譯者序
1　引言1
1.1　如何訓練深度結構3
1.2　中間層表示：在不同的任務中共享特征和抽象4
1.3　學習人工智能的必經(jīng)之路5
1.4　本書大綱6
2　深度結構的理論優(yōu)勢8
2.1　計算復雜性10
2.2　一些非正式的論證11
3　局部與非局部泛化性13
3.1　局部模板匹配的局限性13
3.2　學習分布式表示17
4　具有深度結構的神經(jīng)網(wǎng)絡19
4.1　多層神經(jīng)網(wǎng)絡19
4.2　訓練深度神經(jīng)網(wǎng)絡的挑戰(zhàn)20
4.3　深度結構的無監(jiān)督學習25
4.4　深度生成結構26
4.5　卷積神經(jīng)網(wǎng)絡28
4.6　自動編碼器29
5　能量模型和玻爾茲曼機31
5.1　能量模型和專家乘積系統(tǒng)31
5.2　玻爾茲曼機34
5.3　受限玻爾茲曼機36
5.4　對比散度39
目　　錄Ⅴ
6　深層結構的逐層貪心訓練46
6.1　深度置信網(wǎng)絡的逐層訓練46
6.2　堆疊自動編碼器訓練48
6.3　半監(jiān)督與部分監(jiān)督訓練49
7　受限玻爾茲曼機和自動編碼器的變體51
7.1　自動編碼器和受限玻爾茲曼機的稀疏化表示51
7.2　降噪自動編碼器55
7.3　層內(nèi)連接56
7.4　條件ＲＢＭ和時序ＲＢＭ 57
7.5　分解式ＲＢＭ 59
7.6　受限玻爾茲曼機和對比散度的推廣59
8　ＤＢＮ各層聯(lián)合優(yōu)化中的隨機變分邊界62
8.1　將ＲＢＭ展開為無限有向置信網(wǎng)絡62
8.2　逐層貪心訓練的變分證明64
8.3　所有層的聯(lián)合無監(jiān)督訓練66
9　展望69
9.1　全局優(yōu)化策略69
9.2　無監(jiān)督學習的重要性72
9.3　開放的問題73
10　總結76
致謝78
參考文獻79