深度學(xué)習(xí)基礎(chǔ)教程之DLBook深度學(xué)習(xí)中文版電子教材免費下載

　　? 第一章（引言）：劉暢、許丁杰、潘雨粟和NeutronT 對本章進(jìn)行了閱讀，并對很多語句提出了不少修改建議。林中鵬進(jìn)行了校對，他提出了很多獨到的修改建議。

　　? 第二章（線性代數(shù)）：許丁杰和駱徐圣閱讀本章，并修改語句。李若愚進(jìn)行了校對，提出了很多細(xì)心的建議。

　　? 第三章（概率與信息論）：許丁杰閱讀本章，并修改語句。李培炎和何翊卓進(jìn)行了校對，并修改了很多中文用詞，使翻譯更加準(zhǔn)確。

　　? 第四章（數(shù)值計算）：張亞霏閱讀本章，并對其他章節(jié)也有提出了一些修改建議。張源源進(jìn)行了校對，并指出了原文可能存在的問題，非常仔細(xì)。

　　? 第五章（機器學(xué)習(xí)基礎(chǔ)）：郭浩和黃平春閱讀本章，并修改語句。李東和林中鵬進(jìn)行了校對。本章篇幅較長，能夠有現(xiàn)在的翻譯質(zhì)量離不開這四位的貢獻(xiàn)。

　　? 第六章（深度前饋網(wǎng)絡(luò)）：周衛(wèi)林、林中鵬和張遠(yuǎn)航閱讀本章，并提出修改意見。

　　? 第七章（深度學(xué)習(xí)中的正則化）：周柏村進(jìn)行了非常細(xì)心的校對，指出了大量問題，令翻譯更加準(zhǔn)確。

　　? 第八章（深度模型中的優(yōu)化）：房曉宇和吳翔閱讀本章。黃平春進(jìn)行了校對，他提出的很多建議讓行文更加流暢易懂。

　　? 第九章（卷積網(wǎng)絡(luò)）：趙雨和潘雨粟閱讀本章，并潤色語句。丁志銘進(jìn)行了非常仔細(xì)的校對，并指出很多翻譯問題。

　　? 第十章（序列建模：循環(huán)和遞歸網(wǎng)絡(luò)）：劉暢閱讀本章。趙雨提供了詳細(xì)的校對建議，尹瑞清根據(jù)他的翻譯版本，給我們的版本提出了很多建議。雖然仍存在一些分歧，但我們兩個版本的整合，讓翻譯質(zhì)量提升很多。

　　? 第十二章（應(yīng)用）：潘雨粟進(jìn)行了校對，在他的校對之前，本章閱讀起來比較困難。他提供的修改建議，不僅提高了行文流暢度，還提升了譯文的準(zhǔn)確度。

　　? 第十三章（線性因子模型）：賀天行閱讀本章，修改語句。楊志偉校對本章，潤色大量語句。

　　? 第十四章（自編碼器）：李雨慧和黃平春進(jìn)行了校對。李雨慧提升了語言的流暢度，黃平春糾正了不少錯誤，提高了準(zhǔn)確性。

　　這本書對各類讀者都有一定用處，但我們主要是為兩類受眾對象而寫的。其中一類受眾對象是學(xué)習(xí)機器學(xué)習(xí)的大學(xué)生（本科或研究生），包括那些已經(jīng)開始職業(yè)生涯的深度學(xué)習(xí)和人工智能研究者。另一類受眾對象是沒有機器學(xué)習(xí)或統(tǒng)計背景但希望能快速地掌握這方面知識并在他們的產(chǎn)品或平臺中使用深度學(xué)習(xí)的軟件工程師。深度學(xué)習(xí)在許多軟件領(lǐng)域都已被證明是有用的，包括計算機視覺、語音和音頻處理、自然語言處理、機器人技術(shù)、生物信息學(xué)和化學(xué)、電子游戲、搜索引擎、網(wǎng)絡(luò)廣告和金融。

　　為了最好地服務(wù)各類讀者，我們將本書組織為三個部分。第一部分介紹基本的數(shù)學(xué)工具和機器學(xué)習(xí)的概念。第二部分介紹最成熟的深度學(xué)習(xí)算法，這些技術(shù)基本上已經(jīng)得到解決。第三部分討論某些具有展望性的想法，它們被廣泛地認(rèn)為是深度學(xué)習(xí)未來的研究重點。

　　讀者可以隨意跳過不感興趣或與自己背景不相關(guān)的部分。熟悉線性代數(shù)、概率和基本機器學(xué)習(xí)概念的讀者可以跳過第一部分，例如，當(dāng)讀者只是想實現(xiàn)一個能工作的系統(tǒng)則不需要閱讀超出第二部分的內(nèi)容。為了幫助讀者選擇章節(jié)，圖1.6 展示了這本書的高層組織結(jié)構(gòu)的流程圖。

　　我們假設(shè)所有讀者都具備計算機科學(xué)背景。也假設(shè)讀者熟悉編程，并且對計算的性能問題、復(fù)雜性理論、入門級微積分和一些圖論術(shù)語有基本的了解。

　　遠(yuǎn)在古希臘時期，發(fā)明家就夢想著創(chuàng)造能自主思考的機器。神話人物皮格馬利翁（Pygmalion）、代達(dá)羅斯（Daedalus） 和赫淮斯托斯（Hephaestus） 可以被看作傳說中的發(fā)明家，而加拉蒂亞（Galatea）、塔洛斯（Talos） 和潘多拉（Pandora） 則可以被視為人造生命（Ovid and Martin， 2004; Sparkes， 1996; Tandy， 1997）。

　　當(dāng)人類第一次構(gòu)思可編程計算機時，就已經(jīng)在思考計算機能否變得智能（盡管這距造出第一臺計算機還有一百多年）（Lovelace， 1842）。如今，人工智能（artificialintelligence， AI）已經(jīng)成為一個具有眾多實際應(yīng)用和活躍研究課題的領(lǐng)域，并且正在蓬勃發(fā)展。我們期望通過智能軟件自動地處理常規(guī)勞動、理解語音或圖像、幫助醫(yī)學(xué)診斷和支持基礎(chǔ)科學(xué)研究。

　　在人工智能的早期，那些對人類智力來說非常困難、但對計算機來說相對簡單的問題得到迅速解決，比如，那些可以通過一系列形式化的數(shù)學(xué)規(guī)則來描述的問題。人工智能的真正挑戰(zhàn)在于解決那些對人來說很容易執(zhí)行、但很難形式化描述的任務(wù)，如識別人們所說的話或圖像中的臉。對于這些問題，我們?nèi)祟愅梢詰{借直覺輕易地解決。

　　針對這些比較直觀的問題，本書討論一種解決方案。該方案可以讓計算機從經(jīng)驗中學(xué)習(xí)，并根據(jù)層次化的概念體系來理解世界，而每個概念則通過與某些相對簡單的概念之間的關(guān)系來定義。讓計算機從經(jīng)驗獲取知識，可以避免由人類來給計算機形式化地指定它需要的所有知識。層次化的概念讓計算機構(gòu)建較簡單的概念來學(xué)習(xí)復(fù)雜概念。如果繪制出這些概念如何建立在彼此之上的圖，我們將得到一張‘‘深’’（層次很多）的圖。基于這個原因，我們稱這種方法為AI 深度學(xué)習(xí)（deep learning）

　　AI 許多早期的成功發(fā)生在相對樸素且形式化的環(huán)境中，而且不要求計算機具備很多關(guān)于世界的知識。例如，IBM 的深藍(lán)（Deep Blue）國際象棋系統(tǒng)在1997 年擊敗了世界冠軍Garry Kasparov（Hsu， 2002）。顯然國際象棋是一個非常簡單的領(lǐng)域，因為它僅含有64 個位置并只能以嚴(yán)格限制的方式移動32 個棋子。設(shè)計一種成功的國際象棋策略是巨大的成就，但向計算機描述棋子及其允許的走法并不是挑戰(zhàn)的困難所在。國際象棋完全可以由一個非常簡短的、完全形式化的規(guī)則列表來描述，并可以容易地由程序員事先準(zhǔn)備好。

　　諷刺的是，抽象和形式化的任務(wù)對人類而言是最困難的腦力任務(wù)之一，但對計算機而言卻屬于最容易的。計算機早就能夠打敗人類最好的象棋選手，但直到最近計算機才在識別對象或語音任務(wù)中達(dá)到人類平均水平。一個人的日常生活需要關(guān)于世界的巨量知識。很多這方面的知識是主觀的、直觀的，因此很難通過形式化的方式表達(dá)清楚。計算機需要獲取同樣的知識才能表現(xiàn)出智能。人工智能的一個關(guān)鍵挑戰(zhàn)就是如何將這些非形式化的知識傳達(dá)給計算機。

　　一些人工智能項目力求將關(guān)于世界的知識用形式化的語言進(jìn)行硬編碼（hard-code）。計算機可以使用邏輯推理規(guī)則來自動地理解這些形式化語言中的聲明。這就是眾所周知的人工智能的知識庫（knowledge base）方法。然而，這些項目最終都沒有取得重大的成功。其中最著名的項目是Cyc （Lenat and Guha， 1989）。Cyc包括一個推斷引擎和一個使用CycL 語言描述的聲明數(shù)據(jù)庫。這些聲明是由人類監(jiān)督者輸入的。這是一個笨拙的過程。人們設(shè)法設(shè)計出足夠復(fù)雜的形式化規(guī)則來精確地描述世界。例如，Cyc 不能理解一個關(guān)于名為Fred 的人在早上剃須的故事（Linde， 1992）。它的推理引擎檢測到故事中的不一致性：它知道人體的構(gòu)成不包含電氣零件，但由于Fred 正拿著一個電動剃須刀，它認(rèn)為實體‘‘正在剃須的Fred” （“FredWhileShaving”） 含有電氣部件。因此它產(chǎn)生了這樣的疑問——Fred 在刮胡子的時候是否仍然是一個人。

　　依靠硬編碼的知識體系面對的困難表明，AI 系統(tǒng)需要具備自己獲取知識的能力，即從原始數(shù)據(jù)中提取模式的能力。這種能力被稱為機器學(xué)習(xí)（machine learning）。引入機器學(xué)習(xí)使計算機能夠解決涉及現(xiàn)實世界知識的問題，并能作出看似主觀的決策。比如，一個被稱為邏輯回歸（logistic regression）的簡單機器學(xué)習(xí)算法可以決定是否建議剖腹產(chǎn)（Mor-Yosef et al.， 1990）。而同樣是簡單機器學(xué)習(xí)算法的樸素貝葉斯（naive Bayes）則可以區(qū)分垃圾電子郵件和合法電子郵件。

　　這些簡單的機器學(xué)習(xí)算法的性能在很大程度上依賴于給定數(shù)據(jù)的表示（repre-sentation）。例如，當(dāng)邏輯回歸被于判斷產(chǎn)婦是否適合剖腹產(chǎn)時，AI 系統(tǒng)不會直接檢查患者。相反，醫(yī)生需要告訴系統(tǒng)幾條相關(guān)的信息，諸如是存在子宮疤痕。表示患者的每條信息被稱為一個特征。邏輯回歸學(xué)習(xí)病人的這些特征如何與各種結(jié)果

　　在整個計算機科學(xué)乃至日常生活中，對表示的依賴都是一個普遍現(xiàn)象。在計算機科學(xué)中，如果數(shù)據(jù)集合被精巧地結(jié)構(gòu)化并被智能地索引，那么諸如搜索之類的操作的處理速度就可以成指數(shù)級地加快。人們可以很容易地在阿拉伯?dāng)?shù)字的表示下進(jìn)行算術(shù)運算，但在羅馬數(shù)字的表示下運算會比較耗時。因此，毫不奇怪，表示的選擇會對機器學(xué)習(xí)算法的性能產(chǎn)生巨大的影響。圖1.1 展示了一個簡單的可視化例子。