深度学习入门：基于PyTorch和TensorFlow的理论与实现

后记

9.9 循环神经网络模型的TensorFlow实现

9.8 循环神经网络模型的PyTorch实现

9.7 多种循环神经网络模型

9.6 LSTM

9.5 GRU

9.4 梯度消失

9.3 模型参数

9.2 循环神经网络的基本结构

9.1 为什么选择循环神经网络

第9章 循环神经网络

8.9 卷积神经网络模型的TensorFlow实现

8.8 卷积神经网络模型的PyTorch实现

8.7 典型的卷积神经网络模型

8.6 卷积神经网络模型

8.5 全连接层

8.4 池化层

8.3 卷积层

8.2 卷积神经网络的基本结构

8.1 为什么选择卷积神经网络

第8章 卷积神经网络

7.4 模型评估与调试

7.3 网络初始化与超参数调试

7.2 梯度优化

7.1 正则化

第7章 优化神经网络

6.5 深层神经网络的Python实现

6.4 多分类函数Softmax

6.3 前向传播与反向传播

6.2 符号标记

6.1 深层神经网络的优势

第6章 深层神经网络

5.7 神经网络的Python实现

5.6 初始化

5.5 更新参数

5.4 反向传播

5.3 激活函数

5.2 前向传播

5.1 基本结构

第5章 神经网络

4.3 逻辑回归

4.2 多层感知机

4.1 感知机

第4章 神经网络基础知识

3.7 TensorBoard

3.6 线性回归的TensorFlow实现

3.5 会话

3.4 数据流图

3.3 张量

3.2 TensorFlow的安装

3.1 TensorFlow概述

第3章 TensorFlow

2.6 线性回归

2.5 torch.nn和torch.optim

2.4 自动求导

2.3 张量

2.2 PyTorch的安装

2.1 PyTorch概述

第2章 PyTorch

1.3 Anaconda与Jupyter Notebook

1.2 Python入门

1.1 深度学习概述

第1章 深度学习基础

面向的读者

本书特色

为什么写这本书

深度学习怎么学

Preface 前言

内容简介

作者简介

版权页

封面

封面

版权页

作者简介

内容简介

Preface 前言

深度学习怎么学

为什么写这本书

本书特色

面向的读者

第1章 深度学习基础

1.1 深度学习概述

1.2 Python入门

1.3 Anaconda与Jupyter Notebook

第2章 PyTorch

2.1 PyTorch概述

2.2 PyTorch的安装

2.3 张量

2.4 自动求导

2.5 torch.nn和torch.optim

2.6 线性回归

第3章 TensorFlow

3.1 TensorFlow概述

3.2 TensorFlow的安装

3.3 张量

3.4 数据流图

3.5 会话

3.6 线性回归的TensorFlow实现

3.7 TensorBoard

第4章 神经网络基础知识

4.1 感知机

4.2 多层感知机

4.3 逻辑回归

第5章 神经网络

5.1 基本结构

5.2 前向传播

5.3 激活函数

5.4 反向传播

5.5 更新参数

5.6 初始化

5.7 神经网络的Python实现

第6章 深层神经网络

6.1 深层神经网络的优势

6.2 符号标记

6.3 前向传播与反向传播

6.4 多分类函数Softmax

6.5 深层神经网络的Python实现

第7章 优化神经网络

7.1 正则化

7.2 梯度优化

7.3 网络初始化与超参数调试

7.4 模型评估与调试

第8章 卷积神经网络

8.1 为什么选择卷积神经网络

8.2 卷积神经网络的基本结构

8.3 卷积层

8.4 池化层

8.5 全连接层

8.6 卷积神经网络模型

8.7 典型的卷积神经网络模型

8.8 卷积神经网络模型的PyTorch实现

8.9 卷积神经网络模型的TensorFlow实现

第9章 循环神经网络

9.1 为什么选择循环神经网络

9.2 循环神经网络的基本结构

9.3 模型参数

9.4 梯度消失

9.5 GRU

9.6 LSTM

9.7 多种循环神经网络模型

9.8 循环神经网络模型的PyTorch实现

9.9 循环神经网络模型的TensorFlow实现

后记