深度学习从0到1.pptxVIP

深度学习从0到1读书笔记模板 01思维导图 目录分析 读书笔记 内容摘要 作者介绍 精彩摘录目录0305020406 思维导图 深度深度神经网络方向算法发展模型参考文献神经网络项目第章函数数据应用介绍学习分类深度网络本书关键字分析思维导图 内容摘要 内容摘要深度学习是人工智能研究领域中的一个极其重要的方向。本书是一本介绍深度学习理论和实战应用的教程，从深度学习的发展历史，单层感知器，线性神经网络，BP神经网络，一直介绍到深度学习算法卷积神经网络CNN，长短时记忆网络LSTM。并从图像，自然语言处理，音频信号三方面分别介绍了深度学习算法的实际应用。案例实战部分使用的深度学习框架为Tensorflow2/Keras。 目录分析 1.1人工智能1.2机器学习1.3人工智能、机器学习、神经网络及深度学习之间的关系1.4深度学习的应用1.5神经网络和深度学习的发展史12345第1章深度学习背景介绍 1.6深度学习领域中的重要人物1.8参考文献1.7新一轮人工智能爆发的三要素第1章深度学习背景介绍 2.1 Python介绍2.3 Jupyter Notebook的简单使用2.2 Anaconda安装第2章搭建Python编程环境 3.1生物神经网络3.2单层感知器3.3单层感知器的学习规则3.4学习率第3章单层感知器与线性神经网络 3.5模型的收敛条件3.6模型的超参数和参数的区别3.7单层感知器分类案例3.8线性神经网络3.9线性神经网络处理异或问题12345第3章单层感知器与线性神经网络 4.1 BP神经网络介绍及发展背景4.2代价函数4.3梯度下降法4.4 Delta学习规则4.5常用激活函数讲解4.6 BP神经网络模型和公式推导010302040506第4章 BP神经网络 4.7 BP算法推导结论总结4.8梯度消失与梯度爆炸4.9使用BP神经网络解决异或问题4.10分类模型评估方法4.11独热编码4.12 BP神经网络完成手写数字识别010302040506第4章 BP神经网络 4.14参考文献4.13 Sklearn手写数字识别第4章 BP神经网络 5.1 Tensorflow介绍5.2 Tensorflow-cpu安装5.3 Tensorflow-gpu安装5.4 Tensorflow基本概念第5章深度学习框架Tensorflow基础使用 5.6手写数字图片分类任务5.5 Tensorflow基础使用第5章深度学习框架Tensorflow基础使用 6.1交叉熵代价函数6.2过拟合6.3数据增强6.4提前停止训练6.5 Dropout12345第6章网络优化方法 6.6正则化6.7标签平滑6.8优化器6.9参考文献第6章网络优化方法 7.1 Keras模型保存和载入7.2 SavedModel模型保存和载入7.3单独保存模型的结构7.4单独保存模型参数第7章 Tensorflow模型的保存和载入 7.6 Checkpoint模型保存和载入7.5 ModelCheckpoint自动保存模型第7章 Tensorflow模型的保存和载入 8.1计算机视觉介绍8.2卷积神经网简介8.3卷积的具体计算8.4卷积的步长8.5不同的卷积核12345第8章卷积神经网络（CNN） 8.6池化8.7 Padding8.8常见的卷积计算总结8.9经典的卷积神经网络8.10卷积神经网络应用于MNIST数据集分类12345第8章卷积神经网络（CNN） 8.11识别自己写的数字图片8.13参考文献8.12 CIFAR-10数据集分类第8章卷积神经网络（CNN） 9.1序列模型应用9.2循环神经网络（RNN）9.3 RNN的不同架构9.4传统RNN的缺点9.5长短时记忆网络（LSTM）9.6 Peephole LSTM和FC-LSTM010302040506第9章序列模型 9.7其他RNN模型9.9参考文献9.8 LSTM网络应用于MNIST数据集分类第9章序列模型 10.1图像数据集10.2 AlexNet10.3 VGGNet10.4 GoogleNet10.5 Batch Normalization12345第10章经典图像识别模型介绍（上） 10.7参考文献10.6 ResNet第10章经典图像识别模型介绍（上） 11.1 Inception模型系列11.2 ResNeXt11.3 SENet11.4参考文献第11章经典图像识别模型介绍（下） 12.1图像数据准备12.2 AlexNet图像识别12.3 VGGNet图像识别12.4函数式模型12.5模型可视化12345第12章图像识别项目实战 12.6 GoogleNet图像识别12.7 Batch Normalization使用12.8 ResNet图像识别12.9 ResNeXt图像识别12.1