【新书】理解深度学习:在罕见事件预测中的应用，428页pdf

"这就像一次探索之旅，我们不是为了新的领土，而是为了新的知识。它应该吸引那些有冒险精神的人," Frederick Sanger 博士说。我希望每位读者都能享受这次深度学习的旅程并找到他们的冒险。

可以将深度学习看作是烹饪的艺术。烹饪的一种方法是遵循食谱。但当我们学习食物、香料和火如何表现时，我们就创造了我们的作品。对“怎么做”的理解超越了创作。

同样，对“怎么做”的理解也超越了深度学习。本书介绍了深度学习的构造、它们的基本原理以及它们的行为方式。与此同时，还开发了基线模型，并举例说明了改进它们的概念。

深度学习是一种艺术。但它有一些边界。了解这些边界对于开发有效的解决方案并最终将其推向新的创作至关重要。例如，烹饪是一种有一定边界的艺术。例如，大多数厨师都坚持：盐不加入甜品。但是大厨几乎总是在甜点中加盐，因为他们知道这个边界的边缘。他们明白，尽管盐被认为是调味品，但它实际上是一种增味剂；当加入甜品时，它增强了每种成分的风味。有些厨师进一步突破边界。来自纽约的著名大厨Claudia Fleming在她的菠萝甜点中做到了极致。其中的每个组件都加了很多盐。然而，甜点并不咸。相反，每种味道都感觉被放大了。盐使甜点成为一道非凡的菜肴。关键是对食物结构的理解使人能够创作出非凡的食谱。同样，对深度学习结构的理解也使人能够创造出非凡的解决方案。本书旨在为读者提供这样的理解水平，以了解深度学习的主要结构：多层感知器、循环神经网络家族中的长短时记忆网络、卷积神经网络和自编码器。在下一章中，通过阐明其底层过程、问题定义和目标，框定了一个罕见的事件问题。然后，在进入深度学习结构之前，读者在第三章中将开始接触TensorFlow。如果读者只打算学习深度学习理论，那么这两章都可以跳过。接下来，本书进入深度学习主题，从第四章开始解构多层感知器。它们由密集层组成 —— 深度学习的最基本结构。更复杂和先进的长期和短期记忆（LSTM）结构在第五章。被视为深度学习的工作马的卷积层位于第六章。最后，深度学习中的基本模型，自编码器，在第七章中呈现。这些章节揭示了这些结构背后的核心概念。提供了密集层和其他层背后的简化数学、LSTM中的状态信息流、卷积中的过滤机制和自编码器中的结构特性。其中一些概念甚至被重新发现。例如，

• 第4章在简单的回归模型和多层感知器之间找到了相似之处。它展示了如何通过非线性激活隐式地将一个复杂问题分解成小部分来区分它们。激活的基本梯度属性已经确定。此外，为了研究插图还实现了自定义激活。此外，增强MLP（以及大多数其他网络）的dropout概念也得到了解释，以及如何使用它？ • LSTM机制是深度学习中最神秘的之一。第5章解构了一个LSTM单元，以可视化保存记忆的状态信息流。背后的秘密是梯度传输，这在其中得到了详细的解释。此外，TensorFlow中可用的LSTM的变体，如后向和双向，都得到了视觉上的解释。此外，LSTM有着丰富的历史和多种变体。它们被制成表格与TensorFlow中的变体进行比较。这提供了一个关于常用的LSTM与其他可能性的视角。 • 卷积网络使用卷积和池化操作。它们是简单的操作，但使卷积网络成为最有效的模型之一。第6章通过视觉示例和理论澄清解释了这两个概念。该章详细解释了卷积和池化的属性，如参数共享、过滤和不变性。此外，池化对总结卷积的需要在统计上得到了具体化。池化背后的统计也回答了像为什么最大池化通常优于其他池化，以及其他什么池化统计是可行的这样的问题？ • 自编码器是用于无监督和半监督学习的结构。第7章通过与机器学习中的主成分分析相比较来解释它们。比较使得更容易理解它们的内部机制。自编码器学习特定任务的能力，如通过结合正则化进行去噪或特征学习进行分类，也得到了展示。此外，还开发了在编码上训练的分类器。每一章都解释了概念，并用TensorFlow举例说明了模型的实现。实现步骤也详细解释，以帮助读者学习模型构建。本书承认没有完美的模型。因此，本书的目标是展示如何开发模型，使读者能够构建他自己的最佳模型。将深度学习视为烹饪的艺术。烹饪的一种方式是遵循食谱。但当我们了解食物、香料和火的行为时，我们做出了我们的创作。对“如何”这一问题的理解超越了创作本身。同样地，对“如何”的理解也超越了深度学习。本书呈现了深度学习的构造、它们的基本原理以及它们的行为方式。基线模型也随之发展，并提供了改进它们的概念。此外，深度学习建模选择的庞大性可能会令人不知所措。为避免这种情况，我们在结束章节之前有几个经验法则。它列出了建立和改进深度学习模型的基础知识。总之，深度学习为解决复杂问题提供了一个强大的框架。它有几个结构。使用它们得到最佳模型有时很困难。本书的重点是理解这些结构，以有一个方向来开发有效的深度学习模型。到书的尾声，读者将理解每一个结构以及如何将它们组合在一起。