书名：人工智能:现代方法:第4版(上下册)  
定价：198.0  
ISBN：9787115598103  
作者：斯图尔特·罗素,彼得·诺维格  
版次：第1版  
出版时间：2022-10  

内容提要：  

本书*、深入地探讨了人工智能（AI）领域的理论和实践，以统一的风格将当今流行的人工智能思想和术语融合到引起广泛关注的应用中，真正做到理论和实践相结合。全书分7个部分，共28章，理论部分介绍了人工智能研究的主要理论和方法并追溯了两千多年前的相关思想，内容主要包括逻辑、概率和连续数学，感知、推理、学习和行动，公平、信任、社会公益和*；实践部分*地践行了“现代”理念，实际应用选择当下热度较高的微电子设备、机器人行星探测器、拥有几十亿用户的在线服务、AlphaZero、人形机器人、自动驾驶、人工智能辅助医疗等。本书适合作为高等院校人工智能相关专业本科生和研究生的教材，也可以作为相关领域专业人员的参考书。

作者简介：  

斯图尔特·罗素（Stuart Russell），1986年他进入加利福尼亚大学伯克利分校，任计算机科学系教授，并曾担任系主任，人类兼容人工智能中

心主任，他也是史密斯–扎德（Smith-Zadeh）工程系讲席教授。1990年，他获得了美国国家科学基金会（NSF）杰出青年科学家总统奖；

1995年，他成为计算机与思想奖的获奖人之一。他是美国人工智能协会（AAAI）、美国计算机协会（ACM）和美国科学促进协会的会士，

牛津大学瓦德汉学院的荣誉院士和安德鲁·卡内基（Andrew Carnegie）院士。2012年到2014年，他在巴黎担任布莱斯·帕斯卡（Blaise Pascal）

主席。他在人工智能领域发表了300多篇论文，涉及范围广泛。

彼得·诺维格（Peter Norvig）曾任谷歌公司的研究总监、核心网络搜索算法的负责人。他曾与他人合作共同教授了一门有16万名学生注册的在线

人工智能课程，帮助开启了当下的大规模在线公开课程的大幕。他曾担任美国宇航局艾姆斯研究中心计算科学部的负责人，负责人工智能和机器人

学的研究和开发。他曾任南加利福尼亚大学的教授和加利福尼亚大学伯克利分校、斯坦福大学的教师。他是美国人工智能协会和美国计算机协会的

会士，以及美国艺术与科学院和加利福尼亚科学院的院士。

两位作者共同获得了2016年首届AAAI/EAAI杰出教育家奖。

目录：  

第 一部分 人工智能基础 

第 1 章 绪论  2 

1.1 什么是人工智能  2 

1.1.1 类人行为：图灵测试方法 3 

1.1.2 类人思考：认知建模方法 3 

1.1.3 理性思考：“思维法则”方法 4 

1.1.4 理性行为：理性智能体方法 4 

1.1.5 益机  5 

1.2 人工智能的基础  6 

1.2.1 哲学  6 

1.2.2 数学  8 

1.2.3 经济学  9 

1.2.4 神经科学  10 

1.2.5 心理学  12 

1.2.6 计算机工程  13 

1.2.7 控制理论与控制论  14 

1.2.8 语言学  15 

1.3 人工智能的历史  16 

1.3.1 人工智能的诞生（1943—1956） 16 

1.3.2 早期热情高涨，期望无限（1952—1969）  17 

1.3.3 一些现实（1966—1973） 19 

1.3.4 *系统（1969—1986） 20 

1.3.5 神经网络的回归（1986—现在） 22 

1.3.6 概率推理和机器学习（1987—现在）  22 

1.3.7 大数据（2001—现在） 23 

1.3.8 深度学习（2011—现在） 24 

1.4 目前的先进技术  24 

1.5 人工智能的风险和收益  27 

小结   30 

参考文献与历史注释  31 

第 2 章 智能体  32 

2.1 智能体和环境  32 

2.2 良好行为：理性的概念  34 

2.2.1 性能度量  34 

2.2.2 理性  35 

2.2.3 全知、学习和自主  36 

2.3 环境的本质  37 

2.3.1 指定任务环境  37 

2.3.2 任务环境的属性  38 

2.4 智能体的结构  41 

2.4.1 智能体程序  41 

2.4.2 简单反射型智能体  42 

2.4.3 基于模型的反射型智能体 44 

2.4.4 基于目标的智能体  45 

2.4.5 基于效用的智能体  46 

2.4.6 学习型智能体  47 

2.4.7 智能体程序的组件如何工作 49 

小结   50 

参考文献与历史注释  51 

*部分 问题求解 

第 3 章 通过搜索进行问题求解 54 

3.1 问题求解智能体  54 

3.1.1 搜索问题和解  55 

3.1.2 问题形式化  56 

3.2 问题示例  57 

3.2.1 标准化问题  57 

3.2.2 真实世界问题  59 

3.3 搜索算法  61 

3.3.1 *优先搜索  62 

3.3.2 搜索数据结构  63 

3.3.3 冗余路径  64 

3.3.4 问题求解性能评估  65 

3.4 无信息搜索策略  65 

3.4.1 广度优先搜索  66 

3.4.2 Dijkstra 算法或一致代价搜索 67 

3.4.3 深度优先搜索与内存问题 68 

3.4.4 深度受限和迭代加深搜索 69 

3.4.5 双向搜索  712 

3.4.6 无信息搜索算法对比  72 

3.5 有信息（启发式）搜索策略 73 

3.5.1 贪心*优先搜索  73 

3.5.2 A* 搜索  75 

3.5.3 搜索等值线  77 

3.5.4 满意搜索：不可容许的启发式 

函数与加权 A* 搜索  79 

3.5.5 内存受限搜索  80 

3.5.6 双向启发式搜索  83 

3.6 启发式函数  85 

3.6.1 启发式函数的*性对性能的影响  85 

3.6.2 从松弛问题出发生成启发式函数 86 

3.6.3 从子问题出发生成启发式函数：模式数据库  87 

3.6.4 使用地标生成启发式函数 88 

3.6.5 学习以更好地搜索  90 

3.6.6 从经验中学习启发式函数 90 

小结   90 

参考文献与历史注释  92 

第 4 章 复杂环境中的搜索  95 

4.1 局部搜索和*化问题  95 

4.1.1 爬山搜索  96 

4.1.2 模拟退火  98 

4.1.3 局部束搜索  99 

4.1.4 进化算法  99 

4.2 连续空间中的局部搜索  102 

4.3 使用非确定性动作的搜索 104 

4.3.1 不稳定的真空吸尘器世界 105 

4.3.2 与或搜索树  106 

4.3.3 反复尝试  107 

4.4 部分可观测环境中的搜索 108 

4.4.1 无观测信息的搜索  108 

4.4.2 部分可观测环境中的搜索  111 

4.4.3 求解部分可观测问题  112 

4.4.4 部分可观测环境中的智能体 113 

4.5 在线搜索智能体和未知环境  115 

4.5.1 在线搜索问题  115 

4.5.2 在线搜索智能体  117 

4.5.3 在线局部搜索  118 

4.5.4 在线搜索中的学习  119 

小结   120 

参考文献与历史注释  121 

第 5 章 对抗搜索和博弈  124 

5.1 博弈论  124 

5.2 博弈中的优化决策  126 

5.2.1 极小化极大搜索算法 127 

5.2.2 多人博弈中的*决策 128 

5.2.3 α-β 剪枝  129 

5.2.4 移动顺序  131 

5.3 启发式 α-β 树搜索  132 

5.3.1 评价函数  132 

5.3.2 截断搜索  134 

5.3.3 前向剪枝  135 

5.3.4 搜索和查表  136 

5.4 蒙特卡罗树搜索  136 

5.5 随机博弈  139 

5.6 部分可观测博弈  142 

5.6.1 四国军棋：部分可观测的国际象棋  142 

5.6.2 纸牌游戏  144 

5.7 博弈搜索算法的局限性  146 

小结   147 

参考文献与历史注释  148 

第 6 章 约束满足问题  152 

6.1 定义约束满足问题  152 

6.1.1 问题示例：地图着色 153 

6.1.2 问题示例：车间作业调度 154 

6.1.3 CSP 形式体系的变体 155 

6.2 约束传播：CSP 中的推断  156 

6.2.1 节点一致性  157 

6.2.2 弧一致性  157 

6.2.3 路径一致性  158 

6.2.4 k 一致性  158 

6.2.5 全局约束  159 

6.2.6 数独  160 

6.3 CSP 的回溯搜索  161 

6.3.1 变量排序和值排序  163 

6.3.2 交替进行搜索和推理 164 

6.3.3 智能回溯：向后看  164 

6.3.4 约束学习  166 

6.4 CSP 的局部搜索  166 

6.5 问题的结构  168 

6.5.1 割集调整  169 

6.5.2 树分解  170 

6.5.3 值对称  171 

小结   171 

参考文献与历史注释  172 

第三部分 知识、推理和规划 

第 7 章 逻辑智能体  176 

7.1 基于知识的智能体  176 

7.2 wumpus 世界  178 

7.3 逻辑  180 

7.4 命题逻辑：一种非常简单的逻辑 183 

7.4.1 语法  183 

7.4.2 语义  184 

7.4.3 一个简单的知识库  185 

7.4.4 一个简单的推断过程 186 

7.5 命题定理证明  187 

7.5.1 推断与证明  188 

7.5.2 通过归结证明  190 

7.5.3 霍恩子句与确定子句 194 

7.5.4 前向链接与反向链接 194 

7.6 *命题模型检验  196 

7.6.1 完备的回溯算法  196 

7.6.2 局部搜索算法  198 

7.6.3 随机 SAT 问题概览  199 

7.7 基于命题逻辑的智能体  200 

7.7.1 世界的当前状态  200 

7.7.2 混合智能体  203 

7.7.3 逻辑状态估计  204 

7.7.4 用命题推断进行规划 205 

小结   207 

参考文献与历史注释  208 

第 8 章 一阶逻辑  211 

8.1 回顾表示   211 

8.1.1 思想的语言  212 

8.1.2 结合形式语言和自然语言的优点  213 

8.2 一阶逻辑的语法和语义  215 

8.2.1 一阶逻辑模型  215 

8.2.2 符号与解释  216 

8.2.3 项  218 

8.2.4 原子语句  218 

8.2.5 复合语句  218 

8.2.6 量词  219 

8.2.7 等词  222 

8.2.8 数据库语义  222 

8.3 使用一阶逻辑  223 

8.3.1 一阶逻辑的断言与查询 223 

8.3.2 *属关系论域  224 

8.3.3 数、集合与列表  225 

8.3.4 wumpus 世界  227 

8.4 一阶逻辑中的知识工程  228 

8.4.1 知识工程的过程  229 

8.4.2 电子电路论域  230 

小结   233 

参考文献与历史注释  234 

第 9 章 一阶逻辑中的推断  236 

9.1 命题推断与一阶推断  236 

9.2 合一与一阶推断  238 

9.2.1 合一  239 

9.2.2 存储与检索  240 

9.3 前向链接  241 

9.3.1 一阶确定子句  242 

9.3.2 简单的前向链接算法 242 

9.3.3 *前向链接  244 

9.4 反向链接  247 

9.4.1 反向链接算法  247 

9.4.2 逻辑编程  248 

9.4.3 冗余推断和无限循环 249 

9.4.4 Prolog 的数据库语义 251 

9.4.5 约束逻辑编程  251 

9.5 归结  252 

9.5.1 一阶逻辑的合取范式 252 

9.5.2 归结推断规则  253 

9.5.3 证明范例  254 

9.5.4 归结的完备性  256 

9.5.5 等词  258 

9.5.6 归结策略  260 

小结   261 

参考文献与历史注释  262 

第 10 章 知识表示  265 

10.1 本体论工程  265 

10.2 类别与对象  267 

10.2.1 物理组成  268 

10.2.2 量度  269 

10.2.3 对象：事物和物质  271 

10.3 事件  272 

10.3.1 时间  273 

10.3.2 流和对象  275 

10.4 精神对象和模态逻辑  275 

10.5 类别的推理系统  278 

10.5.1 语义网络  278 

10.5.2 描述逻辑  280 

10.6 用缺省信息推理  281 

10.6.1 限定与缺省逻辑  281 

10.6.2 真值维护系统  283 

小结   284 

参考文献与历史注释  285 

第 11 章 自动规划  290 

11.1 *规划的定义  290 

11.1.1 范例领域：航空货物运输 291 

11.1.2 范例领域：备用轮胎问题 292 

11.1.3 范例领域：积木世界 292 

11.2 *规划的算法  294 

11.2.1 规划的前向状态空间搜索 294 

11.2.2 规划的反向状态空间搜索 295 

11.2.3 使用布尔可满足性规划 296 

11.2.4 其他*规划方法  296 

11.3 规划的启发式方法  297 

11.3.1 领域无关剪枝  299 

11.3.2 规划中的状态抽象  300 

11.4 分层规划  300 

11.4.1 高层动作  301 

11.4.2 搜索基元解  302 

11.4.3 搜索抽象解  303 

11.5 非确定性域的规划和行动  307 

11.5.1 无传感器规划  309 

11.5.2 应变规划  312 

11.5.3 在线规划  313 

11.6 时间、调度和资源  315 

11.6.1 时间约束和资源约束的表示 315 

11.6.2 解决调度问题  316 

11.7 规划方法分析  318 

小结   319 

参考文献与历史注释  320 

第四部分 不确定知识和不确定推理 

第 12 章 不确定性的量化  326 

12.1 不确定性下的动作  326 

12.1.1 不确定性概述  327 

12.1.2 不确定性与理性决策 328 

12.2 基本概率记号  329 

12.2.1 概率是关于什么的  329 

12.2.2 概率断言中的命题语言 330 

12.2.3 概率公理及其合理性 333 

12.3 使用完全联合分布进行推断 334 

12.4 独立性  336 

12.5 贝叶斯法则及其应用  337 

12.5.1 应用贝叶斯法则：简单实例 338 

12.5.2 应用贝叶斯法则：合并证据 339 

12.6 朴素贝叶斯模型  340 

12.7 重游 wumpus 世界  342 

小结   344 

参考文献与历史注释  345 

第 13 章 概率推理  348 

13.1 不确定域的知识表示  348 

13.2 贝叶斯网络的语义  350 

13.2.1 贝叶斯网络中的条件独立性关系  353 

13.2.2 条件分布的*表示 354 

13.2.3 连续变量的贝叶斯网络 356 

13.2.4 案例研究：汽车保险 358 

13.3 贝叶斯网络中的*推断 360 

13.3.1 通过枚举进行推断  361 

13.3.2 变量消元算法  363 

13.3.3 *推断的复杂性  365 

13.3.4 聚类算法  366 

13.4 贝叶斯网络中的近似推理 367 

13.4.1 直接采样方法  368 

13.4.2 通过马尔可夫链模拟进行推断  372 

13.4.3 编译近似推断  378 

13.5 因果网络  379 

13.5.1 表示动作：do 操作  380 

13.5.2 后门准则  382 

小结   382 

参考文献与历史注释  383 

第 14 章 时间上的概率推理  388 

14.1 时间与不确定性  388 

14.1.1 状态与观测  389 

14.1.2 转移模型与传感器模型 389 

14.2 时序模型中的推断  391 

14.2.1 滤波与预测  392 

14.2.2 平滑  394 

14.2.3 寻找*可能序列  396 

14.3 隐马尔可夫模型  398 

14.3.1 简化矩阵算法  398 

14.3.2 隐马尔可夫模型示例：定位 400 

14.4 卡尔曼滤波器  403 

14.4.1 更新高斯分布  403 

14.4.2 简单的一维示例  404 

14.4.3 一般情况  406 

14.4.4 卡尔曼滤波的适用范围 407 

14.5 动态贝叶斯网络  408 

14.5.1 构建动态贝叶斯网络 409 

14.5.2 动态贝叶斯网络中的*推断  412 

14.5.3 动态贝叶斯网络中的近似推断  413 

小结   417 

参考文献与历史注释  418 

第 15 章 概率编程  421 

15.1 关系概率模型  421 

15.1.1 语法与语义  423 

15.1.2 实例：评定玩家的技能等级 425 

15.1.3 关系概率模型中的推断 426 

15.2 开宇宙概率模型  427 

15.2.1 语义与语法  428 

15.2.2 开宇宙概率模型的推断 429 

15.2.3 示例  430 

15.3 追踪复杂世界  433 

15.3.1 示例：多目标跟踪  433 

15.3.2 示例：交通监控  436 

15.4 作为概率模型的程序  436 

15.4.1 示例：文本阅读  437 

15.4.2 语法与语义  438 

15.4.3 推断结果  438 

15.4.4 结合马尔可夫模型改进生成程序  439 

15.4.5 生成程序的推断  439 

小结   440 

参考文献与历史注释  440 

第 16 章 做简单决策  444 

16.1 在不确定性下结合信念与愿望 444 

16.2 效用理论基础  445 

16.2.1 理性偏好的约束  445 

16.2.2 理性偏好导致效用  447 

16.3 效用函数  448 

16.3.1 效用评估和效用尺度 448 

16.3.2 金钱的效用  449 

16.3.3 期望效用与决策后失望 451 

16.3.4 人类判断与非理性  452 

16.4 多属性效用函数  454 

16.4.1 占优  455 

16.4.2 偏好结构与多属性效用 456 

16.5 决策网络  458 

16.5.1 使用决策网络表示决策问题 458 

16.5.2 评估决策网络  460 

16.6 信息价值  460 

16.6.1 简单示例  460 

16.6.2 *信息的一般公式 461 

16.6.3 价值信息的性质  462 

16.6.4 信息收集智能体的实现 463 

16.6.5 非短视信息收集  463 

16.6.6 敏感性分析与健壮决策 464 

16.7 未知偏好  465 

16.7.1 个人偏好的不确定性 466 

16.7.2 顺从人类  467 

小结   468 

参考文献与历史注释  469 

第 17 章 做复杂决策  473 

17.1 序贯决策问题  473 

17.1.1 时间上的效用  475 

17.1.2 *策略与状态效用 477 

17.1.3 奖励规模  479 

17.1.4 表示 MDP  480 

17.2 MDP 的算法  482 

17.2.1 价值迭代  482 

17.2.2 策略迭代  485 

17.2.3 线性规划  487 

17.2.4 MDP 的在线算法  487 

17.3 老虎机问题  489 

17.3.1 计算基廷斯指数  491 

17.3.2 伯努利老虎机  492 

17.3.3 近似*老虎机策略 493 

17.3.4 不可索引变体  493 

17.4 部分可观测MDP  495 

17.5 求解POMDP 的算法  497 

17.5.1 POMDP的价值迭代  497 

17.5.2 POMDP的在线算法  500 

小结   501 

参考文献与历史注释  502 

第 18 章 多智能体决策  505 

18.1 多智能体环境的特性  505 

18.1.1 单个决策者  505 

18.1.2 多决策者  506 

18.1.3 多智能体规划  507 

18.1.4 多智能体规划：合作与协调 509 

18.2 非合作博弈论  510 

18.2.1 单步博弈：正则形式博弈  510 

18.2.2 社会福利  513 

18.2.3 重复博弈  517 

18.2.4 序贯博弈：扩展形式 520 

18.2.5 不确定收益与辅助博弈 525 

18.3 合作博弈论  527 

18.3.1 联盟结构与结果  528 

18.3.2 合作博弈中的策略  529 

18.3.3 合作博弈中的计算  531 

18.4 制定集体决策  533 

18.4.1 在合同网中分配任务 533 

18.4.2 通过拍卖分配稀缺资源 535 

18.4.3 投票  539 

18.4.4 议价  541 

小结   544 

参考文献与历史注释  545 

第五部分 机器学习 

第 19 章 样例学习  550 

19.1 学习的形式  550 

19.2 监督学习  552 

19.3 决策树学习  555 

19.3.1 决策树的表达能力  556 

19.3.2 从样例中学习决策树 557 

19.3.3 选择测试属性  559 

19.3.4 泛化与过拟合  560 

19.3.5 拓展决策树的适用范围 562 

19.4 模型选择与模型优化  563 

19.4.1 模型选择  564 

19.4.2 从错误率到损失函数 566 

19.4.3 正则化  567 

19.4.4 *参数调整  568 

19.5 学习理论  569 

19.6 线性回归与分类  572 

19.6.1 单变量线性回归  572 

19.6.2 梯度下降  574 

19.6.3 多变量线性回归  575 

19.6.4 带有硬阈值的线性分类器 577 

19.6.5 基于逻辑斯谛回归的线性分类器  579 

19.7 非参数模型  581 

19.7.1 *近邻模型  581 

19.7.2 使用 k-d 树寻找*近邻  583 

19.7.3 局部敏感哈希  584 

19.7.4 非参数回归  585 

19.7.5 支持向量机  586 

19.7.6 核技巧  589 

19.8 集成学习  589 

19.8.1 自助聚合法  590 

19.8.2 随机森林法  590 

19.8.3 堆叠法  591 

19.8.4 自适应提升法  592 

19.8.5 梯度提升法  594 

19.8.6 在线学习  595 

19.9 开发机器学习系统  596 

19.9.1 问题形式化  596 

19.9.2 数据收集、评估和管理  597 

19.9.3 模型选择与训练  601 

19.9.4 信任、可解释性、可说明性 601 

19.9.5 操作、监控和维护  603 

小结   604 

参考文献与历史注释  605 

第 20 章 概率模型学习  610 

20.1 统计学习  610 

20.2 完全数据学习  613 

20.2.1 *似然参数学习：离散模型  613 

20.2.2 朴素贝叶斯模型  615 

20.2.3 生成模型和判别模型 616 

20.2.4 *似然参数学习：连续模型  616 

20.2.5 贝叶斯参数学习  618 

20.2.6 贝叶斯线性回归  620 

20.2.7 贝叶斯网络结构学习 622 

20.2.8 非参数模型密度估计 623 

20.3 隐变量学习：EM 算法  624 

20.3.1 无监督聚类：学习混合高斯 625 

20.3.2 学习带隐变量的贝叶斯网络参数值  627 

20.3.3 学习隐马尔可夫模型 630 

20.3.4 EM 算法的一般形式  630 

20.3.5 学习带隐变量的贝叶斯网络结构  631 

小结   632 

参考文献与历史注释  632 

第 21 章 深度学习  635 

21.1 简单前馈网络  636 

21.1.1 网络作为复杂函数  636 

21.1.2 梯度与学习  639 

21.2 深度学习的计算图  640 

21.2.1 输入编码  641 

21.2.2 输出层与损失函数  641 

21.2.3 隐藏层  642 

21.3 卷积网络  643 

21.3.1 池化与下采样  646 

21.3.2 卷积神经网络的张量运算 646 

21.3.3 残差网络  647 

21.4 学习算法  648 

21.4.1 计算图中的梯度计算 649 

21.4.2 批量归一化  650 

21.5 泛化  650 

21.5.1 选择正确的网络架构 651 

21.5.2 神经架构搜索  652 

21.5.3 权重衰减  653 

21.5.4 暂退法  653 

21.6 循环神经网络  654 

21.6.1 训练基本的循环神经网络 655 

21.6.2 长短期记忆 RNN  656 

21.7 无监督学习与迁移学习 657 

21.7.1 无监督学习  657 

21.7.2 迁移学习和多任务学习 661 

21.8 应用  662 

21.8.1 视觉  662 

21.8.2 自然语言处理  663 

21.8.3 强化学习  663 

小结   664 

参考文献与历史注释  664 

第 22 章 强化学习  668 

22.1 从奖励中学习  668 

22.2 被动强化学习  670 

22.2.1 直接效用估计  671 

22.2.2 自适应动态规划  671 

22.2.3 时序差分学习  672 

22.3 主动强化学习  674 

22.3.1 探索  675 

22.3.2 *探索  677 

22.3.3 时序差分 Q 学习  678 

22.4 强化学习中的泛化  680 

22.4.1 近似直接效用估计  680 

22.4.2 近似时序差分学习  681 

22.4.3 深度强化学习  682 

22.4.4 奖励函数设计  683 

22.4.5 分层强化学习  683 

22.5 策略搜索  686 

22.6 学徒学习与逆强化学习 688 

22.7 强化学习的应用  690 

22.7.1 在电子游戏中的应用 690 

22.7.2 在机器人控制中的应用 691 

小结   692 

参考文献与历史注释  693 

第六部分  沟通、感知和行动 

第 23 章 自然语言处理  698 

23.1 语言模型  698 

23.1.1 词袋模型  699 

23.1.2 n 元单词模型  700 

23.1.3 其他 n 元模型  701 

23.1.4 n 元模型的平滑  701 

23.1.5 单词表示  702 

23.1.6 词性标注  703 

23.1.7 语言模型的比较  706 

23.2 文法  707 

23.3 句法分析  709 

23.3.1 依存分析  711 

23.3.2 从样例中学习句法分析器 712 

23.4 扩展文法  713 

23.4.1 语义解释  715 

23.4.2 学习语义文法  717 

23.5 真实自然语言的复杂性 717 

23.6 自然语言任务  720 

小结   722 

参考文献与历史注释  722 

第 24 章 自然语言处理中的深度学习 727 

24.1 词嵌入  727 

24.2 自然语言处理中的循环神经网络 730 

24.2.1 使用循环神经网络的语言模型 730 

24.2.2 用循环神经网络进行分类 732 

24.2.3 自然语言处理任务中的 LSTM模型  733 

24.3 序列到序列模型  733 

24.3.1 注意力  735 

24.3.2 解码  736 

24.4 Transformer 架构  737 

24.4.1 自注意力  737 

24.4.2 从自注意力到 Transformer 738 

24.5 预训练和迁移学习  739 

24.5.1 预训练词嵌入  740 

24.5.2 预训练上下文表示  741 

24.5.3 掩码语言模型  742 

24.6 *水平（SOTA）  742 

小结   745 

参考文献与历史注释  745 

第 25 章 计算机视觉  748 

25.1 引言  748 

25.2 图像形成  749 

25.2.1 无透镜成像：针孔照相机 749 

25.2.2 透镜系统  751 

25.2.3 缩放正交投影  752 

25.2.4 光线与明暗  752 

25.2.5 颜色  753 

25.3 简单图像特征  754 

25.3.1 边缘  755 

25.3.2 纹理  757 

25.3.3 光流  758 

25.3.4 自然图像分割  759 

25.4 图像分类  760 

25.4.1 基于卷积神经网络的图像分类 761 

25.4.2 卷积神经网络对图像分类问题 

有效的原因  762 

25.5 物体检测  763 

25.6 三维世界  766 

25.6.1 多个视图下的三维线索 766 

25.6.2 双目立体视觉  766 

25.6.3 移动摄像机给出的三维线索 768 

25.6.4 单个视图的三维线索 769 

25.7 计算机视觉的应用  769 

25.7.1 理解人类行为  770 

25.7.2 匹配图片与文字  772 

25.7.3 多视图重建  773 

25.7.4 单视图中的几何  774 

25.7.5 生成图片  775 

25.7.6 利用视觉控制运动  778 

小结   780 

参考文献与历史注释  781 

第 26 章 机器人学  785 

26.1 机器人  785 

26.2 机器人硬件  786 

26.2.1 机器人的硬件层面分类 786 

26.2.2 感知世界  787 

26.2.3 产生运动  789