前言
第1章 深度学习线性代数入门
1.1 数据结构和运算
1.1.1 矩阵运算
1.1.2 向量运算
1.1.3 矩阵一向量乘法
1.2 基本空间
1.2.1 列空间
1.2.2 零空间
1.3 特征向量和特征值
1.4 小结
第2章 概率论基础
2.1 事件和概率
2.2 条件概率
2.3 随机变量
2.4 期望
2.5 方差
2.6 贝叶斯定理
2.7 熵、交叉熵和KL散度
2.8 连续概率分布
2.9 小结
第3章 神经网络
3.1 构建智能体
3.2 传统计算机程序的局限
3.3 机器学习原理
3.4 神经元
3.5 用神经元表示线性感知器
3.6 前馈神经网络
3.7 线性神经元及其限制
3.8 sigmoid、Tanh和ReLU神经元
3.9 softmax输出层
3.10 小结
第4章 训练前馈神经网络
4.1 快餐问题
4.2 梯度下降
4.3 Delta法则和学习率
4.4 sigmoid神经元的梯度下降
4.5 反向传播算法
4.6 随机和小批量梯度下降
4.7 测试集、验证集和过拟合
4.8 深度神经网络防过拟合
4.9 小结
第5章 用PyTorch实现神经网络
5.1 PyTorch简介
5.2 安装PyTorch
5.3 PyTorch张量
5.3.1 张量初始化
5.3.2 张量的属性
5.3.3 张量运算
5.4 PyTorch中的梯度
……
第6章 超越梯度下降
第7章 卷积神经网络
第8章 嵌入和表示学习
第9章 序列分析模型
第10章 生成模型
第11章 模型解释方法
第12章 记忆增强神经网络
第13章 深度强化学习
展开