[7.1 優化與深度學習](7.1%E4%BC%98%E5%8C%96%E4%B8%8E%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0.md)
[7.2 梯度下降和隨機梯度下降](7.2%E6%A2%AF%E5%BA%A6%E4%B8%8B%E9%99%8D%E5%92%8C%E9%9A%8F%E6%9C%BA%E6%A2%AF%E5%BA%A6%E4%B8%8B%E9%99%8D.md)
[7.3 小批量隨機梯度下降](7.3%E5%B0%8F%E6%89%B9%E9%87%8F%E9%9A%8F%E6%9C%BA%E6%A2%AF%E5%BA%A6%E4%B8%8B%E9%99%8D.md)
[7.4 動量法](7.4%E5%8A%A8%E9%87%8F%E6%B3%95.md)
[7.5 AdaGrad算法](7.5AdaGrad%E7%AE%97%E6%B3%95.md)
[7.6 RMSProp算法](7.6RMSProp%E7%AE%97%E6%B3%95.md)
[7.7 AdaDelta](7.7AdaDelta.md)
[7.8 Adam算法](7.8Adam%E7%AE%97%E6%B3%95.md)
- 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