和原書一樣,docs內容大體可以分為3個部分:
* 第一部分(第1章至第3章)涵蓋預備工作和基礎知識。第1章介紹深度學習的背景。第2章提供動手學深度學習所需要的預備知識。第3章包括深度學習最基礎的概念和技術,如多層感知機和模型正則化。如果讀者時間有限,并且只想了解深度學習最基礎的概念和技術,那么只需閱讀第一部分。
* 第二部分(第4章至第6章)關注現代深度學習技術。第4章描述深度學習計算的各個重要組成部分,并為實現后續更復雜的模型打下基礎。第5章解釋近年來令深度學習在計算機視覺領域大獲成功的卷積神經網絡。第6章闡述近年來常用于處理序列數據的循環神經網絡。閱讀第二部分有助于掌握現代深度學習技術。
* 第三部分(第7章至第10章)討論計算性能和應用。第7章評價各種用來訓練深度學習模型的優化算法。第8章檢驗影響深度學習計算性能的幾個重要因素。第9章和第10章分別列舉深度學習在計算機視覺和自然語言處理中的重要應用。這部分內容讀者可根據興趣選擇閱讀。
下圖描繪了《動手學深度學習》的結構。
:-: 
上圖中由甲章指向乙章的箭頭表明甲章的知識有助于理解乙章的內容。如果讀者想短時間了解深度學習最基礎的概念和技術,只需閱讀第1章至第3章;如果讀者希望掌握現代深度學習技術,還需閱讀第4章至第6章。第7章至第10章讀者可以根據興趣選擇閱讀。
- Home
- Introduce
- 1.深度學習簡介
- 深度學習簡介
- 2.預備知識
- 2.1環境配置
- 2.2數據操作
- 2.3自動求梯度
- 3.深度學習基礎
- 3.1 線性回歸
- 3.2 線性回歸的從零開始實現
- 3.3 線性回歸的簡潔實現
- 3.4 softmax回歸
- 3.5 圖像分類數據集(Fashion-MINST)
- 3.6 softmax回歸的從零開始實現
- 3.7 softmax回歸的簡潔實現
- 3.8 多層感知機
- 3.9 多層感知機的從零開始實現
- 3.10 多層感知機的簡潔實現
- 3.11 模型選擇、反向傳播和計算圖
- 3.12 權重衰減
- 3.13 丟棄法
- 3.14 正向傳播、反向傳播和計算圖
- 3.15 數值穩定性和模型初始化
- 3.16 實戰kaggle比賽:房價預測
- 4 深度學習計算
- 4.1 模型構造
- 4.2 模型參數的訪問、初始化和共享
- 4.3 模型參數的延后初始化
- 4.4 自定義層
- 4.5 讀取和存儲
- 4.6 GPU計算
- 5 卷積神經網絡
- 5.1 二維卷積層
- 5.2 填充和步幅
- 5.3 多輸入通道和多輸出通道
- 5.4 池化層
- 5.5 卷積神經網絡(LeNet)
- 5.6 深度卷積神經網絡(AlexNet)
- 5.7 使用重復元素的網絡(VGG)
- 5.8 網絡中的網絡(NiN)
- 5.9 含并行連結的網絡(GoogLeNet)
- 5.10 批量歸一化
- 5.11 殘差網絡(ResNet)
- 5.12 稠密連接網絡(DenseNet)
- 6 循環神經網絡
- 6.1 語言模型
- 6.2 循環神經網絡
- 6.3 語言模型數據集(周杰倫專輯歌詞)
- 6.4 循環神經網絡的從零開始實現
- 6.5 循環神經網絡的簡單實現
- 6.6 通過時間反向傳播
- 6.7 門控循環單元(GRU)
- 6.8 長短期記憶(LSTM)
- 6.9 深度循環神經網絡
- 6.10 雙向循環神經網絡
- 7 優化算法
- 7.1 優化與深度學習
- 7.2 梯度下降和隨機梯度下降
- 7.3 小批量隨機梯度下降
- 7.4 動量法
- 7.5 AdaGrad算法
- 7.6 RMSProp算法
- 7.7 AdaDelta
- 7.8 Adam算法
- 8 計算性能
- 8.1 命令式和符號式混合編程
- 8.2 異步計算
- 8.3 自動并行計算
- 8.4 多GPU計算
- 9 計算機視覺
- 9.1 圖像增廣
- 9.2 微調
- 9.3 目標檢測和邊界框
- 9.4 錨框
- 10 自然語言處理
- 10.1 詞嵌入(word2vec)
- 10.2 近似訓練
- 10.3 word2vec實現
- 10.4 子詞嵌入(fastText)
- 10.5 全局向量的詞嵌入(Glove)
- 10.6 求近義詞和類比詞
- 10.7 文本情感分類:使用循環神經網絡
- 10.8 文本情感分類:使用卷積網絡
- 10.9 編碼器--解碼器(seq2seq)
- 10.10 束搜索
- 10.11 注意力機制
- 10.12 機器翻譯