人工智能中的深度结构学习PDF电子书下载

1 引言 1

1.1 如何训练深度结构 4

1.2 中间层表示：在不同的任务中共享特征和抽象 5

1.3 学习人工智能的必经之路 7

1.4 本书大纲 8

2 深度结构的理论优势 9

2.1 计算复杂性 12

2.2 一些非正式的论证 13

3 局部与非局部泛化性 16

3.1 局部模板匹配的局限性 16

3.2 学习分布式表示 21

4 具有深度结构的神经网络 24

4.1 多层神经网络 24

4.2 训练深度神经网络的挑战 25

4.3 深度结构的无监督学习 31

4.4 深度生成结构 32

4.5 卷积神经网络 35

4.6 自动编码器 37

5 能量模型和玻尔兹曼机 40

5.1 能量模型和专家乘积系统 40

5.2 玻尔兹曼机 44

5.3 受限玻尔兹曼机 46

5.4 对比散度 50

6 深层结构的逐层贪心训练 58

6.1 深度置信网络的逐层训练 58

6.2 堆叠自动编码器训练 61

6.3 半监督与部分监督训练 63

7 受限玻尔兹曼机和自动编码器的变体 64

7.1 自动编码器和受限玻尔兹曼机的稀疏化表示 64

7.2 降噪自动编码器 69

7.3 层内连接 71

7.4 条件RBM和时序RBM 72

7.5 分解式RBM 74

7.6 受限玻尔兹曼机和对比散度的推广 75

8 DBN各层联合优化中的随机变分边界 78

8.1 将RBM展开为无限有向置信网络 79

8.2 逐层贪心训练的变分证明 80

8.3 所有层的联合无监督训练 83

9 展望 87

9.1 全局优化策略 87

9.2 无监督学习的重要性 92

9.3 开放的问题 93

10 总结 96

致谢 98

参考文献 99