第1页 / 共713页
第2页 / 共713页
第3页 / 共713页
第4页 / 共713页
第5页 / 共713页
第6页 / 共713页
第7页 / 共713页
第8页 / 共713页
deep learning-YoshuaBengio(最全的中文版)_2017年新书.pdf
第一章 前言
1.1 本书面向的读者
1.2 深度学习的历史趋势
第一部分 应用数学与机器学习基础
第二章 线性代数
2.1 标量，向量，矩阵和张量
2.2 矩阵和向量相乘
2.3 单位矩阵和逆矩阵
2.4 线性相关和生成子空间
2.5 范数
2.6 特殊类型的矩阵和向量
2.7 特征分解
2.8 SVD
2.9 Moore-Penrose 伪逆
2.10 迹运算
2.11 行列式
2.12 实例：主成分分析
第三章 概率与信息论
3.1 为什么要用概率？
3.2 随机变量
3.3 概率分布
3.4 边缘概率
3.5 条件概率
3.6 条件概率的链式法则
3.7 独立性和条件独立性
3.8 期望，方差和协方差
3.9 常用概率分布
3.10 常用函数的一些性质
3.11 贝叶斯规则
3.12 连续型变量的技术细节
3.13 信息论
3.14 结构化概率模型
第四章 数值计算
4.1 上溢和下溢
4.2 病态条件数
4.3 基于梯度的优化方法
4.4 约束优化
4.5 实例：线性最小二乘
第五章 机器学习基础
5.1 学习算法
5.2 容量，过拟合和欠拟合
5.3 超参数和验证集
5.4 估计，偏差和方差
5.5 最大似然估计
5.6 贝叶斯统计
5.7 监督学习算法
5.8 无监督学习算法
5.9 随机梯度下降
5.10 构建机器学习算法
5.11 推动深度学习的挑战
第二部分 深层网络：现代实践
第六章 深度前馈网络
6.1 实例：学习XOR
6.2 基于梯度的学习
6.3 隐藏单元
6.4 结构设计
6.5 BP和其他的微分算法
6.6 历史小记
第七章 深度学习的正则化
7.1 参数范数惩罚
7.2 作为约束的范数惩罚
7.3 正则化和欠约束问题
7.4 数据集增强
7.5 噪声鲁棒性
7.6 半监督学习
7.7 多任务学习
7.8 提前终止
7.9 参数绑定和参数共享
7.10 稀疏表示
7.11 Bagging和其他集成的方法
7.12 Dropout
7.13 对抗训练
7.14 切面距离、正切传播和流形正切分类器
第八章 深度模型中的优化
8.1 学习和优化有什么不同
8.2 神经网络的优化挑战
8.3 基本算法
8.4 参数初始化策略
8.5 自适应学习率的算法
8.6 二阶近似方法
8.7 优化技巧和元算法
第九章 卷积神经网络
9.1 卷积运算
9.2 动机
9.3 池化
9.4 卷积与池化作为一种无限强的先验
9.5 基本卷积函数的变体
9.6 结构化输出
9.7 数据类型
9.8 高效的卷积算法
9.9 随机或无监督的特征
9.10 卷积神经网络的神经科学基础
9.11 卷积神经网络与深度学习的历史
第十章 序列建模：循环和递归网络
10.1 展开计算图
10.2 循环神经网络
10.3 双向RNN
10.4 基于编码-解码的序列到序列架构
10.5 深度循环网络
10.6 递归神经网络
10.7 长期依赖的挑战
10.8 回声状态网络
10.9 渗漏单元和其他多时间尺度的策略
10.10 长短期记忆和其他门控RNN
10.11 优化长期依赖
10.12 外显记忆
第十一章 实用方法
11.1 性能度量
11.2 默认的基准模型
11.3 是否收集更多数据
11.4 选择超参数
11.5 调试技巧
11.6 示例：多位数字识别
第十二章 应用
12.1 大规模深度学习
12.2 计算机视觉
12.3 语音识别
12.4 自然语言处理
12.5 其他应用
第三部分 深度学习研究
第十三章 线性因子模型
13.1 概率PCA和因子分析
13.2 独立分量分析
13.3 慢特征分析
13.4 稀疏编码
13.5 PCA的流形解释
第十四章 自动编码器
14.1 欠完备自动编码器
14.2 正则自动编码器
14.3 表示能力、层的大小和深度
14.4 随机编码器和解码器
14.5 去噪自动编码器
14.6 使用自动编码器学习流形
14.7 收缩自动编码器
14.8 预测稀疏分解
14.9 自动编码器的应用
第十五章 表示学习
15.1 贪心地逐层无监督预训练
15.2 迁移学习和领域自适应
15.3 半监督解释因果关系
15.4 分布式表示
15.5 得益于深度的指数增益
15.6 提供发现潜在原因的线索
第十六章 深度学习中的结构化概率模型
16.1 非结构化建模的挑战
16.2 使用图来描述模型结构
16.3 从图模型中采样
16.4 结构化建模的优势
16.5 学习依赖性关系
16.6 推断和近似推断
16.7 结构化概率模型的深度学习方法
第十七章 蒙特卡罗方法
17.1 采样和蒙特卡罗方法
17.2 重要采样
17.3 马尔可夫链蒙特卡罗方法
17.4 Gibbs采样
17.5 不同的峰值之间的混合挑战
第十八章 面对配分函数
18.1 对数似然梯度
18.2 随机最大似然和对比散度
18.3 伪似然
18.4 得分匹配和比率匹配
18.5 去噪得分匹配
18.6 噪扰对比估计
18.7 估计配分函数
第十九章 近似推断
19.1 推断是一个优化问题
19.2 期望最大化
19.3 最大后验推断和稀疏编码
19.4 变分推断和学习
19.5 learned近似推断
第二十章 深度生成模型
20.1 玻尔兹曼机
20.2 受限玻尔兹曼机
20.3 深度信念网络
20.4 深度玻尔兹曼机
20.5 实值数据上的玻尔兹曼机
20.6 卷积玻尔兹曼机
20.7 用于结构化或序列输出的玻尔兹曼机
20.8 其他玻尔兹曼机
20.9 通过随机操作的反向传播
20.10 有向生成网络
20.11 从AE采样
20.12 生成随机网络
20.13 其他生成方案
20.14 评估生成模型
20.15 结论
参考文献
术语
仅供学习使用，不得用于商业目的。https://github.com/exacity/deeplearningbook-chinese
深度学习
DRAFT
2017 年 1 月 11 日
仅供学习使用，不得用于商业目的。https://github.com/exacity/deeplearningbook-chinese
2
DRAFT
仅供学习使用，不得用于商业目的。https://github.com/exacity/deeplearningbook-chinese
目录
第一部分 应用数学与机器学习基础
第二章 线性代数
第一章 前言
1
1.1 本书面向的读者 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8
1.2 深度学习的历史趋势 . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.1 神经网络的众多名称和命运变迁 . . . . . . . . . . . . . . . . 10
1.2.2 与日俱增的数据量 . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.3 与日俱增的模型规模 . . . . . . . . . . . . . . . . . . . . . . . 16
1.2.4 与日俱增的精度、复杂度和对现实世界的冲击 . . . . . . . . . 19
DRAFT
24
2.1 标量，向量，矩阵和张量 . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2 矩阵和向量相乘 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3 单位矩阵和逆矩阵 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4 线性相关和生成子空间 . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.5 范数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.6 特殊类型的矩阵和向量 . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.7 特征分解 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.8 奇异值分解 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.9 Moore-Penrose 伪逆 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.10 迹运算 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.11 行列式 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.12 实例：主成分分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
22
3
仅供学习使用，不得用于商业目的。https://github.com/exacity/deeplearningbook-chinese
4
目录
第三章 概率与信息论
44
3.1 为什么要用概率？ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2 随机变量 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.3 概率分布 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3.1 离散型变量和概率分布律函数 . . . . . . . . . . . . . . . . . . 47
3.3.2 连续型变量和概率密度函数 . . . . . . . . . . . . . . . . . . . 48
3.4 边缘概率 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.5 条件概率 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.6 条件概率的链式法则 . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.7 独立性和条件独立性 . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.8 期望，方差和协方差 . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.9 常用概率分布 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Bernoulli 分布 . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.9.1
3.9.2
Multinoulli 分布 . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.9.3 高斯分布 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.9.4 指数分布和 Laplace 分布 . . . . . . . . . . . . . . . . . . . . 55
3.9.5
Dirac 分布和经验分布 . . . . . . . . . . . . . . . . . . . . . . 55
3.9.6 分布的混合 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.10 常用函数的一些性质 . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.11 贝叶斯规则 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.12 连续型变量的技术细节 . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.13 信息论 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.14 结构化概率模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
DRAFT
第四章 数值计算
69
4.1 上溢和下溢 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.2 病态条件数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.3 基于梯度的优化方法 . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.3.1 梯度之上：Jacobian 和 Hessian 矩阵 . . . . . . . . . . . . . . 74
4.4 约束优化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.5 实例：线性最小二乘 . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
仅供学习使用，不得用于商业目的。https://github.com/exacity/deeplearningbook-chinese
目录
5
第五章 机器学习基础
DRAFT
84
5.1 学习算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.1.1 任务，T . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.1.2 性能度量，P . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.1.3 经验，E . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.1.4 实例：线性回归 . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.2 容量，过拟合和欠拟合 . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.2.1 没有免费午餐定理 . . . . . . . . . . . . . . . . . . . . . . . . 98
5.2.2 正则化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.3 超参数和验证集 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.3.1 交叉验证 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.4 估计，偏差和方差 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.4.1 点估计 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.4.2 偏差 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.4.3 方差和标准误差 . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.4.4 权衡偏值和方差以最小化均方误差 . . . . . . . . . . . . . . . 109
5.4.5 一致性 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.5 最大似然估计 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.5.1 条件对数似然和均方误差 . . . . . . . . . . . . . . . . . . . . 113
5.5.2 最大似然的性质 . . . . . . . . . . . . . . . . . . . . . . . . . 114
5.6 贝叶斯统计 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5.6.1 最大后验（MAP）估计 . . . . . . . . . . . . . . . . . . . . . 117
5.7 监督学习算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
5.7.1 概率监督学习 . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
5.7.2 支持向量机 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.7.3 其他简单的监督学习算法 . . . . . . . . . . . . . . . . . . . . 121
5.8 无监督学习算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5.8.1 主成分分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5.8.2
k-均值聚类 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.9 随机梯度下降 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
5.10 构建机器学习算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.11 推动深度学习的挑战 . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.11.1 维数灾难 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
仅供学习使用，不得用于商业目的。https://github.com/exacity/deeplearningbook-chinese
6
目录
第二部分 深层网络：现代实践
第六章 深度前馈网络
138
5.11.2 局部不变性和平滑正则化 . . . . . . . . . . . . . . . . . . . . 131
5.11.3 流形学习 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
DRAFT
140
6.1 实例：学习 XOR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
6.2 基于梯度的学习 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
6.2.1 代价函数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
6.2.1.1 用最大似然学习条件分布 . . . . . . . . . . . . . . . . 149
6.2.1.2 学习条件统计量 . . . . . . . . . . . . . . . . . . . . . . 150
6.2.2 输出单元 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
6.2.2.1 用于高斯输出分布的线性单元 . . . . . . . . . . . . . . 151
6.2.2.2 用于 Bernoulli 输出分布的 sigmoid 单元 . . . . . . . . 152
6.2.2.3 用于 Multinoulli 输出分布的 softmax 单元 . . . . . . . 154
6.2.2.4 其他的输出类型 . . . . . . . . . . . . . . . . . . . . . . 156
6.3 隐藏单元 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
6.3.1 整流线性单元及其扩展 . . . . . . . . . . . . . . . . . . . . . . 161
6.3.2
logistic sigmoid 与双曲正切函数 . . . . . . . . . . . . . . . . 163
6.3.3 其他隐藏单元 . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
6.4 结构设计 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
6.4.1 通用近似性质和深度 . . . . . . . . . . . . . . . . . . . . . . . 165
6.4.2 其他结构上的考虑 . . . . . . . . . . . . . . . . . . . . . . . . 168
6.5 反向传播和其他的微分算法 . . . . . . . . . . . . . . . . . . . . . . . . 170
6.5.1 计算图 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
6.5.2 微积分中的链式法则 . . . . . . . . . . . . . . . . . . . . . . . 171
6.5.3 递归地使用链式法则来实现 BP . . . . . . . . . . . . . . . . . 173
6.5.4 全连接 MLP 中 BP 的计算 . . . . . . . . . . . . . . . . . . . 175
6.5.5 符号到符号的导数 . . . . . . . . . . . . . . . . . . . . . . . . 176
6.5.6 一般化的 BP . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
6.5.7 实例：用于 MLP 训练的 BP . . . . . . . . . . . . . . . . . . 183
6.5.8 复杂化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
仅供学习使用，不得用于商业目的。https://github.com/exacity/deeplearningbook-chinese
目录
7
第七章 深度学习的正则化
7.1.1
7.1.2
6.5.9 深度学习界以外的微分 . . . . . . . . . . . . . . . . . . . . . . 185
6.5.10 高阶微分 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
6.6 历史小记 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
191
7.1 参数范数惩罚 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
L2 参数正则化 . . . . . . . . . . . . . . . . . . . . . . . . . . 193
L1 参数正则化 . . . . . . . . . . . . . . . . . . . . . . . . . . 196
7.2 作为约束的范数惩罚 . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
7.3 正则化和欠约束问题 . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
7.4 数据集增强 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
7.5 噪声鲁棒性 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
7.5.1 向输出目标注入噪声 . . . . . . . . . . . . . . . . . . . . . . . 203
7.6 半监督学习 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
7.7 多任务学习 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
7.8 提前终止 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
7.9 参数绑定和参数共享 . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
7.9.1 卷积神经网络 . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
7.10 稀疏表示 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
7.11 Bagging 和其他集成的方法 . . . . . . . . . . . . . . . . . . . . . . . . 214
7.12 Dropout
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
7.13 对抗训练 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224
7.14 切面距离、正切传播和流形正切分类器 . . . . . . . . . . . . . . . . . 225
DRAFT
第八章 深度模型中的优化
228
8.1 学习和优化有什么不同 . . . . . . . . . . . . . . . . . . . . . . . . . . 228
8.1.1 经验风险最小化 . . . . . . . . . . . . . . . . . . . . . . . . . 229
8.1.2 替代损失函数和提前终止 . . . . . . . . . . . . . . . . . . . . 230
8.1.3 批算法和minibatch 算法 . . . . . . . . . . . . . . . . . . . . . 230
8.2 神经网络的优化挑战 . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
8.2.1 病态 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
8.2.2 局部极小值 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
8.2.3 高原，鞍点和其他平坦区域 . . . . . . . . . . . . . . . . . . . 237
仅供学习使用，不得用于商业目的。https://github.com/exacity/deeplearningbook-chinese
8
目录
8.2.4 悬崖和梯度爆炸 . . . . . . . . . . . . . . . . . . . . . . . . . 239
8.2.5 长期依赖 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
8.2.6 非精确梯度 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
8.2.7 局部和全局结构间的弱对应 . . . . . . . . . . . . . . . . . . . 241
8.2.8 优化的理论限制 . . . . . . . . . . . . . . . . . . . . . . . . . 243
8.3 基本算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
8.3.1 随机梯度下降 . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
8.3.2 动量 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
Nesterov 动量 . . . . . . . . . . . . . . . . . . . . . . . . . . 248
8.3.3
8.4 参数初始化策略 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
8.5 自适应学习率的算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
AdaGrad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
8.5.1
RMSProp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
8.5.2
Adam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
8.5.3
8.5.4 选择正确的优化算法 . . . . . . . . . . . . . . . . . . . . . . . 256
8.6 二阶近似方法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
8.6.1 牛顿方法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
8.6.2 共轭梯度 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
8.6.3
BFGS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
8.7 优化技巧和元算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
8.7.1
batch normalization . . . . . . . . . . . . . . . . . . . . . . . 263
8.7.2 坐标下降 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
8.7.3
Polyak 平均 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
8.7.4 监督预训练 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
8.7.5 设计有助于优化的模型 . . . . . . . . . . . . . . . . . . . . . . 269
8.7.6 连续方法和课程学习 . . . . . . . . . . . . . . . . . . . . . . . 270
DRAFT
第九章 卷积神经网络
273
9.1 卷积运算 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
9.2 动机 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
9.3 池化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282
9.4 卷积与池化作为一种无限强的先验 . . . . . . . . . . . . . . . . . . . . 287
9.5 基本卷积函数的变体 . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
相关推荐
2023年江西萍乡中考道德与法治真题及答案.doc
2012年重庆南川中考生物真题及答案.doc
2013年江西师范大学地理学综合及文艺理论基础考研真题.doc
2020年四川甘孜小升初语文真题及答案I卷.doc
2020年注册岩土工程师专业基础考试真题及答案.doc
2023-2024学年福建省厦门市九年级上学期数学月考试题及答案.doc
2021-2022学年辽宁省沈阳市大东区九年级上学期语文期末试题及答案.doc
2022-2023学年北京东城区初三第一学期物理期末试卷及答案.doc
2018上半年江西教师资格初中地理学科知识与教学能力真题及答案.doc
2012年河北国家公务员申论考试真题及答案-省级.doc
2020-2021学年江苏省扬州市江都区邵樊片九年级上学期数学第一次质量检测试题及答案.doc
2022下半年黑龙江教师资格证中学综合素质真题及答案.doc
