深度|避免成为调包侠，从数学角度再看深度学习_Philipp|数学|理论|包括|书籍|

机器之心报道
编辑：陈萍

知其然知其所以然。想要深耕深度学习，背后的数学原理还需要掌握。这就有一本值得推荐的新书。

今天， reddit 上的一个帖子可谓热度爆表，到目前为止，热度还在持续上升，在不到一天的时间里，引来大量网友的讨论。该帖子的主要内容为「深度学习中的现代数学」。由帖子内容我们可以粗略得出，这是一本介绍深度学习中关于现代数学的书籍。
在深度学习领域，数学知识至关重要，想要深入了解深度学习背后的数学知识、做更前沿更基础的研究，这背后离不开数学知识的支撑。
书籍介绍
该书是在线免费的，书中描述了深度学习数学分析的新领域。这个领域出现在一系列研究问题中，但在经典的学习理论框架内都没有得到解决。这些问题涉及：超参数化神经网络突出的泛化能力；深度在深度架构中扮演的角色；维度灾难的明显缺失；尽管遇到的问题是非凸性、但取得令人惊讶的成功的优化性能；了解哪些特征是可以学习的；为什么深度架构在物理问题上表现得异常出色；架构的哪些方面以何种方式影响学习任务的行为。
书籍中给出了现代数学方法的概览，以及上述问题部分答案的概述。对于所选择的方法，书中给出了主要解决思想的更多细节。

文章图片

书籍地址：
https://arxiv.org/pdf/2105.04026.pdf
该书共分为 8 个章节，每个章节的主要内容如下：
第一章：引言部分，主要介绍了该书定义的一些符号表示、理论基础、是否需要新的理论解决还未解决的问题；
第二章：大型神经网络的泛化能力，主要包括核（Kernel）相关问题、基于范数的边界和边际理论、优化和隐式正则化、经典理论的局限性；
第三章：深度在神经网络表达中的作用，主要包括径向函数逼近、深度 ReLU 网络、表达性的可替代概念；
第四章：深度神经网络克服了维数的诅咒，主要包括流形假设、随机抽样、PDE 假设；
第五章：深度神经网络的优化，主要包括损失分析、随机梯度下降的惰性训练和可证明的收敛；
第六章：特殊架构的影响，主要包括卷积神经网络、残差神经网络、 Framelets 和 U-Nets 、批归一化、稀疏神经网络与剪枝、递归神经网络；
第七章：深度神经网络学习的特征描述，主要包括不变性与散射变换、分层的稀疏表示；
第八章：自然科学的有效性，主要包括深度神经网络遇到逆问题、基于 PDF 模型。

文章图片

文章图片

作者介绍
个人主页：
https://homepage.univie.ac.at/julius.berner/
该书作者之一 Julius Berner 曾就读于维也纳大学（BSc ， MSc），攻读应用数学和科学计算专业，对机器学习和神经网络特别感兴趣。目前， Julius Berner 正在 Philipp Grohs 博士的指导下在维也纳大学攻读博士学位，其研究重点是基于深度学习方法的数学分析，这些方法是在逼近理论、统计学习理论和优化方法的交叉处进行的。
除此以外，书籍作者还包括来自维也纳大学的 Philipp Grohs 及 Philipp Petersen 等人。
网友评论
这本书籍引起了广大网友的讨论。有网友表示：「这是一项非常棒的工作！我经常有『我真的了解我在做什么吗？』的感觉。感谢你们把深度学习和数学结合起来，该书出版时，我会订购。」

文章图片

还有网友表示：「我在机器学习领域且具有数学背景，但不幸的是，在该领域中，许多公司的员工不知道自己在干什么。工作流程基本上是：学习一些 Python 基本框架，然后就是修改参数，直到产生可接受的结果。」

文章图片

对此，有人表示「反复试验不一定是坏事。这就是自然系统（而不是人工系统）进化的方式。但是，对于架构上的飞跃和新改进，必须对该理论有深刻的理解。」
对于从事深度学习的研究者来说，或许这本书能帮到你。
参考链接：
【深度|避免成为调包侠，从数学角度再看深度学习】https://www.reddit.com/r/MachineLearning/comments/najnjg/r_the_modern_mathematics_of_deep_learning/