掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深度學習的理論基礎與核心算法 版權信息
- ISBN：9787302630715
- 條形碼：9787302630715 ; 978-7-302-63071-5
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習的理論基礎與核心算法 本書特色
本書旨在給出深度學習的理論基礎和核心算法的主要內容，從而有利于讀者和研究者系統的掌握理論結構和脈絡。全書在理論方面，兼顧人工智能數學基礎知識與領域*新原創基礎理論，為推動下一代人工智能、下一代深度學習的發展提供堅實的理論支撐；面向關鍵核心技術，以核心算法為驅動，抽取出*關鍵普適的技術思想，提煉簡潔可復用的知識模型，提出更有力的新方法，為發展更有力的新方法提供“源頭活水”。
深度學習的理論基礎與核心算法 內容簡介
本書聚焦深度學習算法的基礎理論和核心算法，全面系統地論述深度學習的基礎理論，兼顧人工智能數學基礎知識與領域**原創基礎理論，構建脈絡清晰的人工智能理論體系。本書首先介紹了深度學習的相關數學基礎，主要包括線性代數、概率論、信息論三部分；緊接著系統地介紹了深度學習的重點內容，主要分為五方面，即深度學習的逼近理論，深度學習的表征理論，深度學習的學習理論，深度學習的優化理論，深度學習的核心算法。
深度學習的理論基礎與核心算法 目錄
第1章數學基礎
1．1線性代數
1．1．1向量及其運算
1．1．2矩陣及其運算
1．1．3矩陣分解
1．2概率論
1．2．1概率與隨機變量
1．2．2期望、方差和協方差
1．2．3常見的概率分布
1．2．4共軛分布
1．3信息論
1．3．1熵的定義
1．3．2互信息
1．3．3交叉熵
1．3．4KullbackLeibler散度
參考文獻
第2章深度神經網絡的逼近基礎理論
2．1函數的*佳平方逼近
2．1．1正交多項式的定義與性質
2．1．2常用的正交多項式
2．1．3構造正交多項式的一般方法
2．1．4*佳平方逼近的概念及計算
2．1．5用正交多項式做*佳平方逼近
2．2曲線擬合的*小二乘法
2．2．1*小二乘法
2．2．2用多項式作*小二乘曲線擬合
2．3三角多項式逼近與快速傅里葉變換
2．3．1*佳平方三角逼近與三角插值
2．3．2快速傅里葉變換
2．4多項式的萬能逼近性質
2．5從函數逼近的角度解釋神經網絡
2．6本章小結
參考文獻
第3章深度神經網絡的函數逼近
3．1基本的ReLU網絡定義
3．2乘法、多項式、光滑函數的逼近
3．2．1乘法函數的逼近
3．2．2多項式函數的逼近
3．2．3光滑函數的逼近
3．3正余弦函數的逼近
3．3．1余弦函數的逼近
3．3．2正弦函數的逼近
3．4神經網絡的萬能逼近性質和深度的必要性
3．5本章小結
附錄
參考文獻
第4章深度神經網絡的復雜函數逼近
4．1神經網絡的逼近
4．1．1KolmogorovDonoho數據率失真理論
4．1．2字典逼近
4．1．3神經網絡的表示
4．1．4神經網絡*佳M項逼近表示
4．1．5字典逼近轉換為神經網絡逼近
4．2仿射系統的神經網絡逼近
4．2．1仿射系統的定義
4．2．2仿射系統對神經網絡逼近的影響
4．2．3神經網絡對仿射系統逼近證明
4．3振蕩紋理
4．3．1振蕩紋理的定義
4．3．2振蕩紋理的多項式逼近
4．3．3振蕩紋理的指數級逼近
4．4Weierstrass函數
4．4．1Weierstrass函數的定義
4．4．2Weierstrass函數的指數級逼近
4．5本章小結
參考文獻
第5章深度神經網絡與多尺度幾何逼近系統
5．1小波分析與多尺度幾何分析
5．1．1由傅里葉到小波分析理論
5．1．2Gabor系統的逼近
5．2多尺度幾何分析的基礎
5．2．1由小波到多尺度幾何理論
5．2．2脊波變換
5．2．3曲波變換
5．2．4楔波變換
5．2．5小線變換
5．2．6條帶波變換
5．2．7輪廓波變換
5．2．8剪切波變換
5．2．9梳狀波變換
5．2．10方向波變換
5．3多尺度幾何變換的逼近性質
5．4本章小結
參考文獻
第6章深度特征網絡的構造理論
6．1前饋神經網絡構造理論
6．1．1前饋神經網絡的結構
6．1．2前饋神經網絡的前向傳播
6．1．3前饋神經網絡的誤差反向傳播算法
6．1．4前饋神經網絡的梯度下降法
6．1．5常見前饋神經網絡
6．2卷積神經網絡構造理論
6．2．1卷積運算
6．2．2非線性激活層
6．2．3池化
6．2．4常見的距離度量方法
6．2．5常見的激活函數
6．2．6卷積神經網絡的生物學啟發
6．2．7卷積神經網絡的發展
6．3遞歸神經網絡
6．3．1循環神經網絡
6．3．2深度循環網絡
6．3．3遞歸神經網絡
6．4圖卷積網絡
6．4．1圖的基本定義
6．4．2圖信號處理
6．4．3圖上的濾波器
6．4．4圖卷積網絡
6．4．5圖卷積網絡的過度平滑問題
6．4．6圖小波神經網絡
6．5自組織網絡構造理論
6．5．1自注意力模型
6．5．2多頭自注意力模型
6．5．3Transformer模型
6．5．4稀疏自注意力機制
6．5．5結合卷積的自注意力機制
6．5．6強化自注意力模型
6．5．7結合先驗的自注意力機制
6．6本章小結
參考文獻
第7章學習表征編碼器的構造理論
7．1自編碼器
7．1．1欠完備自編碼器
7．1．2正則自編碼器
7．1．3稀疏自編碼器
7．1．4去噪自編碼器
7．1．5卷積自編碼器
7．2線性編碼器
7．2．1概率PCA
7．2．2獨立成分分析
7．2．3慢特征分析
7．2．4稀疏編碼
7．3生成模型
7．3．1玻耳茲曼機
7．3．2生成隨機網絡
7．3．3生成對抗網絡
7．4變分推斷
7．5部分整體層次結構
7．6因果推理
7．6．1從相關性到因果關系
7．6．2預測和因果推理的區別
7．6．3因果推理的表示方式
7．7本章小結
參考文獻
第8章多尺度幾何深度網絡理論
8．1小波神經網絡
8．2多小波網
8．3散射網
8．4深度散射網
8．5深度曲線波散射網
8．6輪廓波卷積神經網絡
8．7本章小結
參考文獻
第9章復數深度學習網絡
9．1復數深度神經網絡的相關概念
9．1．1復數值的表征
9．1．2復數卷積
9．1．3復數可微性
9．1．4復數激活
9．1．5復數批歸一化
9．1．6復數權重初始化
9．2復數卷積神經網絡
9．2．1數學計算過程
9．2．2網絡結構
9．3復數輪廓波網絡
9．3．1原理描述
9．3．2數學計算過程
9．3．3網絡參數
9．4半監督復數GAN
9．5復數Transformer網絡
9．6本章小結
參考文獻
第10章擬合問題
10．1擬合方法介紹
10．1．1線性回歸
10．1．2復雜函數擬合
10．1．3通用逼近定理
10．2擬合數據劃分
10．2．1留出法
10．2．2交叉驗證法
10．2．3自助法
10．3擬合能力度量
10．3．1錯誤率和精度
10．3．2精準率和召回率
10．3．3精準率召回率曲線
10．3．4F1度量與交并比
10．3．5受試者工作特征曲線
10．3．6曲線下的面積與平均精度
10．3．7代價敏感錯誤率與代價曲線
10．3．8欠擬合與過擬合
10．4計算復雜度
10．4．1計算復雜性理論基本問題
10．4．2判定問題類
10．5本章小結
參考文獻
第11章正則化理論
11．1常用范數特性
11．2正則化理論
11．2．1良態問題
11．2．2Tikhonov正則化定義
11．2．3Tikhonov正則化近似解求解
11．2．4L曲線準則
11．3正則化方法
11．3．1參數范數懲罰
11．3．2權重衰減
11．3．3噪聲注入
11．3．4數據增強
11．3．5多任務學習
11．3．6提前終止
11．3．7Dropout
11．3．8Drop Connect
11．3．9SelfNorm與CrossNorm
11．4本章小結
參考文獻
第12章泛化理論
12．1泛化的定義
12．2泛化理論
12．2．1機器學習的泛化理論
12．2．2基于模型復雜度的泛化理論
12．2．3基于信息論的泛化理論
12．2．4基于隨機梯度下降算法的泛化理論
12．2．5基于損失曲面幾何結構的泛化理論
12．2．6基于傅里葉分析的泛化理論
12．2．7基于未標記數據的泛化理論
12．3泛化方法
12．3．1數據處理
12．3．2特征表示
12．3．3訓練策略
12．3．4學習方法
12．4本章小結
參考文獻
第13章學習可解釋性
13．1深度學習的可解釋性基本概念
13．1．1可解釋性的概念
13．1．2研究可解釋性的必要性
13．2深度學習的可解釋性分類方法
13．2．1學習深度過程的可解釋性方法
13．2．2學習深度網絡表示的可解釋性方法
13．2．3學習深度系統自身可解釋的生成方法
13．2．4其他類別方法
13．3深度卷積框架的可解釋性
13．3．1卷積的Hankel矩陣表示
13．3．2Hankel矩陣分解和卷積框架
13．3．3深度卷積框架進行多分辨率分析
13．4本章小結
參考文獻
第14章收斂性理論
14．1收斂問題
14．1．1收斂問題定義
14．1．2收斂與一致收斂之間的差異
14．2單隱藏層神經網絡的收斂性
14．2．1基本假設與判定指標
14．2．2基于SGD算法的收斂性
14．2．3基于自適應梯度算法的收斂性
14．2．4基于動量自適應算法的收斂性
14．3非線性神經網絡的收斂性
14．3．1基本假設與判定指標
14．3．2基于SGD算法的收斂性
14．3．3基于自適應梯度算法的收斂性
14．4深度神經網絡的收斂性
14．4．1深度線性神經網絡的收斂性
14．4．2深度非線性神經網絡的收斂性
14．5本章小結
參考文獻
第15章學習模型的復雜度
15．1復雜度的基本概念
15．2與動態訓練無關
15．2．1VC維及其擴展
15．2．2表達能力
15．3與動態訓練相關
15．3．1Rademacher復雜度
15．3．2表達能力
15．3．3有效復雜度
15．4表達能力與有效復雜度
15．5本章小結
參考文獻
第16章一階優化方法
16．1導數和梯度
16．2梯度下降算法
16．2．1批量梯度下降
16．2．2隨機梯度下降
16．2．3小批量梯度下降
16．3動量
16．4自適應學習率
16．4．1Adagrad
16．4．2RMSprop
16．4．3Adadelta
16．4．4Adam
16．4．5AmsGrad
16．4．6Adamax
16．4．7Nadam
16．4．8SparseAdam
16．5減少方差的方法
16．6交替方向乘子法
16．7FrankWolfe方法
16．8投影梯度下降算法
16．9本章小結
參考文獻
第17章高階優化方法
17．1共軛梯度法
17．2牛頓法及其變體
17．2．1牛頓法
17．2．2切割牛頓法
17．2．3擬牛頓法
17．2．4DFP法
17．2．5BFGS法
17．2．6隨機擬牛頓法
17．3不含海森矩陣的*優化方法
17．4自然梯度法
17．5信任區域法
17．6本章小結
參考文獻
第18章啟發式學習優化
18．1啟發式算法
18．1．1傳統啟發式算法
18．1．2元啟發式算法
18．2基于PSO算法的深度神經網絡學習
18．2．1PSO算法
18．2．2基于PSO的深度神經網絡算法的學習
18．3基于免疫優化算法的深度神經網絡學習
18．3．1免疫優化算法
18．3．2基于免疫優化的RBF深度神經網絡算法的學習
18．4基于量子優化算法的網絡學習
18．4．1量子優化算法發展及研究現狀
18．4．2基于量子離散多目標粒子群算法的學習
18．5本章小結
參考文獻
第19章進化深度學習
19．1進化計算與深度學習
19．1．1進化計算
19．1．2基于進化計算的深度學習
19．2收斂性分析
19．2．1基于壓縮映射的收斂性分析
19．2．2基于熵方法的收斂性分析
19．3網絡結構優化
19．3．1神經網絡結構搜索
19．3．2基于單目標進化的神經網絡架構搜索
19．3．3基于多目標進化的NAS
19．4網絡權重優化
19．4．1梯度反向傳播的局限性
19．4．2基于進化算法的神經網絡權重優化
19．4．3基于進化與反向傳播結合的權重優化
19．5學習規則優化
19．6本章小結 參考文獻 第20章離散優化問題 20．1經典離散優化問題 20．2精確方法求解離散優化問題 20．2．1分支定界算法 20．2．2割平面方法 20．3深度學習求解離散優化問題 20．4啟發式算法與超啟發式算法 20．4．1啟發式算法 20．4．2超啟發式算法 20．5本章小結 參考文獻 第21章非凸優化 21．1非凸優化的基本概念 21．1．1非凸優化的動機 21．1．2非凸優化的示例 21．2非凸優化的算法 21．2．1非凸投影梯度下降法 21．2．2隨機優化技術 21．3非凸優化的應用 21．3．1線性回歸模型 21．3．2低秩矩陣恢復 21．3．3張量分解 21．3．4深度神經網絡 21．4本章小結 參考文獻 第22章非負矩陣深度學習分解 22．1非負矩陣分解概述 22．2經典非負矩陣分解算法 22．2．1非負矩陣分解 22．2．2稀疏非負矩陣分解 22．2．3正交非負矩陣分解 22．2．4半非負矩陣分解 22．3深層非負矩陣分解 22．3．1基于系數矩陣的深層非負矩陣分解 22．3．2基于基矩陣的深層非負矩陣分解 22．3．3深層非負矩陣分解的優化 22．4深度學習求解非負矩陣分解 22．4．1基于自編碼器的非負矩陣分解 22．4．2深度非負矩陣分解網絡 22．4．3基于生成對抗網絡的非負矩陣分解 22．5本章小結 參考文獻 第23章稀疏張量深度學習分解 23．1張量表示 23．1．1張量的符號表示 23．1．2張量的圖形表示 23．1．3張量展開 23．1．4張量收縮 23．2稀疏張量分解 23．2．1張量Tucker 分解 23．2．2張量CP分解 23．2．3張量BTD 23．2．4張量TTD 23．2．5張量TRD 23．3張量分解的應用 23．3．1張量分解的神經網絡壓縮 23．3．2張量分解的數據補全和去噪 23．3．3張量分解的圖像融合 23．3．4張量分解的多維信號壓縮 23．4張量網絡 23．4．1數據編碼 23．4．2網絡模型 23．4．3優化方法 23.5本章小結 參考文獻 第24章線性方程組的深度學習求解 24．1線性方程組 24．1．1定義 24．1．2矩陣表示 24．1．3向量表示 24．1．4齊次與非齊次線性方程組 24．2稀疏線性逆問題 24．3線性方程組的深度求解算法 24．3．1LISTA算法 24．3．2LAMP算法 24．3．3LVAMP算法 24．4本章小結 參考文獻 第25章微分方程的深度學習求解 25．1微分方程簡介 25．1．1常微分方程簡介 25．1．2偏微分方程簡介 25．2基于常微分方程的網絡架構設計 25．2．1基于歐拉法的網絡架構設計 25．2．2基于龍格庫塔法的網絡架構設計 25．3基于常微分方程的優化算法設計 25．3．1梯度下降法 25．3．2Nesterov加速算法 25．3．3ODENet逆模自動微分 25．4偏微分方程的深度求解 25．4．1Deep Ritz method 25．4．2Deep Galerkin Method 25．5本章小結 參考文獻 第26章深度學習分類 26．1深度貝葉斯學習 26．1．1樸素貝葉斯 26．1．2貝葉斯深度學習 26．2深度決策樹學習 26．2．1決策樹 26．2．2深度森林 26．3深度近鄰學習 26．3．1近鄰法 26．3．2深度K近鄰算法 26．4深度支持向量機學習 26．4．1支持向量機 26．4．2小波支持向量機 26．4．3*小二乘支持向量機 26．4．4深度支持向量機 26．5深度關聯規則學習 26．5．1規則學習 26．5．2深度關聯學習 26．6深度集成學習 26．6．1集成學習 26．6．2快速深度集成學習 26．7深度特征學習 26．8深度損失學習 26．8．1交叉熵損失 26．8．2對比和三元組損失 26．8．3大邊距損失 26．8．4雙正則支持向量機損失 26．8．5Focal Loss 26．8．6骰子損失 26．9本章小結 參考文獻 第27章深度學習聚類 27．1聚類基礎 27．1．1聚類定義 27．1．2聚類過程 27．1．3性能度量 27．2基本聚類算法 27．2．1基于質心的聚類方法 27．2．2基于密度的聚類方法 27．2．3層次聚類 27．2．4基于圖論的聚類方法 27．2．5基于模型的聚類方法 27．2．6基于網格的聚類方法 27．2．7其他聚類方法 27．3深度學習聚類 27．4深度聚類網絡架構 27．4．1基于自編碼器的聚類方法 27．4．2基于深度神經網絡的聚類方法 27．4．3基于生成對抗網絡的聚類方法 27．5深度聚類損失 27．6深度聚類的簇更新 27．7本章小結 參考文獻 第28章深度學習回歸 28．1回歸分析 28．2基于深度學習的線性回歸分析 28．2．1線性回歸 28．2．2深度學習線性回歸 28．3基于深度學習的邏輯回歸分析 28．3．1邏輯回歸 28．3．2深度學習邏輯回歸 28．4基于深度學習的嶺回歸分析 28．4．1嶺回歸 28．4．2深度學習嶺回歸 28．5基于深度學習的LASSO回歸分析 28．5．1LASSO回歸 28．5．2深度學習LASSO回歸 28．6本章小結 參考文獻
19．6本章小結 參考文獻 第20章離散優化問題 20．1經典離散優化問題 20．2精確方法求解離散優化問題 20．2．1分支定界算法 20．2．2割平面方法 20．3深度學習求解離散優化問題 20．4啟發式算法與超啟發式算法 20．4．1啟發式算法 20．4．2超啟發式算法 20．5本章小結 參考文獻 第21章非凸優化 21．1非凸優化的基本概念 21．1．1非凸優化的動機 21．1．2非凸優化的示例 21．2非凸優化的算法 21．2．1非凸投影梯度下降法 21．2．2隨機優化技術 21．3非凸優化的應用 21．3．1線性回歸模型 21．3．2低秩矩陣恢復 21．3．3張量分解 21．3．4深度神經網絡 21．4本章小結 參考文獻 第22章非負矩陣深度學習分解 22．1非負矩陣分解概述 22．2經典非負矩陣分解算法 22．2．1非負矩陣分解 22．2．2稀疏非負矩陣分解 22．2．3正交非負矩陣分解 22．2．4半非負矩陣分解 22．3深層非負矩陣分解 22．3．1基于系數矩陣的深層非負矩陣分解 22．3．2基于基矩陣的深層非負矩陣分解 22．3．3深層非負矩陣分解的優化 22．4深度學習求解非負矩陣分解 22．4．1基于自編碼器的非負矩陣分解 22．4．2深度非負矩陣分解網絡 22．4．3基于生成對抗網絡的非負矩陣分解 22．5本章小結 參考文獻 第23章稀疏張量深度學習分解 23．1張量表示 23．1．1張量的符號表示 23．1．2張量的圖形表示 23．1．3張量展開 23．1．4張量收縮 23．2稀疏張量分解 23．2．1張量Tucker 分解 23．2．2張量CP分解 23．2．3張量BTD 23．2．4張量TTD 23．2．5張量TRD 23．3張量分解的應用 23．3．1張量分解的神經網絡壓縮 23．3．2張量分解的數據補全和去噪 23．3．3張量分解的圖像融合 23．3．4張量分解的多維信號壓縮 23．4張量網絡 23．4．1數據編碼 23．4．2網絡模型 23．4．3優化方法 23.5本章小結 參考文獻 第24章線性方程組的深度學習求解 24．1線性方程組 24．1．1定義 24．1．2矩陣表示 24．1．3向量表示 24．1．4齊次與非齊次線性方程組 24．2稀疏線性逆問題 24．3線性方程組的深度求解算法 24．3．1LISTA算法 24．3．2LAMP算法 24．3．3LVAMP算法 24．4本章小結 參考文獻 第25章微分方程的深度學習求解 25．1微分方程簡介 25．1．1常微分方程簡介 25．1．2偏微分方程簡介 25．2基于常微分方程的網絡架構設計 25．2．1基于歐拉法的網絡架構設計 25．2．2基于龍格庫塔法的網絡架構設計 25．3基于常微分方程的優化算法設計 25．3．1梯度下降法 25．3．2Nesterov加速算法 25．3．3ODENet逆模自動微分 25．4偏微分方程的深度求解 25．4．1Deep Ritz method 25．4．2Deep Galerkin Method 25．5本章小結 參考文獻 第26章深度學習分類 26．1深度貝葉斯學習 26．1．1樸素貝葉斯 26．1．2貝葉斯深度學習 26．2深度決策樹學習 26．2．1決策樹 26．2．2深度森林 26．3深度近鄰學習 26．3．1近鄰法 26．3．2深度K近鄰算法 26．4深度支持向量機學習 26．4．1支持向量機 26．4．2小波支持向量機 26．4．3*小二乘支持向量機 26．4．4深度支持向量機 26．5深度關聯規則學習 26．5．1規則學習 26．5．2深度關聯學習 26．6深度集成學習 26．6．1集成學習 26．6．2快速深度集成學習 26．7深度特征學習 26．8深度損失學習 26．8．1交叉熵損失 26．8．2對比和三元組損失 26．8．3大邊距損失 26．8．4雙正則支持向量機損失 26．8．5Focal Loss 26．8．6骰子損失 26．9本章小結 參考文獻 第27章深度學習聚類 27．1聚類基礎 27．1．1聚類定義 27．1．2聚類過程 27．1．3性能度量 27．2基本聚類算法 27．2．1基于質心的聚類方法 27．2．2基于密度的聚類方法 27．2．3層次聚類 27．2．4基于圖論的聚類方法 27．2．5基于模型的聚類方法 27．2．6基于網格的聚類方法 27．2．7其他聚類方法 27．3深度學習聚類 27．4深度聚類網絡架構 27．4．1基于自編碼器的聚類方法 27．4．2基于深度神經網絡的聚類方法 27．4．3基于生成對抗網絡的聚類方法 27．5深度聚類損失 27．6深度聚類的簇更新 27．7本章小結 參考文獻 第28章深度學習回歸 28．1回歸分析 28．2基于深度學習的線性回歸分析 28．2．1線性回歸 28．2．2深度學習線性回歸 28．3基于深度學習的邏輯回歸分析 28．3．1邏輯回歸 28．3．2深度學習邏輯回歸 28．4基于深度學習的嶺回歸分析 28．4．1嶺回歸 28．4．2深度學習嶺回歸 28．5基于深度學習的LASSO回歸分析 28．5．1LASSO回歸 28．5．2深度學習LASSO回歸 28．6本章小結 參考文獻
展開全部
深度學習的理論基礎與核心算法 作者簡介
焦李成，歐洲科學院外籍院士，俄羅斯自然科學院外籍院士，IEEE Fellow。現任西安電子科技大學計算機科學與技術學部主任、人工智能研究院院長、智能感知與圖像理解重點實驗室主任、科技委學部委員、人工智能科技創新專家組專家、首批入選國家百千萬人才工程（第一二層次）、長江學者計劃創新團隊負責人、“一帶一路”人工智能創新聯盟理事長，陜西省人工智能產業技術創新戰略聯盟理事長，中國人工智能學會第六-七屆副理事長，IEEE/IET/CAAI/CAA/CIE/CCF Fellow，連續七年入選愛思唯爾高被引學者榜單。主要研究方向為智能感知與量子計算、圖像理解與目標識別、深度學習與類腦計算。曾獲國家自然科學獎二等獎、吳文俊人工智能杰出貢獻獎、霍英東青年教師獎、全國模范教師稱號、中國青年科技獎、及省部級一等獎以上科技獎勵十余項。
書友推薦
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
二體千字文
- >
有舍有得是人生
- >
姑媽的寶刀
- >
山海經
- >
巴金－再思錄
- >
名家帶你讀魯迅:故事新編
- >
我與地壇
本類暢銷
