 280
14.2.1 價值函數 281
14.2.2 動作價值函數 281
14.2.3 最優價值函數 282
14.2.4 策略迭代 282
14.2.5 價值迭代 283
14.3 Q-Learning算法 285
14.4 Deep Q-Network強化學習 288
14.5 蒙特卡羅算法 291
14.6 AlphaGo強化學習 292
14.6.1 AlphaGo發展概述 292
14.6.2 AlphaGo Fan算法的原理 295
14.6.3 AlphaGo Zero算法的原理 300
14.7 強化學習的應用 304
14.7.1 游戲領域 304
14.7.2 機器人控制領域 305
14.7.3 自然語言處理領域 305
14.7.4 其他領域 306
14.8 本章小結 306
第15章 深度學習的可解釋性 308
15.1 可解釋性的定義 309
15.2 可解釋性方法 309
15.2.1 模型透明度 309
15.2.2 模型功能 311
15.3 可視化方法分類 312
15.3.1 特徵可視化 312
15.3.2 關系可視化 312
15.3.3 過程可視化 313
15.4 神經網絡特徵可視化 313
15.5 本章小結 317
第16章 多模態預訓練模型 319
16.1 預訓練 320
16.2 多模態數據的特徵表示 321
16.2.1 文本特徵 321
16.2.2 圖像特徵 329
16.3 Transformer模型 330
16.3.1 模型的基本結構 330
16.3.2 編碼模型 331
16.3.3 解碼模型 335
16.3.4 基於Transformer模型的擴展 337
16.4 預訓練模型學習 342
16.4.1 預訓練模型的學習方式 342
16.4.2 預訓練遷移學習 346
16.5 大模型的訓練與預測 348
16.5.1 大模型的共享模式和組合方式 348
16.5.2 多模態預訓練方法 349
16.5.3 預訓練模型實例 356
16.6 本章小結 359
附錄A 主要符號 361
參考文獻 363