为你推荐
前言
如何获取学习资源
第1章 深度学习入门
1.1 Keras的介绍与安装
1.2 学习深度学习需要具备的数学基础知识
第2章 回归算法
2.1 线性回归
2.2 多元线性回归
2.3 逻辑回归
第3章 神经网络入门
3.1 简单神经网络的基本结构
3.2 正向传播
3.3 激活函数
3.4 MLP的反向传播与求导
3.5 MLP的损失函数
3.6 权重初始化
3.7 案例：黑白手写数字识别
第4章 神经网络进阶——如何提高性能
4.1 欠拟合和过拟合问题
4.2 模型诊断与误差分析
4.3 避免过拟合的“良药”——正则化
4.4 优化算法
4.4.1 基于梯度下降法的优化算法
4.4.2 进阶优化算法
4.5 其他优化性能的方法
4.6 模型训练的检查清单
第5章 卷积神经网络
5.1 CNN的构想来源
5.2 卷积层
5.3 滤波器
5.3.1 滤波器的运算规则
5.3.2 滤波器的作用
5.3.3 填充和步长
5.4 彩色图像输入
5.5 反向传播
5.6 池化层
5.7 CNN案例
5.7.1 黑白手写数字识别
5.7.2 彩色图像分类
第6章 循环神经网络
6.1 RNN的基本结构
6.2 RNN的正向传播
6.3 RNN的反向传播
6.4 简单的RNN案例
6.5 训练RNN时的问题与解决方案
6.5.1 梯度爆炸和梯度消失
6.5.2 梯度问题的解决方案
6.6 解决长期依赖问题的“良药”——GRU和LSTM
6.6.1 GRU
6.6.2 LSTM
6.7 RNN案例：影评分析
6.7.1 准备知识——词嵌入
6.7.2 代码解析
第7章 自动编码器
7.1 AE的结构
7.2 重构损失
7.3 简单的AE案例
7.4 Sparse AE
7.5 去噪自动编码器
7.6 上色器
第8章 变分自动编码器
8.1 VAE的结构
8.2 对VAE的深层理解
8.3 损失函数
8.4 重参数技巧
8.5 VAE案例
第9章 GAN的基本结构
9.1 GAN的基本结构
9.2 GAN的训练
9.3 GAN的数学原理
9.4 GAN案例：DCGAN
第10章 VGGNet
10.1 VGGNet
10.2 Inception
10.3 ResNet
10.4 迁移学习
第11章 R-CNN
11.1 R-CNN
11.2 Fast R-CNN
11.3 Faster R-CNN
11.4 YOLO算法
第12章 BRNN
12.1 BRNN
12.2 Encoder-Decoder
12.3 注意力机制
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
6.7
