《神经网络与深度学习》算法伪代码汇总

第三章 线性模型

算法3.1 两类感知器的参数学习算法

算法3.2 一种改进的平均感知器参数学习算法

算法3.3 广义感知器参数学习算法

第四章 前反馈神经网络

算法4.1 使用反向传播算法的随机梯度下降训练过程

第七章 网络优化与正则化

    算法7.1 时序模型优化（SMBO）方法

算法7.2 一种逐次减半的动态资源分配方法

第十章 模型独立的学习方式

算法10.1 二分类的AdaBoost算法

算法10.2 自训练的训练过程

算法10.3 协同训练的训练过程

算法10.4 多任务学习中联合训练过程

    ![](https://img-blog.csdnimg.cn/35ba689c853c40f6b3ebd17aa45d2d3b.jpeg)

算法10.5 模型无关的元学习过程

    ![](https://img-blog.csdnimg.cn/094a03510483479d919a09d8865f66f4.jpeg)

第十一章 概率图模型

算法 11.1 高斯混合模型的参数学习过程

    ![](https://img-blog.csdnimg.cn/84beffd09163402a939ccff7c4114049.jpeg)

算法 11.2 拒绝采样的采样过程

    ![](https://img-blog.csdnimg.cn/ba77e39f4d2f416184b2217ea2af9fdd.jpeg)

算法11.3 Metropolis-Hastings算法的采样过程

第十二章 深度信念网络

算法12.1 单步对比散度算法

算法12.2 深度信念网络的逐层预训练方法

第十三章 深度生成模型

算法13.1 生成对抗网络的训练过程

算法13.2 W-GAN的训练过程

第十四章 深度强化学习

算法14.1 策略迭代算法

算法14.2 值迭代算法

算法 14.3 SARSA ：一种同策略的时序差分学习算法

算法14.4 Q学习：一种异策略的时序差分学习算法

算法 14.5 带经验回放的深度Q网络

算法14.6 REINFORCE算法

算法14.7 带基准线的REINFORCE算法

算法 14.8 演员-评论员算法

第十五章 序列生成模型

算法15.1 霍夫曼编码树构建算法