深度学习入门:基于Python的理论与实现
2019-02-28 18:34:43 0 举报
AI智能生成
深度学习入门:基于Python的理论与实现
作者其他创作
大纲/内容
第6章 与学习相关的技巧
6.1 参数的更新
6.2 权重的初始值
6.3 Batch Normalization
6.4 正则化
6.5 超参数的验证
6.6 小结
第7章 卷积神经网络
7.1 整体结构
7.2 卷积层
7.3 池化层
7.4 卷积层和池化层的实现
7.5 CNN的实现
7.6 CNN的可视化
7.7 具有代表性的CNN
7.8 小结
第8章 深度学习
8.1 加深网络
8.2 深度学习的小历史
8.3 深度学习的高速化
8.4 深度学习的应用案例
8.5 深度学习的未来
8.6 小结
附录A Softmax-with-Loss层的计算图
参考文献
深度学习入门:基于Python的理论与实现
第1章 Python入门
1.1 Python是什么
1.2 Python的安装
1.3 Python解释器
1.4 Python脚本文件
1.5 NumPy
1.6 Matplotlib
1.7 小结
第2章 感知机
2.1 感知机是什么
2.2 简单逻辑电路
2.3 感知机的实现
2.4 感知机的局限性
2.5 多层感知机
2.6 从与非门到计算机
2.7 小结
第3章 神经网络
3.1 从感知机到神经网络
3.2 激活函数
3.3 多维数组的运算
3.4 3层神经网络的实现
3.5 输出层的设计
3.6 手写数字识别
3.7 小结
第4章 神经网络的学习
4.1 从数据中学习
4.2 损失函数
4.3 数值微分
4.4 梯度
4.5 学习算法的实现
4.6 小结
第5章 误差反向传播法
5.1 计算图
5.2 链式法则
5.3 反向传播
5.4 简单层的实现
5.5 激活函数层的实现
5.6 Affine/Softmax层的实现
5.7 误差反向传播法的实现
5.8 小结
0 条评论
回复 删除
下一页