本书详细论述了采用深度结构的动机、原理和理论依据，讨论了训练深度神经网络的难点，继而详尽地介绍了自动编码器、受限玻尔兹曼机以及深度置信网络的概念和理论，并进行了理论分析。
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
书单推荐
