序言一
序言二
前　言
作者介紹
第1章　緒論/ 1
1.1　人工智能及其飛速發展/ 2
1.2　大規模、分布式機器學習/ 4
1.3　本書的安排/ 6
參考文獻/ 7
第2章　機器學習基礎/ 9
2.1　機器學習的基本概念/ 10
2.2　機器學習的基本流程/ 13
2.3　常用的損失函數/ 16
2.3.1　Hinge損失函數/ 16
2.3.2　指數損失函數/ 16
2.3.3　交叉熵損失函數/ 17
2.4　常用的機器學習模型/ 18
2.4.1　綫性模型/ 18
2.4.2　核方法與支持嚮量機/ 18
2.4.3　決策樹與Boosting/ 21
2.4.4　神經網絡/ 23
2.5　常用的優化方法/ 32
2.6　機器學習理論/ 33
2.6.1　機器學習算法的泛化誤差/ 34
2.6.2　泛化誤差的分解/ 34
2.6.3　基於容度的估計誤差的上界/ 35
2.7　總結/ 36
參考文獻/ 36
第3章　分布式機器學習框架/ 41
3.1　大數據與大模型的挑戰/ 42
3.2　分布式機器學習的基本流程/ 44
3.3　數據與模型劃分模塊/ 46
3.4　單機優化模塊/ 48
3.5　通信模塊/ 48
3.5.1　通信的內容/ 48
3.5.2　通信的拓撲結構/ 49
3.5.3　通信的步調/ 51
3.5.4　通信的頻率/ 52
3.6　數據與模型聚閤模塊/ 53
3.7　分布式機器學習理論/ 54
3.8　分布式機器學習係統/ 55
3.9　總結/ 56
參考文獻/ 57
第4章　單機優化之確定性算法/ 61
4.1　基本概述/ 62
4.1.1　機器學習的優化框架/ 62
4.1.2　優化算法的分類和發展曆史/ 65
4.2　一階確定性算法/ 67
4.2.1　梯度下降法/ 67
4.2.2　投影次梯度下降法/ 69
4.2.3　近端梯度下降法/ 70
4.2.4　Frank-Wolfe算法/ 71
4.2.5　Nesterov加速法/ 72
4.2.6　坐標下降法/ 75
4.3　二階確定性算法/ 75
4.3.1　牛頓法/ 76
4.3.2　擬牛頓法/ 77
4.4　對偶方法/ 78
4.5　總結/ 81
參考文獻/ 8
第5章　單機優化之隨機算法/ 85
5.1　基本隨機優化算法/ 86
5.1.1　隨機梯度下降法/ 86
5.1.2　隨機坐標下降法/ 88
5.1.3　隨機擬牛頓法/ 91
5.1.4　隨機對偶坐標上升法/ 93
5.1.5　小結/ 95
5.2　隨機優化算法的改進/ 96
5.2.1　方差縮減方法/ 96
5.2.2　算法組閤方法/ 100
5.3　非凸隨機優化算法/ 101
5.3.1　Ada係列算法/ 102
5.3.2　非凸理論分析/ 104
5.3.3　逃離鞍點問題/ 106
5.3.4　等級優化算法/ 107
5.4　總結/ 109
參考文獻/ 109
第6章　數據與模型並行/ 113
6.1　基本概述/ 114
6.2　計算並行模式/ 117
6.3　數據並行模式/ 119
6.3.1　數據樣本劃分/ 120
6.3.2　數據維度劃分/ 123
6.4　模型並行模式/ 123
6.4.1　綫性模型/ 123
6.4.2　神經網絡/ 127
6.5　總結/ 133
參考文獻/ 133
第7章　通信機製/ 135
7.1　基本概述/ 136
7.2　通信的內容/ 137
7.2.1　參數或參數的更新/ 137
7.2.2　計算的中間結果/ 137
7.2.3　討論/ 138
7.3　通信的拓撲結構/ 139
7.3.1　基於迭代式MapReduce/AllReduce的通信拓撲/ 140
7.3.2　基於參數服務器的通信拓撲/ 142
7.3.3　基於數據流的通信拓撲/ 143
7.3.4　討論/ 145
7.4　通信的步調/ 145
7.4.1　同步通信/ 146
7.4.2　異步通信/ 147
7.4.3　同步和異步的平衡/ 148
7.4.4　討論/ 150
7.5　通信的頻率/ 150
7.5.1　時域濾波/ 150
7.5.2　空域濾波/ 153
7.5.3　討論/ 155
7.6　總結/ 156
參考文獻/ 156
第8章　數據與模型聚閤/ 159
8.1　基本概述/ 160
8.2　基於模型加和的聚閤方法/ 160
8.2.1　基於全部模型加和的聚閤/ 160
8.2.2　基於部分模型加和的聚閤/ 162
8.3　基於模型集成的聚閤方法/ 167
8.3.1　基於輸齣加和的聚閤/ 168
8.3.2　基於投票的聚閤/ 171
8.4　總結/ 174
參考文獻/ 174
第9章　分布式機器學習算法/ 177
9.1　基本概述/ 178
9.2　同步算法/ 179
9.2.1　同步SGD方法/ 179
9.2.2　模型平均方法及其改進/ 182
9.2.3　ADMM算法/ 183
9.2.4　彈性平均SGD算法/ 185
9.2.5　討論/ 186
9.3　異步算法/ 187
9.3.1　異步SGD/ 187
9.3.2　Hogwild!算法/ 189
9.3.3　Cyclades算法/ 190
9.3.4　帶延遲處理的異步算法/ 192
9.3.5　異步方法的進一步加速/ 199
9.3.6　討論/ 199
9.4　同步和異步的對比與融閤/ 199
9.4.1　同步和異步算法的實驗對比/ 199
9.4.2　同步和異步的融閤/ 201
9.5　模型並行算法/ 203
9.5.1　DistBelief/ 203
9.5.2　AlexNet/ 204
9.6　總結/ 205
參考文獻/ 205
第10章　分布式機器學習理論/ 209
10.1　基本概述/ 210
10.2　收斂性分析/ 210
10.2.1　優化目標和算法/ 211
10.2.2　數據和模型並行/ 213
10.2.3　同步和異步/ 215
10.3　加速比分析/ 217
10.3.1　從收斂速率到加速比/ 218
10.3.2　通信量的下界/ 219
10.4　泛化分析/ 221
10.4.1　優化的局限性/ 222
10.4.2　具有更好泛化能力的非凸優化算法/ 224
10.5　總結/ 226
參考文獻/ 226
第11章　分布式機器學習係統/ 229
11.1　基本概述/ 230
11.2　基於IMR的分布式機器學習係統/ 231
11.2.1　IMR和Spark/ 231
11.2.2　Spark MLlib/ 234
11.3　基於參數服務器的分布式機器學習係統/ 236
11.3.1　參數服務器/ 236
11.3.2　Multiverso參數服務器/ 237
11.4　基於數據流的分布式機器學習係統/ 241
11.4.1　數據流/ 241
11.4.2　TensorFlow數據流係統/ 243
11.5　實戰比較/ 248
11.6　總結/ 252
參考文獻/ 252
第12章　結語/ 255
12.1　全書總結/ 256
12.2　未來展望/ 257
索引/ 260
· · · · · · (收起)