附录

参考文献

以下是本书撰写过程中参考的主要文献、论文和在线资源，按类别分类供读者延伸阅读：

经典教材与专著

  1. 《Deep Learning》 - Ian Goodfellow, Yoshua Bengio, Aaron Courville (MIT Press, 2016)
    深度学习领域奠基性教材，涵盖数学基础与核心模型

  2. 《Neural Networks and Deep Learning》 - Michael Nielsen (在线开源书籍)
    免费电子书，适合入门神经网络原理

  3. 《Pattern Recognition and Machine Learning》 - Christopher Bishop (Springer, 2006)
    机器学习经典，包含概率视角的深度学习内容

关键论文

  1. AlexNet
    Krizhevsky A, Sutskever I, Hinton G E. ImageNet Classification with Deep Convolutional Neural Networks (NIPS 2012)

  2. Transformer
    Vaswani A, et al. Attention Is All You Need (NeurIPS 2017)

  3. GAN
    Goodfellow I, et al. Generative Adversarial Nets (NeurIPS 2014)

框架与工具文档

  1. TensorFlow官方文档
    https://www.tensorflow.org/overview

  2. PyTorch教程
    https://pytorch.org/tutorials/

  3. Hugging Face Transformers库文档
    https://huggingface.co/docs/transformers/index

数据集资源

  1. ImageNet
    http://www.image-net.org/

  2. MNIST
    http://yann.lecun.com/exdb/mnist/

  3. GLUE基准 (自然语言处理)
    https://gluebenchmark.com/

在线课程

  1. Deep Learning Specialization - Andrew Ng (Coursera)
    包含CNN/RNN/Transformer等专题

  2. Fast.ai Practical Deep Learning
    面向实践的免费课程

  3. MIT 6.S191: Introduction to Deep Learning
    年度更新的最新技术讲座

伦理与可解释性

  1. 《AI Superpowers》 - Kai-Fu Lee (2018)
    讨论AI的社会影响

  2. 《The Alignment Problem》 - Brian Christian (2020)
    深度学习伦理问题研究

扩展阅读建议

  • arXiv.org
    定期跟踪机器学习板块（cs.LG/cs.CV/cs.CL）
  • Distill.pub
    可视化解释深度学习概念的在线期刊
  • Papers With Code
    结合论文与开源实现的资源平台

注：部分链接可能随时间变化，建议通过学术搜索引擎获取最新资源版本。


此参考文献章节设计特点：
1. 分类清晰，便于读者按需查阅
2. 包含经典文献与最新资源（如arXiv）
3. 强调开源和可获取性
4. 补充伦理相关内容，呼应第10章讨论
5. 提供持续学习路径建议

需要扩展时可增加：
- 各领域细分参考文献（如医疗/金融应用）
- 重要学术会议的历年论文集链接
- 代码库和Colab示例的直达链接
Last Updated::