本書贊譽
譯者序
前言
第1章 使用神經網絡識彆手寫數字 1
1.1 感知機 2
1.2 sigmoid神經元 7
1.3 神經網絡的架構 11
1.4 一個簡單的神經網絡：分類手寫數字 13
1.5 利用梯度下降算法進行學習 17
1.6 實現分類數字的神經網絡 25
1.7 邁嚮深度學習 37
第2章 反嚮傳播算法工作原理 41
2.1 熱身：使用矩陣快速計算輸齣 41
2.2 關於代價函數的兩個假設 43
2.3 阿達馬積s⊙t 45
2.4 反嚮傳播的4個基本方程 45
2.5 基本方程的證明（選學） 50
2.6 反嚮傳播算法 51
2.7 反嚮傳播代碼 53
2.8 就何而言，反嚮傳播算快 55
2.9 反嚮傳播：全局觀 56
第3章 改進神經網絡的學習方法 60
3.1 交叉熵代價函數 60
3.1.1 引入交叉熵代價函數 64
3.1.2 使用交叉熵來對MNIST數字進行分類 71
3.1.3 交叉熵的含義與起源 72
3.1.4 softmax 74
3.2 過擬閤和正則化 78
3.2.1 正則化 84
3.2.2 為何正則化有助於減輕過擬閤 89
3.2.3 其他正則化技術 93
3.3 權重初始化 102
3.4 復探手寫識彆問題：代碼 106
3.5 如何選擇神經網絡的超參數 116
3.6 其他技術 126
3.6.1 隨機梯度下降算法的變化形式 126
3.6.2 其他人工神經元模型 129
3.6.3 有關神經網絡的故事 132
第4章 神經網絡可以計算任何函數的可視化證明 134
4.1 兩個預先聲明 136
4.2 一個輸入和一個輸齣的普遍性 137
4.3 多個輸入變量 146
4.4 不止sigmoid神經元 154
4.5 修補階躍函數 156
4.6 小結 159
第5章 為何深度神經網絡很難訓練 160
5.1 梯度消失問題 163
5.2 梯度消失的原因 168
5.2.1 為何齣現梯度消失 170
5.2.2 梯度爆炸問題 171
5.2.3 梯度不穩定問題 172
5.2.4 梯度消失問題普遍存在 172
5.3 復雜神經網絡中的梯度不穩定 173
5.4 深度學習的其他障礙 174
第6章 深度學習 175
6.1 捲積神經網絡入門 176
6.1.1 局部感受野 178
6.1.2 共享權重和偏置 180
6.1.3 池化層 182
6.2 捲積神經網絡的實際應用 184
6.2.1 使用修正綫性單元 188
6.2.2 擴展訓練數據 189
6.2.3 插入額外的全連接層 191
6.2.4 集成神經網絡 192
6.3 捲積神經網絡的代碼 195
6.4 圖像識彆領域近期的進展 208
6.4.1 2012年的LRMD論文 208
6.4.2 2012年的KSH論文 209
6.4.3 2014年的ILSVRC競賽 211
6.4.4 其他活動 212
6.5 其他深度學習模型 214
6.5.1 循環神經網絡 214
6.5.2 長短期記憶單元 216
6.5.3 深度信念網絡、生成模型和玻爾茲曼機 216
6.5.4 其他想法 217
6.6 神經網絡的未來 217
6.6.1 意圖驅動的用戶界麵 217
6.6.2 機器學習、數據科學和創新的循環 218
6.6.3 神經網絡和深度學習的作用 218
6.6.4 神經網絡和深度學習將主導人工智能 219
附錄 是否存在關於智能的簡單算法 222
版權聲明
· · · · · · (收起)