《动手学深度学习（精装版）》配套资源

编辑推荐

目前市面上有关深度学习介绍的书籍大多可分两类，一类侧重方法介绍，另一类侧重实践和深度学习工具的介绍。本书同时覆盖方法和实践。本书不仅从数学的角度阐述深度学习的技术与应用，还包含可运行的代码，为读者展示如何在实际中解决问题。为了给读者提供一种交互式的学习体验，本书不但提供免费的教学视频和讨论区，而且提供可运行的Jupyter记事本文件，充分利用Jupyter记事本能将文字、代码、公式和图像统一起来的优势。这样不仅直接将数学公式对应成实际代码，而且可以修改代码、观察结果并及时获取经验，从而带给读者全新的、多方位交互式的深度学习的学习体验。 本书面向希望了解深度学习，特别是对实际使用深度学习感兴趣的大学生、工程师和研究人员。本书不要求读者有任何深度学习或者机器学习的背景知识，读者只需具备基本的数学和编程知识，如基础的线性代数、微分、概率及Python编程知识。本书的附录中提供了书中涉及的主要数学知识，供读者参考。 本书的英文版Dive into Deep Learning是加州大学伯克利分校2019年春学期“Introduction to Deep Learning”（深度学习导论）课程的教材。截至2019年春学期，本书中的内容已被全球15 所知名大学用于教学。本书的学习社区、免费教学资源（课件、教学视频、更多习题等），以及用于本书学习和教学的免费计算资源（仅限学生和老师）的申请方法在本书配套网站zh.d2l.ai上发布。读者在阅读本书的过程中，如果对书中某节内容有疑惑，也可以扫一扫书中对应的二维码寻求帮助。

内容简介

本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。与传统图书不同，本书的每一节都是一个可以下载并运行的 Jupyter记事本，它将文字、公式、图像、代码和运行结果结合在了一起。此外，读者还可以访问并参与书中内容的讨论。 全书的内容分为3个部分：*部分介绍深度学习的背景，提供预备知识，并包括深度学习*基础的概念和技术；第二部分描述深度学习计算的重要组成部分，还解释近年来令深度学习在多个领域大获成功的卷积神经网络和循环神经网络；第三部分评价优化算法，检验影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。 本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程或附录中描述的线性代数、微分和概率基础。

作者简介

阿斯顿·张（Aston Zhang） 亚马逊应用科学家，美国伊利诺伊大学香槟分校计算机科学博士，统计学和计算机科学双硕士。他专注于机器学习的研究，并在数个顶级学术会议发表过论文。他担任过NeurIPS、ICML、KDD、WWW、WSDM、SIGIR、AAAI 等学术会议的程序委员或审稿人以及Frontiers in Big Data 期刊的编委。 李沐（Mu Li） 亚马逊首席科学家（Principal Scientist），加州大学伯克利分校客座助理教授，美国卡内基梅隆大学计算机系博士。他专注于分布式系统和机器学习算法的研究。他是深度学习框架MXNet 的作者之一。他曾任机器学习创业公司Marianas Labs 的CTO 和百度深度学习研究院的主任研发架构师。他在理论、机器学习、应用和操作系统等多个领域的顶级学术会议（包括FOCS、ICML、NeurIPS、AISTATS、CVPR、KDD 、WSDM、OSDI）上发表过论文。 扎卡里·C. 立顿（Zachary C. Lipton） 亚马逊应用科学家，美国卡内基梅隆大学助理教授，美国加州大学圣迭戈分校博士。他专注于机器学习算法及其社会影响的研究，特别是在时序数据与序列决策上的深度学习。这类工作有着广泛的应用场景，包括医疗诊断、对话系统和产品推荐。他创立了博客“Approximately Correct”（approximatelycorrect.com）。 亚历山大·J. 斯莫拉（Alexander J. Smola） 亚马逊副总裁/ 杰出科学家，德国柏林工业大学计算机科学博士。他曾在澳大利亚国立大学、美国加州大学伯克利分校和卡内基梅隆大学任教。他发表了超过200 篇学术论文，并著有5 本书，其论文及书被引用超过10 万次。他的研究兴趣包括深度学习、贝叶斯非参数、核方法、统计建模和可扩展算法。

目录

• 对本书的赞誉
• 前言
• 如何使用本书
• 资源与支持
• 主要符号表
• 第 1 章　深度学习简介 1
• 1.1　起源 2
• 1.2　发展 4
• 1.3　成功案例 6
• 1.4　特点 7
• 小结 8
• 练习 8
• 第 2 章　预备知识 9
• 2.1　获取和运行本书的代码 9
• 2.1.1　获取代码并安装运行环境 9
• 2.1.2　更新代码和运行环境 11
• 2.1.3　使用GPU版的MXNet 11
• 小结12
• 练习12
• 2.2　数据操作 12
• 2.2.1　创建NDArray 12
• 2.2.2　运算 14
• 2.2.3　广播机制 16
• 2.2.4　索引 17
• 2.2.5　运算的内存开销 17
• 2.2.6　NDArray和NumPy相互变换18
• 小结19
• 练习19
• 2.3　自动求梯度 19
• 2.3.1　简单例子 19
• 2.3.2　训练模式和预测模式 20
• 2.3.3　对Python控制流求梯度 20
• 小结21
• 练习21
• 2.4　查阅文档 21
• 2.4.1　查找模块里的所有函数和类 21
• 2.4.2　查找特定函数和类的使用 22
• 2.4.3　在MXNet网站上查阅 23
• 小结 24
• 练习 24
• 第3 章　深度学习基础 25
• 3.1　线性回归 25
• 3.1.1　线性回归的基本要素 25
• 3.1.2　线性回归的表示方法 28
• 小结 30
• 练习 30
• 3.2　线性回归的从零开始实现 30
• 3.2.1　生成数据集 30
• 3.2.2　读取数据集 32
• 3.2.3　初始化模型参数 32
• 3.2.4　定义模型 33
• 3.2.5　定义损失函数 33
• 3.2.6　定义优化算法 33
• 3.2.7　训练模型 33
• 小结 34
• 练习 34
• 3.3　线性回归的简洁实现 35
• 3.3.1　生成数据集 35
• 3.3.2　读取数据集 35
• 3.3.3　定义模型 36
• 3.3.4　初始化模型参数 36
• 3.3.5　定义损失函数 37
• 3.3.6　定义优化算法 37
• 3.3.7　训练模型 37
• 小结 38
• 练习 38
• 3.4　softmax回归 38
• 3.4.1　分类问题 38
• 3.4.2　softmax回归模型 39
• 3.4.3　单样本分类的矢量计算表达式 40
• 3.4.4　小批量样本分类的矢量计算表达式 40
• 3.4.5　交叉熵损失函数 41
• 3.4.6　模型预测及评价 42
• 小结 42
• 练习 42
• 3.5　图像分类数据集（Fashion-MNIST） 42
• 3.5.1　获取数据集 42
• 3.5.2　读取小批量 44
• 小结 45
• 练习 45
• 3.6　softmax回归的从零开始实现 45
• 3.6.1　读取数据集 45
• 3.6.2　初始化模型参数 45
• 3.6.3　实现softmax运算 46
• 3.6.4　定义模型 46
• 3.6.5　定义损失函数 47
• 3.6.6　计算分类准确率 47
• 3.6.7　训练模型 48
• 3.6.8　预测 48
• 小结 49
• 练习 49
• 3.7　softmax回归的简洁实现 49
• 3.7.1　读取数据集 49
• 3.7.2　定义和初始化模型 50
• 3.7.3　softmax和交叉熵损失函数 50
• 3.7.4　定义优化算法 50
• 3.7.5　训练模型 50
• 小结 50
• 练习 50
• 3.8　多层感知机 51
• 3.8.1　隐藏层 51
• 3.8.2　激活函数 52
• 3.8.3　多层感知机 55
• 小结 55
• 练习 55
• 3.9　多层感知机的从零开始实现 56
• 3.9.1　读取数据集 56
• 3.9.2　定义模型参数 56
• 3.9.3　定义激活函数 56
• 3.9.4　定义模型 56
• 3.9.5　定义损失函数 57
• 3.9.6　训练模型 57
• 小结 57
• 练习 57
• 3.10　多层感知机的简洁实现 57
• 3.10.1　定义模型 58
• 3.10.2　训练模型 58
• 小结 58
• 练习 58
• 3.11　模型选择、欠拟合和过拟合 58
• 3.11.1　训练误差和泛化误差 59
• 3.11.2　模型选择 59
• 3.11.3　欠拟合和过拟合 60
• 3.11.4　多项式函数拟合实验 61
• 小结 65
• 练习 65
• 3.12　权重衰减 65
• 3.12.1　方法 65
• 3.12.2　高维线性回归实验 66
• 3.12.3　从零开始实现 66
• 3.12.4　简洁实现 68
• 小结 70
• 练习 70
• 3.13　丢弃法 70
• 3.13.1　方法 70
• 3.13.2　从零开始实现 71
• 3.13.3　简洁实现 73
• 小结 74
• 练习 74
• 3.14　正向传播、反向传播和计算图 74
• 3.14.1　正向传播 74
• 3.14.2　正向传播的计算图 75
• 3.14.3　反向传播 75
• 3.14.4　训练深度学习模型 76
• 小结 77
• 练习 77
• 3.15　数值稳定性和模型初始化 77
• 3.15.1　衰减和爆炸 77
• 3.15.2　随机初始化模型参数 78
• 小结 78
• 练习 79
• 3.16　实战Kaggle比赛：房价预测 79
• 3.16.1　Kaggle比赛 79
• 3.16.2　读取数据集 80
• 3.16.3　预处理数据集 81
• 3.16.4　训练模型 82
• 3.16.5　k 折交叉验证 82
• 3.16.6　模型选择 83
• 3.16.7　预测并在Kaggle提交结果 84
• 小结 85
• 练习 85
• 第4 章　深度学习计算 86
• 4.1　模型构造 86
• 4.1.1　继承Block类来构造模型 86
• 4.1.2　Sequential类继承自Block类 87
• 4.1.3　构造复杂的模型 88
• 小结 89
• 练习 90
• 4.2　模型参数的访问、初始化和共享 90
• 4.2.1　访问模型参数 90
• 4.2.2　初始化模型参数 92
• 4.2.3　自定义初始化方法 93
• 4.2.4　共享模型参数 94
• 小结 94
• 练习 94
• 4.3　模型参数的延后初始化 95
• 4.3.1　延后初始化 95
• 4.3.2　避免延后初始化 96
• 小结 96
• 练习 97
• 4.4　自定义层 97
• 4.4.1　不含模型参数的自定义层 97
• 4.4.2　含模型参数的自定义层 98
• 小结 99
• 练习 99
• 4.5　读取和存储 99
• 4.5.1　读写NDArray 99
• 4.5.2　读写Gluon模型的参数 100
• 小结 101
• 练习 101
• 4.6　GPU计算 101
• 4.6.1　计算设备 102
• 4.6.2　NDArray的GPU计算 102
• 4.6.3　Gluon的GPU计算 104
• 小结 105
• 练习 105
• 第5 章　卷积神经网络 106
• 5.1　二维卷积层 106
• 5.1.1　二维互相关运算 106
• 5.1.2　二维卷积层 107
• 5.1.3　图像中物体边缘检测 108
• 5.1.4　通过数据学习核数组 109
• 5.1.5　互相关运算和卷积运算 109
• 5.1.6　特征图和感受野 110
• 小结 110
• 练习 110
• 5.2　填充和步幅 111
• 5.2.1　填充 111
• 5.2.2　步幅 112
• 小结 113
• 练习 113
• 5.3　多输入通道和多输出通道 114
• 5.3.1　多输入通道 114
• 5.3.2　多输出通道 115
• 5.3.3　1×1卷积层 116
• 小结 117
• 练习 117
• 5.4　池化层 117
• 5.4.1　二维最大池化层和平均池化层 117
• 5.4.2　填充和步幅 119
• 5.4.3　多通道 120
• 小结 120
• 练习 121
• 5.5　卷积神经网络（LeNet） 121
• 5.5.1　LeNet模型 121
• 5.5.2　训练模型 122
• 小结 124
• 练习 124
• 5.6　深度卷积神经网络（AlexNet） 124
• 5.6.1　学习特征表示 125
• 5.6.2　AlexNet 126
• 5.6.3　读取数据集 127
• 5.6.4　训练模型 128
• 小结 128
• 练习 129
• 5.7　使用重复元素的网络（VGG） 129
• 5.7.1　VGG块 129
• 5.7.2　VGG网络 129
• 5.7.3　训练模型 130
• 小结 131
• 练习 131
• 5.8　网络中的网络（NiN） 131
• 5.8.1　NiN块 131
• 5.8.2　NiN模型 132
• 5.8.3　训练模型 133
• 小结 134
• 练习 134
• 5.9　含并行连结的网络（GoogLeNet） 134
• 5.9.1　Inception块 134
• 5.9.2　GoogLeNet模型 135
• 5.9.3　训练模型 137
• 小结 137
• 练习 137
• 5.10　批量归一化 138
• 5.10.1　批量归一化层 138
• 5.10.2　从零开始实现 139
• 5.10.3　使用批量归一化层的LeNet 140
• 5.10.4　简洁实现 141
• 小结 142
• 练习 142
• 5.11　残差网络（ResNet） 143
• 5.11.1　残差块 143
• 5.11.2　ResNet模型 145
• 5.11.3　训练模型 146
• 小结 146
• 练习 146
• 5.12　稠密连接网络（DenseNet） 147
• 5.12.1　稠密块 147
• 5.12.2　过渡层 148
• 5.12.3　DenseNet模型 148
• 5.12.4　训练模型 149
• 小结 149
• 练习 149
• 第6 章　循环神经网络 150
• 6.1　语言模型 150
• 6.1.1　语言模型的计算 151
• 6.1.2　n 元语法 151
• 小结 152
• 练习 152
• 6.2　循环神经网络 152
• 6.2.1　不含隐藏状态的神经网络 152
• 6.2.2　含隐藏状态的循环神经网络 152
• 6.2.3　应用：基于字符级循环神经网络的语言模型 154
• 小结 155
• 练习 155
• 6.3　语言模型数据集（歌词） 155
• 6.3.1　读取数据集 155
• 6.3.2　建立字符索引 156
• 6.3.3　时序数据的采样 156
• 小结 158
• 练习 159
• 6.4　循环神经网络的从零开始实现 159
• 6.4.1　one-hot向量 159
• 6.4.2　初始化模型参数 160
• 6.4.3　定义模型 160
• 6.4.4　定义预测函数 161
• 6.4.5　裁剪梯度 161
• 6.4.6　困惑度 162
• 6.4.7　定义模型训练函数 162
• 6.4.8　训练模型并创作歌词 163
• 小结 164
• 练习 164
• 6.5　循环神经网络的简洁实现 165
• 6.5.1　定义模型 165
• 6.5.2　训练模型 166
• 小结 168
• 练习 168
• 6.6　通过时间反向传播 168
• 6.6.1　定义模型 168
• 6.6.2　模型计算图 169
• 6.6.3　方法 169
• 小结 170
• 练习 170
• 6.7　门控循环单元（GRU） 170
• 6.7.1　门控循环单元 171
• 6.7.2　读取数据集 173
• 6.7.3　从零开始实现 173
• 6.7.4　简洁实现 175
• 小结 176
• 练习 176
• 6.8　长短期记忆（LSTM） 176
• 6.8.1　长短期记忆 176
• 6.8.2　读取数据集 179
• 6.8.3　从零开始实现 179
• 6.8.4　简洁实现 181
• 小结 181
• 练习 182
• 6.9　深度循环神经网络 182
• 小结 183
• 练习 183
• 6.10　双向循环神经网络 183
• 小结 184
• 练习 184
• 第7 章　优化算法 185
• 7.1　优化与深度学习 185
• 7.1.1　优化与深度学习的关系 185
• 7.1.2　优化在深度学习中的挑战 186
• 小结 188
• 练习 189
• 7.2　梯度下降和随机梯度下降 189
• 7.2.1　一维梯度下降 189
• 7.2.2　学习率 190
• 7.2.3　多维梯度下降 191
• 7.2.4　随机梯度下降 193
• 小结 194
• 练习 194
• 7.3　小批量随机梯度下降 194
• 7.3.1　读取数据集 195
• 7.3.2　从零开始实现 196
• 7.3.3　简洁实现 198
• 小结 199
• 练习 199
• 7.4　动量法 200
• 7.4.1　梯度下降的问题 200
• 7.4.2　动量法 201
• ·6·　目　　录
• 7.4.3　从零开始实现 203
• 7.4.4　简洁实现 205
• 小结 205
• 练习 205
• 7.5　AdaGrad算法206
• 7.5.1　算法 206
• 7.5.2　特点 206
• 7.5.3　从零开始实现 208
• 7.5.4　简洁实现 209
• 小结 209
• 练习 209
• 7.6　RMSProp算法 209
• 7.6.1　算法 210
• 7.6.2　从零开始实现 211
• 7.6.3　简洁实现 212
• 小结 212
• 练习 212
• 7.7　AdaDelta算法 212
• 7.7.1　算法 212
• 7.7.2　从零开始实现 213
• 7.7.3　简洁实现 214
• 小结 214
• 练习 214
• 7.8　Adam算法 215
• 7.8.1　算法 215
• 7.8.2　从零开始实现 216
• 7.8.3　简洁实现 216
• 小结 217
• 练习 217
• 第8 章　计算性能 218
• 8.1　命令式和符号式混合编程 218
• 8.1.1　混合式编程取两者之长 220
• 8.1.2　使用HybridSequential类构造模型 220
• 8.1.3　使用HybridBlock类构造模型 222
• 小结 224
• 练习 224
• 8.2　异步计算 224
• 8.2.1　MXNet中的异步计算 224
• 8.2.2　用同步函数让前端等待计算结果 226
• 8.2.3　使用异步计算提升计算性能 226
• 8.2.4　异步计算对内存的影响 227
• 小结 229
• 练习 229
• 8.3　自动并行计算 229
• 8.3.1　CPU和GPU的并行计算 230
• 8.3.2　计算和通信的并行计算 231
• 小结 231
• 练习 231
• 8.4　多GPU计算 232
• 8.4.1　数据并行 232
• 8.4.2　定义模型 233
• 8.4.3　多GPU之间同步数据 234
• 8.4.4　单个小批量上的多GPU训练 236
• 8.4.5　定义训练函数 236
• 8.4.6　多GPU训练实验 237
• 小结 237
• 练习 237
• 8.5　多GPU计算的简洁实现 237
• 8.5.1　多GPU上初始化模型参数 238
• 8.5.2　多GPU训练模型 239
• 小结 241
• 练习 241
• 第9 章　计算机视觉 242
• 9.1　图像增广242
• 9.1.1　常用的图像增广方法 243
• 9.1.2　使用图像增广训练模型 246
• 小结 250
• 练习 250
• 9.2　微调 250
• 热狗识别 251
• 小结 255
• 练习 255
• 目　　录　·7·
• 9.3　目标检测和边界框 255
• 边界框 256
• 小结 257
• 练习 257
• 9.4　锚框 257
• 9.4.1　生成多个锚框 257
• 9.4.2　交并比 259
• 9.4.3　标注训练集的锚框 260
• 9.4.4　输出预测边界框 263
• 小结 265
• 练习 265
• 9.5　多尺度目标检测 265
• 小结 268
• 练习 268
• 9.6　目标检测数据集（皮卡丘） 268
• 9.6.1　获取数据集 269
• 9.6.2　读取数据集 269
• 9.6.3　图示数据 270
• 小结 270
• 练习 271
• 9.7　单发多框检测（SSD） 271
• 9.7.1　定义模型 271
• 9.7.2　训练模型 275
• 9.7.3　预测目标 277
• 小结 278
• 练习 278
• 9.8　区域卷积神经网络（R-CNN）系列280
• 9.8.1　R-CNN 280
• 9.8.2　Fast R-CNN 281
• 9.8.3　Faster R-CNN 283
• 9.8.4　Mask R-CNN 284
• 小结 285
• 练习 285
• 9.9　语义分割和数据集 285
• 9.9.1　图像分割和实例分割 285
• 9.9.2　Pascal VOC2012语义分割数据集 286
• 小结 290
• 练习 290
• 9.10　全卷积网络（FCN） 290
• 9.10.1　转置卷积层 291
• 9.10.2　构造模型 292
• 9.10.3　初始化转置卷积层 294
• 9.10.4　读取数据集 295
• 9.10.5　训练模型 296
• 9.10.6　预测像素类别 296
• 小结 297
• 练习 297
• 9.11　样式迁移 298
• 9.11.1　方法 298
• 9.11.2　读取内容图像和样式图像 299
• 9.11.3　预处理和后处理图像 300
• 9.11.4　抽取特征 301
• 9.11.5　定义损失函数 302
• 9.11.6　创建和初始化合成图像 303
• 9.11.7　训练模型 304
• 小结 306
• 练习 306
• 9.12　实战Kaggle比赛：图像
• 分类（CIFAR-10）306
• 9.12.1　获取和整理数据集 307
• 9.12.2　图像增广 310
• 9.12.3　读取数据集 310
• 9.12.4　定义模型 311
• 9.12.5　定义训练函数 312
• 9.12.6　训练模型 312
• 9.12.7　对测试集分类并在Kaggle
• 提交结果 313
• 小结 313
• 练习 313
• 9.13　实战Kaggle比赛：狗的品种
• 识别（ImageNet Dogs） 314
• 9.13.1　获取和整理数据集 315
• 9.13.2　图像增广 316
• 9.13.3　读取数据集 317
• 9.13.4　定义模型 318
• 9.13.5　定义训练函数 318
• 9.13.6　训练模型 319
• ·8·　目　　录
• 9.13.7　对测试集分类并在Kaggle提交结果 319
• 小结 320
• 练习 320
• 第 10 章　自然语言处理 321
• 10.1　词嵌入（word2vec） 321
• 10.1.1　为何不采用one-hot向量 321
• 10.1.2　跳字模型 322
• 10.1.3　连续词袋模型 323
• 小结 325
• 练习 325
• 10.2　近似训练325
• 10.2.1　负采样 325
• 10.2.2　层序softmax 326
• 小结 327
• 练习 328
• 10.3　word2vec的实现328
• 10.3.1　预处理数据集 328
• 10.3.2　负采样 331
• 10.3.3　读取数据集 331
• 10.3.4　跳字模型 332
• 10.3.5　训练模型 333
• 10.3.6　应用词嵌入模型 335
• 小结 336
• 练习 336
• 10.4　子词嵌入（fastText） 336
• 小结 337
• 练习 337
• 10.5　全局向量的词嵌入（GloVe）337
• 10.5.1　GloVe模型 338
• 10.5.2　从条件概率比值理解GloVe模型 339
• 小结 340
• 练习 340
• 10.6　求近义词和类比词340
• 10.6.1　使用预训练的词向量 340
• 10.6.2　应用预训练词向量 341
• 小结 343
• 练习 343
• 10.7　文本情感分类：使用循环神经网络 343
• 10.7.1　文本情感分类数据集 343
• 10.7.2　使用循环神经网络的模型 345
• 小结 347
• 练习 347
• 10.8　文本情感分类：使用卷积神经网络（textCNN） 347
• 10.8.1　一维卷积层 348
• 10.8.2　时序最大池化层 349
• 10.8.3　读取和预处理IMDb数据集 350
• 10.8.4　textCNN模型 350
• 小结 353
• 练习 353
• 10.9　编码器-解码器（seq2seq）353
• 10.9.1　编码器 354
• 10.9.2　解码器 354
• 10.9.3　训练模型 355
• 小结 355
• 练习 355
• 10.10　 束搜索 355
• 10.10.1　贪婪搜索 356
• 10.10.2　穷举搜索 357
• 10.10.3　束搜索 357
• 小结 358
• 练习 358
• 10.11　注意力机制 358
• 10.11.1　计算背景变量 359
• 10.11.2　更新隐藏状态 360
• 10.11.3　发展 361
• 小结 361
• 练习 361
• 10.12　机器翻译 361
• 10.12.1　读取和预处理数据集 361
• 10.12.2　含注意力机制的编码器-解码器 363
• 10.12.3　训练模型 365
• 10.12.4　预测不定长的序列 367
• 10.12.5　评价翻译结果 367
• 小结 369
• 练习 369
• 附录A　数学基础 370
• 附录B　使用 Jupyter 记事本 376
• 附录C　使用 AWS 运行代码 381
• 附录D　GPU 购买指南 388
• 附录E　如何为本书做贡献 391
• 附录F　d2lzh 包索引 395
• 附录G　中英文术语对照表 397
• 参考文献 402
• 索引 407