动手学深度学习
纠错
贡献更多优质内容
如何使用本书
深度学习简介
预备知识
获取和运行本书的代码
数据操作
自动求梯度
查阅文档
深度学习基础
线性回归
线性回归的从零开始实现
线性回归的简洁实现
softmax回归
图像分类数据集（Fashion-MNIST）
softmax回归的从零开始实现
softmax回归的简洁实现
多层感知机
多层感知机的从零开始实现
多层感知机的简洁实现
模型选择、欠拟合和过拟合
权重衰减
丢弃法
正向传播、反向传播和计算图
数值稳定性和模型初始化
实战Kaggle比赛：房价预测
深度学习计算
模型构造
模型参数的访问、初始化和共享
模型参数的延后初始化
自定义层
读取和存储
GPU计算
卷积神经网络
二维卷积层
填充和步幅
多输入通道和多输出通道
池化层
卷积神经网络（LeNet）
深度卷积神经网络（AlexNet）
使用重复元素的网络（VGG）
网络中的网络（NiN）
含并行连结的网络（GoogLeNet）
批量归一化
残差网络（ResNet）
稠密连接网络（DenseNet）
循环神经网络
语言模型
循环神经网络
语言模型数据集（周杰伦专辑歌词）
循环神经网络的从零开始实现
循环神经网络的简洁实现
通过时间反向传播
门控循环单元（GRU）
长短期记忆（LSTM）
深度循环神经网络
双向循环神经网络
优化算法
优化与深度学习
梯度下降和随机梯度下降
小批量随机梯度下降
动量法
AdaGrad算法
RMSProp算法
AdaDelta算法
Adam算法
计算性能
命令式和符号式混合编程
异步计算
自动并行计算
多GPU计算
多GPU计算的简洁实现
计算机视觉
图像增广
微调
目标检测和边界框
锚框
多尺度目标检测
目标检测数据集（皮卡丘）
单发多框检测（SSD）
区域卷积神经网络（R-CNN）系列
语义分割和数据集
全卷积网络（FCN）
样式迁移
实战Kaggle比赛：图像分类（CIFAR-10）
实战Kaggle比赛：狗的品种识别（ImageNet Dogs）
自然语言处理
词嵌入（word2vec）
近似训练
word2vec的实现
子词嵌入（fastText
全局向量的词嵌入（GloVe）
求近义词和类比词
文本情感分类：使用循环神经网络
文本情感分类：使用卷积神经网络（textCNN）
编码器—解码器（seq2seq）
束搜索
注意力机制
机器翻译
附录
主要符号一览
数学基础
使用Jupyter记事本
使用AWS运行代码
GPU购买指南
如何为本书贡献
d2lzh包索引
未找到对应章节的内容
