更新时间：2020-05-06 16:44:02
封面
版权信息
作者简介
数字版权声明
前言
第一部分 模型篇
第1章 机器学习简介
1.1 引言
1.2 基本术语
1.3 重要概念
1.4 图像分类
1.5 MNIST数据集简介
第2章 线性分类器
2.1 线性模型
2.2 softmax损失函数
2.3 优化
2.4 梯度下降法
2.5 牛顿法
2.6 机器学习模型统一结构
2.7 正则化
第3章 神经网络
3.1 数学模型
3.2 激活函数
3.3 代码实现
3.4 学习容量和正则化
3.5 生物神经科学基础
第4章 卷积神经网络的结构
4.1 概述
4.2 卷积层
4.3 池化层
4.4 全连接层
4.5 卷积网络的结构
4.6 卷积网络的神经科学基础
第二部分 优化篇
第5章 基于梯度下降法的最优化方法
5.1 随机梯度下降法SGD
5.2 基本动量法
5.3 Nesterov动量法
5.4 AdaGrad
5.5 RMSProp
5.6 Adam
5.7 AmsGrad
5.8 学习率退火
5.9 参数初始化
5.10 超参数调优
第6章 梯度反向传播算法
6.1 基本函数的梯度
6.2 链式法则
6.3 深度网络的误差反向传播算法
6.4 矩阵化
6.5 softmax损失函数梯度计算
6.6 全连接层梯度反向传播
6.7 激活层梯度反向传播
6.8 卷积层梯度反向传播
6.9 最大值池化层梯度反向传播
第三部分 实战篇
第7章 训练前的准备
7.1 中心化和规范化
7.2 PCA和白化
7.3 卷积网络在进行图像分类时如何预处理
7.4 BN
7.5 数据扩增
7.6 梯度检查
7.7 初始损失值检查
7.8 过拟合微小数据子集
7.9 监测学习过程
第8章 神经网络实例
8.1 生成数据
8.2 数据预处理
8.3 网络模型
8.4 梯度检查
8.5 参数优化
8.6 训练网络
8.7 过拟合小数据集
8.8 超参数随机搜索
8.9 评估模型
8.10 程序组织结构
8.11 增加BN层
8.12 程序使用建议
第9章 卷积神经网络实例
9.1 程序结构设计
9.2 激活函数
9.3 正则化
9.4 优化方法
9.5 卷积网络的基本模块
9.6 训练方法
9.7 VGG网络结构
9.8 MNIST数据集
9.9 梯度检测
9.10 MNIST数据集的训练结果
9.11 程序使用建议
第10章 卷积网络结构的发展
10.1 全局平均池化层
10.2 去掉池化层
10.3 网络向更深更宽发展面临的困难
10.4 ResNet向更深发展的代表网络
10.5 GoogLeNet向更宽发展的代表网络
10.6 轻量网络
10.7 注意机制网络SENet
第11章 工程实践中的问题
