未读消息消息

购物车

我的订单

个人中心

店铺

我的订单收藏

拍卖

拍卖交易我的竞拍收藏

我的好友资金账户

卖家中心

客服 |

帮助中心 9:00-20:30 在线留言

客服电话

010-89648155

服务时间

客服咨询 8:00-21:00

纠纷处理 9:00-21:00

图书审核 9:00-18:00

监督与建议

请选择

手机孔网

深度学习

作者: [美] Ian 著 , Goodfellow 著 , [加] Yoshua 著 , Bengio 著 , [加] Aaron 著

出版社: 人民邮电出版社

出版时间: 2017-08

版次: 1

ISBN: 9787115461476

定价: 168.00

装帧: 平装

开本: 16开

纸张: 胶版纸

分类: 计算机与互联网

5 张插图图片

3839人买过

　　《深度学习》由全球知名的三位专家IanGoodfellow、YoshuaBengio和AaronCourville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。　　《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。
　　IanGoodfellow，谷歌公司(Google)的研究科学家，2014年蒙特利尔大学机器学习博士。他的研究兴趣涵盖大多数深度学习主题，特别是生成模型以及机器学习的安全和隐私。IanGoodfellow在研究对抗样本方面是一位有影响力的早期研究者，他发明了生成式对抗网络，在深度学习领域贡献卓越。
　　YoshuaBengio，蒙特利尔大学计算机科学与运筹学系(DIRO)的教授，蒙特利尔学习算法研究所(MILA)的负责人，CIFAR项目的共同负责人，加拿大统计学习算法研究主席。YoshuaBengio的主要研究目标是了解产生智力的学习原则。他还教授“机器学习”研究生课程(IFT6266)，并培养了一大批研究生和博士后。
　　AaronCourville，蒙特利尔大学计算机科学与运筹学系的助理教授，也是LISA实验室的成员。目前他的研究兴趣集中在发展深度学习模型和方法，特别是开发概率模型和新颖的推断方法。AaronCourville主要专注于计算机视觉应用，在其他领域，如自然语言处理、音频信号处理、语音理解和其他AI相关任务方面也有所研究。
　　中文版审校者简介　　张志华，北京大学数学科学学院统计学教授，北京大学大数据研究中心和北京大数据研究院数据科学教授，主要从事机器学习和应用统计学的教学与研究工作。
　　译者简介　　赵申剑，上海交通大学计算机系硕士研究生，研究方向为数值优化和自然语言处理。　　黎彧君，上海交通大学计算机系博士研究生，研究方向为数值优化和强化学习。　　符天凡，上海交通大学计算机系硕士研究生，研究方向为贝叶斯推断。　　李凯，上海交通大学计算机系博士研究生，研究方向为博弈论和强化学习。
第1章引言1 11本书面向的读者7 12深度学习的历史趋势8 121神经网络的众多名称和命运变迁8 122与日俱增的数据量12 123与日俱增的模型规模13 124与日俱增的精度、复杂度和对现实世界的冲击15 第1部分应用数学与机器学习基础第2章线性代数19 21标量、向量、矩阵和张量19 22矩阵和向量相乘21 23单位矩阵和逆矩阵22 24线性相关和生成子空间23 25范数24 26特殊类型的矩阵和向量25 27特征分解26 28奇异值分解28 29Moore-Penrose伪逆28 210迹运算29 211行列式30 212实例：主成分分析30 第3章概率与信息论34 31为什么要使用概率34 32随机变量35 33概率分布36 331离散型变量和概率质量函数36 332连续型变量和概率密度函数36 34边缘概率37 35条件概率37 36条件概率的链式法则38 37独立性和条件独立性38 38期望、方差和协方差38 39常用概率分布39 391Bernoulli分布40 392Multinoulli分布40 393高斯分布40 394指数分布和Laplace分布41 395Dirac分布和经验分布42 396分布的混合42 310常用函数的有用性质43 311贝叶斯规则45 312连续型变量的技术细节45 313信息论47 314结构化概率模型49 第4章数值计算52 41上溢和下溢52 42病态条件53 43基于梯度的优化方法53 431梯度之上：Jacobian和Hessian矩阵56 44约束优化60 45实例：线性最小二乘61 第5章机器学习基础63 51学习算法63 511任务T63 512性能度量P66 513经验E66 514示例：线性回归68 52容量、过拟合和欠拟合70 521没有免费午餐定理73 522正则化74 53超参数和验证集76 531交叉验证76 54估计、偏差和方差77 541点估计77 542偏差78 543方差和标准差80 544权衡偏差和方差以最小化均方误差81 545一致性82 55最大似然估计82 551条件对数似然和均方误差84 552最大似然的性质84 56贝叶斯统计85 561最大后验(MAP)估计87 57监督学习算法88 571概率监督学习88 572支持向量机88 573其他简单的监督学习算法90 58无监督学习算法91 581主成分分析92 582k-均值聚类94 59随机梯度下降94 510构建机器学习算法96 511促使深度学习发展的挑战96 5111维数灾难97 5112局部不变性和平滑正则化97 5113流形学习99 第2部分深度网络：现代实践第6章深度前馈网络105 61实例：学习XOR107 62基于梯度的学习110 621代价函数111 622输出单元113 63隐藏单元119 631整流线性单元及其扩展120 632logisticsigmoid与双曲正切函数121 633其他隐藏单元122 64架构设计123 641万能近似性质和深度123 642其他架构上的考虑126 65反向传播和其他的微分算法126 651计算图127 652微积分中的链式法则128 653递归地使用链式法则来实现反向传播128 654全连接MLP中的反向传播计算131 655符号到符号的导数131 656一般化的反向传播133 657实例：用于MLP训练的反向传播135 658复杂化137 659深度学习界以外的微分137 6510高阶微分138 66历史小记139 第7章深度学习中的正则化141 71参数范数惩罚142 711L2参数正则化142 712L1正则化144 72作为约束的范数惩罚146 73正则化和欠约束问题147 74数据集增强148 75噪声鲁棒性149 751向输出目标注入噪声150 76半监督学习150 77多任务学习150 78提前终止151 79参数绑定和参数共享156 791卷积神经网络156 710稀疏表示157 711Bagging和其他集成方法158 712Dropout159 713对抗训练165 714切面距离、正切传播和流形正切分类器167 第8章深度模型中的优化169 81学习和纯优化有什么不同169 811经验风险最小化169 812代理损失函数和提前终止170 813批量算法和小批量算法170 82神经网络优化中的挑战173 821病态173 822局部极小值174 823高原、鞍点和其他平坦区域175 824悬崖和梯度爆炸177 825长期依赖177 826非精确梯度178 827局部和全局结构间的弱对应178 828优化的理论限制179 83基本算法180 831随机梯度下降180 832动量181 833Nesterov动量183 84参数初始化策略184 85自适应学习率算法187 851AdaGrad187 852RMSProp188 853Adam189 854选择正确的优化算法190 86二阶近似方法190 861牛顿法190 862共轭梯度191 863BFGS193 87优化策略和元算法194 871批标准化194 872坐标下降196 873Polyak平均197 874监督预训练197 875设计有助于优化的模型199 876延拓法和课程学习199 第9章卷积网络201 91卷积运算201 92动机203 93池化207 94卷积与池化作为一种无限强的先验210 95基本卷积函数的变体211 96结构化输出218 97数据类型219 98高效的卷积算法220 99随机或无监督的特征220 910卷积网络的神经科学基础221 911卷积网络与深度学习的历史226 第10章序列建模：循环和递归网络227 101展开计算图228 102循环神经网络230 1021导师驱动过程和输出循环网络232 1022计算循环神经网络的梯度233 1023作为有向图模型的循环网络235 1024基于上下文的RNN序列建模237 103双向RNN239 104基于编码-解码的序列到序列架构240 105深度循环网络242 106递归神经网络243 107长期依赖的挑战244 108回声状态网络245 109渗漏单元和其他多时间尺度的策略247 1091时间维度的跳跃连接247 1092渗漏单元和一系列不同时间尺度247 1093删除连接248 1010长短期记忆和其他门控RNN248 10101LSTM248 10102其他门控RNN250 1011优化长期依赖251 10111截断梯度251 10112引导信息流的正则化252 1012外显记忆253 第11章实践方法论256 111性能度量256 112默认的基准模型258 113决定是否收集更多数据259 114选择超参数259 1141手动调整超参数259 1142自动超参数优化算法262 1143网格搜索262 1144随机搜索263 1145基于模型的超参数优化264 115调试策略264 116示例：多位数字识别267 第12章应用269 121大规模深度学习269 1211快速的CPU实现269 1212GPU实现269 1213大规模的分布式实现271 1214模型压缩271 1215动态结构272 1216深度网络的专用硬件实现273 122计算机视觉274 1221预处理275 1222数据集增强277 123语音识别278 124自然语言处理279 1241n-gram280 1242神经语言模型281 1243高维输出282 1244结合n-gram和神经语言模型286 1245神经机器翻译287 1246历史展望289 125其他应用290 1251推荐系统290 1252知识表示、推理和回答292 第3部分深度学习研究第13章线性因子模型297 131概率PCA和因子分析297 132独立成分分析298 133慢特征分析300 134稀疏编码301 135PCA的流形解释304 第14章自编码器306 141欠完备自编码器306 142正则自编码器307 1421稀疏自编码器307 1422去噪自编码器309 1423惩罚导数作为正则309 143表示能力、层的大小和深度310 144随机编码器和解码器310 145去噪自编码器详解311 1451得分估计312 1452历史展望314 146使用自编码器学习流形314 147收缩自编码器317 148预测稀疏分解319 149自编码器的应用319 第15章表示学习321 151贪心逐层无监督预训练322 1511何时以及为何无监督预训练有效有效323 152迁移学习和领域自适应326 153半监督解释因果关系329 154分布式表示332 155得益于深度的指数增益336 156提供发现潜在原因的线索337 第16章深度学习中的结构化概率模型339 161非结构化建模的挑战339 162使用图描述模型结构342 1621有向模型342 1622无向模型344 1623配分函数345 1624基于能量的模型346 1625分离和d-分离347 1626在有向模型和无向模型中转换350 1627因子图352 163从图模型中采样353 164结构化建模的优势353 165学习依赖关系354 166推断和近似推断354 167结构化概率模型的深度学习方法355 1671实例：受限玻尔兹曼机356 第17章蒙特卡罗方法359 171采样和蒙特卡罗方法359 1711为什么需要采样359 1712蒙特卡罗采样的基础359 172重要采样360 173马尔可夫链蒙特卡罗方法362 174Gibbs采样365 175不同的峰值之间的混合挑战365 1751不同峰值之间通过回火来混合367 1752深度也许会有助于混合368 第18章直面配分函数369 181对数似然梯度369 182随机最大似然和对比散度370 183伪似然375 184得分匹配和比率匹配376 185去噪得分匹配378 186噪声对比估计378 187估计配分函数380 1871退火重要采样382 1872桥式采样384 第19章近似推断385 191把推断视作优化问题385 192期望最大化386 193最大后验推断和稀疏编码387 194变分推断和变分学习389 1941离散型潜变量390 1942变分法394 1943连续型潜变量396 1944学习和推断之间的相互作用397 195学成近似推断397 1951醒眠算法398 1952学成推断的其他形式398 第20章深度生成模型399 201玻尔兹曼机399 202受限玻尔兹曼机400 2021条件分布401 2022训练受限玻尔兹曼机402 203深度信念网络402 204深度玻尔兹曼机404 2041有趣的性质406 2042DBM均匀场推断406 2043DBM的参数学习408 2044逐层预训练408 2045联合训练深度玻尔兹曼机410 205实值数据上的玻尔兹曼机413 2051Gaussian-BernoulliRBM413 2052条件协方差的无向模型414 206卷积玻尔兹曼机417 207用于结构化或序列输出的玻尔兹曼机418 208其他玻尔兹曼机419 209通过随机操作的反向传播419 2091通过离散随机操作的反向传播420 2010有向生成网络422 20101sigmoid信念网络422 20102可微生成器网络423 20103变分自编码器425 20104生成式对抗网络427 20105生成矩匹配网络429 20106卷积生成网络430 20107自回归网络430 20108线性自回归网络430 20109神经自回归网络431 201010NADE432 2011从自编码器采样433 20111与任意去噪自编码器相关的马尔可夫链434 20112夹合与条件采样434 20113回退训练过程435 2012生成随机网络435 20121判别性GSN436 2013其他生成方案436 2014评估生成模型437 2015结论438 参考文献439 索引486
内容简介:
　　《深度学习》由全球知名的三位专家IanGoodfellow、YoshuaBengio和AaronCourville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。　　《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。
作者简介:
　　IanGoodfellow，谷歌公司(Google)的研究科学家，2014年蒙特利尔大学机器学习博士。他的研究兴趣涵盖大多数深度学习主题，特别是生成模型以及机器学习的安全和隐私。IanGoodfellow在研究对抗样本方面是一位有影响力的早期研究者，他发明了生成式对抗网络，在深度学习领域贡献卓越。
　　YoshuaBengio，蒙特利尔大学计算机科学与运筹学系(DIRO)的教授，蒙特利尔学习算法研究所(MILA)的负责人，CIFAR项目的共同负责人，加拿大统计学习算法研究主席。YoshuaBengio的主要研究目标是了解产生智力的学习原则。他还教授“机器学习”研究生课程(IFT6266)，并培养了一大批研究生和博士后。
　　AaronCourville，蒙特利尔大学计算机科学与运筹学系的助理教授，也是LISA实验室的成员。目前他的研究兴趣集中在发展深度学习模型和方法，特别是开发概率模型和新颖的推断方法。AaronCourville主要专注于计算机视觉应用，在其他领域，如自然语言处理、音频信号处理、语音理解和其他AI相关任务方面也有所研究。
　　中文版审校者简介　　张志华，北京大学数学科学学院统计学教授，北京大学大数据研究中心和北京大数据研究院数据科学教授，主要从事机器学习和应用统计学的教学与研究工作。
　　译者简介　　赵申剑，上海交通大学计算机系硕士研究生，研究方向为数值优化和自然语言处理。　　黎彧君，上海交通大学计算机系博士研究生，研究方向为数值优化和强化学习。　　符天凡，上海交通大学计算机系硕士研究生，研究方向为贝叶斯推断。　　李凯，上海交通大学计算机系博士研究生，研究方向为博弈论和强化学习。
目录:
第1章引言1 11本书面向的读者7 12深度学习的历史趋势8 121神经网络的众多名称和命运变迁8 122与日俱增的数据量12 123与日俱增的模型规模13 124与日俱增的精度、复杂度和对现实世界的冲击15 第1部分应用数学与机器学习基础第2章线性代数19 21标量、向量、矩阵和张量19 22矩阵和向量相乘21 23单位矩阵和逆矩阵22 24线性相关和生成子空间23 25范数24 26特殊类型的矩阵和向量25 27特征分解26 28奇异值分解28 29Moore-Penrose伪逆28 210迹运算29 211行列式30 212实例：主成分分析30 第3章概率与信息论34 31为什么要使用概率34 32随机变量35 33概率分布36 331离散型变量和概率质量函数36 332连续型变量和概率密度函数36 34边缘概率37 35条件概率37 36条件概率的链式法则38 37独立性和条件独立性38 38期望、方差和协方差38 39常用概率分布39 391Bernoulli分布40 392Multinoulli分布40 393高斯分布40 394指数分布和Laplace分布41 395Dirac分布和经验分布42 396分布的混合42 310常用函数的有用性质43 311贝叶斯规则45 312连续型变量的技术细节45 313信息论47 314结构化概率模型49 第4章数值计算52 41上溢和下溢52 42病态条件53 43基于梯度的优化方法53 431梯度之上：Jacobian和Hessian矩阵56 44约束优化60 45实例：线性最小二乘61 第5章机器学习基础63 51学习算法63 511任务T63 512性能度量P66 513经验E66 514示例：线性回归68 52容量、过拟合和欠拟合70 521没有免费午餐定理73 522正则化74 53超参数和验证集76 531交叉验证76 54估计、偏差和方差77 541点估计77 542偏差78 543方差和标准差80 544权衡偏差和方差以最小化均方误差81 545一致性82 55最大似然估计82 551条件对数似然和均方误差84 552最大似然的性质84 56贝叶斯统计85 561最大后验(MAP)估计87 57监督学习算法88 571概率监督学习88 572支持向量机88 573其他简单的监督学习算法90 58无监督学习算法91 581主成分分析92 582k-均值聚类94 59随机梯度下降94 510构建机器学习算法96 511促使深度学习发展的挑战96 5111维数灾难97 5112局部不变性和平滑正则化97 5113流形学习99 第2部分深度网络：现代实践第6章深度前馈网络105 61实例：学习XOR107 62基于梯度的学习110 621代价函数111 622输出单元113 63隐藏单元119 631整流线性单元及其扩展120 632logisticsigmoid与双曲正切函数121 633其他隐藏单元122 64架构设计123 641万能近似性质和深度123 642其他架构上的考虑126 65反向传播和其他的微分算法126 651计算图127 652微积分中的链式法则128 653递归地使用链式法则来实现反向传播128 654全连接MLP中的反向传播计算131 655符号到符号的导数131 656一般化的反向传播133 657实例：用于MLP训练的反向传播135 658复杂化137 659深度学习界以外的微分137 6510高阶微分138 66历史小记139 第7章深度学习中的正则化141 71参数范数惩罚142 711L2参数正则化142 712L1正则化144 72作为约束的范数惩罚146 73正则化和欠约束问题147 74数据集增强148 75噪声鲁棒性149 751向输出目标注入噪声150 76半监督学习150 77多任务学习150 78提前终止151 79参数绑定和参数共享156 791卷积神经网络156 710稀疏表示157 711Bagging和其他集成方法158 712Dropout159 713对抗训练165 714切面距离、正切传播和流形正切分类器167 第8章深度模型中的优化169 81学习和纯优化有什么不同169 811经验风险最小化169 812代理损失函数和提前终止170 813批量算法和小批量算法170 82神经网络优化中的挑战173 821病态173 822局部极小值174 823高原、鞍点和其他平坦区域175 824悬崖和梯度爆炸177 825长期依赖177 826非精确梯度178 827局部和全局结构间的弱对应178 828优化的理论限制179 83基本算法180 831随机梯度下降180 832动量181 833Nesterov动量183 84参数初始化策略184 85自适应学习率算法187 851AdaGrad187 852RMSProp188 853Adam189 854选择正确的优化算法190 86二阶近似方法190 861牛顿法190 862共轭梯度191 863BFGS193 87优化策略和元算法194 871批标准化194 872坐标下降196 873Polyak平均197 874监督预训练197 875设计有助于优化的模型199 876延拓法和课程学习199 第9章卷积网络201 91卷积运算201 92动机203 93池化207 94卷积与池化作为一种无限强的先验210 95基本卷积函数的变体211 96结构化输出218 97数据类型219 98高效的卷积算法220 99随机或无监督的特征220 910卷积网络的神经科学基础221 911卷积网络与深度学习的历史226 第10章序列建模：循环和递归网络227 101展开计算图228 102循环神经网络230 1021导师驱动过程和输出循环网络232 1022计算循环神经网络的梯度233 1023作为有向图模型的循环网络235 1024基于上下文的RNN序列建模237 103双向RNN239 104基于编码-解码的序列到序列架构240 105深度循环网络242 106递归神经网络243 107长期依赖的挑战244 108回声状态网络245 109渗漏单元和其他多时间尺度的策略247 1091时间维度的跳跃连接247 1092渗漏单元和一系列不同时间尺度247 1093删除连接248 1010长短期记忆和其他门控RNN248 10101LSTM248 10102其他门控RNN250 1011优化长期依赖251 10111截断梯度251 10112引导信息流的正则化252 1012外显记忆253 第11章实践方法论256 111性能度量256 112默认的基准模型258 113决定是否收集更多数据259 114选择超参数259 1141手动调整超参数259 1142自动超参数优化算法262 1143网格搜索262 1144随机搜索263 1145基于模型的超参数优化264 115调试策略264 116示例：多位数字识别267 第12章应用269 121大规模深度学习269 1211快速的CPU实现269 1212GPU实现269 1213大规模的分布式实现271 1214模型压缩271 1215动态结构272 1216深度网络的专用硬件实现273 122计算机视觉274 1221预处理275 1222数据集增强277 123语音识别278 124自然语言处理279 1241n-gram280 1242神经语言模型281 1243高维输出282 1244结合n-gram和神经语言模型286 1245神经机器翻译287 1246历史展望289 125其他应用290 1251推荐系统290 1252知识表示、推理和回答292 第3部分深度学习研究第13章线性因子模型297 131概率PCA和因子分析297 132独立成分分析298 133慢特征分析300 134稀疏编码301 135PCA的流形解释304 第14章自编码器306 141欠完备自编码器306 142正则自编码器307 1421稀疏自编码器307 1422去噪自编码器309 1423惩罚导数作为正则309 143表示能力、层的大小和深度310 144随机编码器和解码器310 145去噪自编码器详解311 1451得分估计312 1452历史展望314 146使用自编码器学习流形314 147收缩自编码器317 148预测稀疏分解319 149自编码器的应用319 第15章表示学习321 151贪心逐层无监督预训练322 1511何时以及为何无监督预训练有效有效323 152迁移学习和领域自适应326 153半监督解释因果关系329 154分布式表示332 155得益于深度的指数增益336 156提供发现潜在原因的线索337 第16章深度学习中的结构化概率模型339 161非结构化建模的挑战339 162使用图描述模型结构342 1621有向模型342 1622无向模型344 1623配分函数345 1624基于能量的模型346 1625分离和d-分离347 1626在有向模型和无向模型中转换350 1627因子图352 163从图模型中采样353 164结构化建模的优势353 165学习依赖关系354 166推断和近似推断354 167结构化概率模型的深度学习方法355 1671实例：受限玻尔兹曼机356 第17章蒙特卡罗方法359 171采样和蒙特卡罗方法359 1711为什么需要采样359 1712蒙特卡罗采样的基础359 172重要采样360 173马尔可夫链蒙特卡罗方法362 174Gibbs采样365 175不同的峰值之间的混合挑战365 1751不同峰值之间通过回火来混合367 1752深度也许会有助于混合368 第18章直面配分函数369 181对数似然梯度369 182随机最大似然和对比散度370 183伪似然375 184得分匹配和比率匹配376 185去噪得分匹配378 186噪声对比估计378 187估计配分函数380 1871退火重要采样382 1872桥式采样384 第19章近似推断385 191把推断视作优化问题385 192期望最大化386 193最大后验推断和稀疏编码387 194变分推断和变分学习389 1941离散型潜变量390 1942变分法394 1943连续型潜变量396 1944学习和推断之间的相互作用397 195学成近似推断397 1951醒眠算法398 1952学成推断的其他形式398 第20章深度生成模型399 201玻尔兹曼机399 202受限玻尔兹曼机400 2021条件分布401 2022训练受限玻尔兹曼机402 203深度信念网络402 204深度玻尔兹曼机404 2041有趣的性质406 2042DBM均匀场推断406 2043DBM的参数学习408 2044逐层预训练408 2045联合训练深度玻尔兹曼机410 205实值数据上的玻尔兹曼机413 2051Gaussian-BernoulliRBM413 2052条件协方差的无向模型414 206卷积玻尔兹曼机417 207用于结构化或序列输出的玻尔兹曼机418 208其他玻尔兹曼机419 209通过随机操作的反向传播419 2091通过离散随机操作的反向传播420 2010有向生成网络422 20101sigmoid信念网络422 20102可微生成器网络423 20103变分自编码器425 20104生成式对抗网络427 20105生成矩匹配网络429 20106卷积生成网络430 20107自回归网络430 20108线性自回归网络430 20109神经自回归网络431 201010NADE432 2011从自编码器采样433 20111与任意去噪自编码器相关的马尔可夫链434 20112夹合与条件采样434 20113回退训练过程435 2012生成随机网络435 20121判别性GSN436 2013其他生成方案436 2014评估生成模型437 2015结论438 参考文献439 索引486

查看详情

深度学习

内容简介:

作者简介:

目录: