0人評分過此書
本书既强调对深度学习理论的深入理解，同时用代码实践结合理论的讲解。
- 封面页
- 书名页
- 版权页
- 内容简介
- 前言
- 目录
-
第1章 作为机器学习模型的神经网络
-
1.1 表示学习
-
1.2 感知器与神经网络
-
1.3 使用keras
-
-
第2章 神经网络的训练
-
2.1 基于梯度的一阶优化
-
2.2 基于梯度的二阶优化
-
2.3 普通训练方法的局限
-
2.4 误差反向传播算法的本质
-
2.5 使用keras
-
-
第3章 神经网络的优化难题
-
3.1 局部极小值，鞍点和非凸优化
-
3.2 随机梯度下降的优势
-
3.3 梯度方向优化
-
3.4 动态调整学习率
-
3.5 使用keras
-
-
第4章 神经网络的过拟合
-
4.1 参数绑定和提前终止
-
4.2 数据增强和噪声添加
-
4.3 Dropout
-
4.4 使用keras
-
-
第5章 神经网络的神经单元
-
5.1 梯度消失和梯度爆炸
-
5.2 隐藏单元设计原则和sigmoid的非零中心
-
5.3 基于线性函数的改进和maxout单元
-
5.4 使用keras
-
-
第6章 神经网络的深度训练
-
6.1 预处理和批标准化
-
6.2 批标准化的不同视角：协变量偏差和协调更新
-
6.3 自归一化神经网络
-
6.4 ResNet
-
6.5 使用keras
-
-
第7章 卷积神经网络
-
7.1 局部连接和权重共享
-
7.2 卷积操作的重要概念
-
7.3 卷积核的参数学习
-
7.4 基于感受野的三个卷积技巧
-
7.5 使用keras
-
-
第8章 循环神经网络
-
8.1 理解循环结构
-
8.2 循环结构的参数学习
-
8.3 正交初始化和记忆容量
-
8.4 理解LSTM
-
8.5 使用keras
-
-
第9章 无监督表示学习：自编码器
-
9.1 自编码器
-
9.2 稀疏自编码器
-
9.3 收缩自编码器
-
9.4 使用keras
-
-
第10章 概率生成模型
-
10.1 变分自编码器
-
10.2 生成对抗网络
-
10.3 使用keras
-
- 参考文献
- 出版地 ： 中國大陸
- 語言 ： 簡體中文
評分與評論
請登入後再留言與評分
EPUB
EPUB
EPUB
PDF
EPUB
