第 1章　基本概念 1 1.1　函數(shù) 2 1.2　導(dǎo)數(shù) 6 1.3　嵌套函數(shù) 8 1.4　鏈?zhǔn)椒▌t 9 1.5　示例介紹 12 1.6　多輸入函數(shù) 15 1.7　多輸入函數(shù)的導(dǎo)數(shù) 16 1.8　多向量輸入函數(shù) 17 1.9　基于已有特征創(chuàng)建新特征 18 1.10　多向量輸入函數(shù)的導(dǎo)數(shù) 20 1.11　向量函數(shù)及其導(dǎo)數(shù)：再進(jìn)一步 22 1.12　包含兩個(gè)二維矩陣輸入的計(jì)算圖 25 1.13　有趣的部分：后向傳遞 28 1.14　小結(jié) 34 第 2章　基本原理 35 2.1　監(jiān)督學(xué)習(xí)概述 36 2.2　監(jiān)督學(xué)習(xí)模型 38 2.3　線性回歸 38 2.3.1　線性回歸：示意圖 39 2.3.2　線性回歸：更有用的示意圖和數(shù)學(xué) 41 2.3.3　加入截距項(xiàng) 41 2.3.4　線性回歸：代碼 42 2.4　訓(xùn)練模型 42 2.4.1　計(jì)算梯度：示意圖 43 2.4.2　計(jì)算梯度：數(shù)學(xué)和一些代碼 43 2.4.3　計(jì)算梯度：完整的代碼 44 2.4.4　使用梯度訓(xùn)練模型 45 2.5　評(píng)估模型：訓(xùn)練集與測(cè)試集 46 2.6　評(píng)估模型：代碼 46 2.7　從零開(kāi)始構(gòu)建神經(jīng)網(wǎng)絡(luò) 49 2.7.1　步驟1：一系列線性回歸 49 2.7.2　步驟2：一個(gè)非線性函數(shù) 50 2.7.3　步驟3：另一個(gè)線性回歸 50 2.7.4　示意圖 51 2.7.5　代碼 52 2.7.6　神經(jīng)網(wǎng)絡(luò)：后向傳遞 53 2.8　訓(xùn)練和評(píng)估第 一個(gè)神經(jīng)網(wǎng)絡(luò) 55 2.9　小結(jié) 57 第3章　從零開(kāi)始深度學(xué)習(xí) 58 3.1　定義深度學(xué)習(xí) 58 3.2　神經(jīng)網(wǎng)絡(luò)的構(gòu)成要素：運(yùn)算 59 3.2.1　示意圖 60 3.2.2　代碼 61 3.3 神經(jīng)網(wǎng)絡(luò)的構(gòu)成要素：層 62 3.4　在構(gòu)成要素之上構(gòu)建新的要素 64 3.4.1　層的藍(lán)圖 66 3.4.2　稠密層 68 3.5　NeuralNetwork類(lèi)和其他類(lèi) 69 3.5.1　示意圖 70 3.5.2　代碼 70 3.5.3　Loss類(lèi) 71 3.6　從零開(kāi)始構(gòu)建深度學(xué)習(xí)模型 72 3.6.1　實(shí)現(xiàn)批量訓(xùn)練 73 3.6.2　NeuralNetwork: 代碼 73 3.7　優(yōu)化器和訓(xùn)練器 75 3.7.1　優(yōu)化器 76 3.7.2　訓(xùn)練器 77 3.8　整合 79 3.9　小結(jié)與展望 80 第4章　擴(kuò)展 81 4.1　關(guān)于神經(jīng)網(wǎng)絡(luò)的一些直覺(jué) 82 4.2　softmax交叉熵?fù)p失函數(shù) 84 4.2.1　組件1：softmax函數(shù) 84 4.2.2　組件2：交叉熵?fù)p失 85 4.2.3　關(guān)于激活函數(shù)的注意事項(xiàng) 87 4.3　實(shí)驗(yàn) 90 4.3.1　數(shù)據(jù)預(yù)處理 90 4.3.2　模型 91 4.3.3　實(shí)驗(yàn)：softmax交叉熵?fù)p失函數(shù) 92 4.4　動(dòng)量 92 4.4.1　理解動(dòng)量 93 4.4.2　在Optimizer類(lèi)中實(shí)現(xiàn)動(dòng)量 93 4.4.3　實(shí)驗(yàn)：帶有動(dòng)量的隨機(jī)梯度下降 94 4.5　學(xué)習(xí)率衰減 95 4.5.1　學(xué)習(xí)率衰減的類(lèi)型 95 4.5.2　實(shí)驗(yàn)：學(xué)習(xí)率衰減 97 4.6　權(quán)重初始化 97 4.6.1　數(shù)學(xué)和代碼 99 4.6.2　實(shí)驗(yàn)：權(quán)重初始化 100 4.7　dropout 100 4.7.1　定義 100 4.7.2　實(shí)現(xiàn) 101 4.7.3　實(shí)驗(yàn)：dropout 102 4.8　小結(jié) 104 第5章　CNN 105 5.1　神經(jīng)網(wǎng)絡(luò)與表征學(xué)習(xí) 105 5.1.1　針對(duì)圖像數(shù)據(jù)的不同架構(gòu) 106 5.1.2　卷積運(yùn)算 107 5.1.3　多通道卷積運(yùn)算 108 5.2　卷積層 109 5.2.1　實(shí)現(xiàn)意義 110 5.2.2　卷積層與全連接層的區(qū)別 111 5.2.3　利用卷積層進(jìn)行預(yù)測(cè)：Flatten層 111 5.2.4　池化層 112 5.3　實(shí)現(xiàn)多通道卷積運(yùn)算 114 5.3.1　前向傳遞 114 5.3.2　后向傳遞 117 5.3.3　批處理 120 5.3.4　二維卷積 121 5.3.5　最后一個(gè)元素：通道 123 5.4　使用多通道卷積運(yùn)算訓(xùn)練CNN 126 5.4.1　Flatten運(yùn)算 126 5.4.2　完整的Conv2D層 127 5.4.3　實(shí)驗(yàn) 128 5.5　小結(jié) 129 第6章　RNN 130 6.1　關(guān)鍵限制：處理分支 131 6.2　自動(dòng)微分 132 6.3　RNN的動(dòng)機(jī) 137 6.4　RNN簡(jiǎn)介 138 6.4.1　RNN的第 一個(gè)類(lèi)：RNNLayer 139 6.4.2　RNN的第二個(gè)類(lèi)：RNNNode 140 6.4.3　整合RNNNode類(lèi)和RNNLayer類(lèi) 140 6.4.4　后向傳遞 142 6.5　RNN：代碼 143 6.5.1　RNNLayer類(lèi) 144 6.5.2　RNNNode類(lèi)的基本元素 147 6.5.3　vanilla RNNNode類(lèi) 148 6.5.4　vanilla RNNNode類(lèi)的局限性 150 6.5.5　GRUNode類(lèi) 151 6.5.6　LSTMNode類(lèi) 154 6.5.7　基于字符級(jí)RNN語(yǔ)言模型的數(shù)據(jù)表示 156 6.5.8　其他語(yǔ)言建模任務(wù) 157 6.5.9　組合RNNLayer類(lèi)的變體 158 6.5.10　將全部?jī)?nèi)容整合在一起 158 6.6　小結(jié) 159 第7章　PyTorch 160 7.1　PyTorch Tensor 160 7.2　使用PyTorch進(jìn)行深度學(xué)習(xí) 161 7.2.1　PyTorch元素：Model類(lèi)及其Layer類(lèi) 162 7.2.2　使用PyTorch實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)基本要素：DenseLayer類(lèi) 163 7.2.3　示例：基于PyTorch的波士頓房?jī)r(jià)模型 164 7.2.4　PyTorch元素：Optimizer類(lèi)和Loss類(lèi) 165 7.2.5　PyTorch元素：Trainer類(lèi) 165 7.2.6　PyTorch優(yōu)化學(xué)習(xí)技術(shù) 168 7.3　PyTorch中的CNN 168 7.4　PyTorch中的LSTM 173 7.5　后記：通過(guò)自編碼器進(jìn)行無(wú)監(jiān)督學(xué)習(xí) 175 7.5.1　表征學(xué)習(xí) 175 7.5.2　應(yīng)對(duì)無(wú)標(biāo)簽場(chǎng)景的方法 176 7.5.3　在PyTorch中實(shí)現(xiàn)自編碼器 176 7.5.4　更強(qiáng)大的無(wú)監(jiān)督學(xué)習(xí)測(cè)試及解決方案 181 7.6　小結(jié) 182 附錄　深入探討 183 關(guān)于作者 192 關(guān)于封面 192