麻省理工学院：深度学习理论的原理【英文版】

本资源为开源电子书《The Principles of Deep Learning Theory》，剑桥大学出版社将于2022年出版 深度神经网络(DNNs)是现代人工智能研究的一部分，但它们或多或少被视为一个“黑盒子”。虽然人们在人工智能的研究方面不断取得进展，但是由于深度神经网络过于复杂，人们仍然无法使用第一性原理解释深度神经网络。模型在很大程度上是通过反复试验来调整的——虽然反复试验可以通过多年的经验来明智地进行，但却没有任何统一的理论语言来描述DNN及其功能。 《深度学习理论原理:理解神经网络的有效理论方法》的新书出版，该研究由Facebook AI Research的Sho Yaida、麻省理工学院和Salesforce的Dan Roberts以及普林斯顿的Boris Hanin共同完成。作为一个基本的层面，这本书提供了一个从第一性原理理解DNNs的理论框架。对于人工智能从业者来说，这种理解可以显著减少训练这些DNN所需的试错次数。例如，它可以揭示任何给定模型的最佳超参数，而不需要经过今天所需要的时间和计算密集的实验。 《深度学习理论原理》将于2022年初由剑桥大学出版社出版