7.1 从视觉的角度理解卷积神经网络
7.1.1 生物视觉系统原理(Page120)
7.1.2 微积分(Page120)
7.1.3 离散微分与离散积分(Page120)
7.1.4 视觉神经网络中的离散积分(Page121) |
7.2 卷积神经网络的结构
7.2.1 卷积神经网络的工作过程(Page122)
7.2.2 卷积神经网络与全连接网络的区别(Page123)
7.2.3 了解1D网络,2D网络和3D网络卷积(Page123)
7.2.4 实例分析:Sobel算子的原理(Page123, 124,125)
7.2.5 深层神经网络的卷积核(Page126)
7.2.6 理解卷积的数学意义-----卷积分(Page126) |
7.3 卷积神经网络的实现
7.3.1 了解卷积接口(Page127,128)
7.3.2 卷积操作的类型(Page129)
7.3.3 卷积参数与卷积结果的计算 规则(Page130)
7.3.4 实例6:卷积函数的使用(Page130, 131,132,133,134)
7.3.5 实例7:使用卷积提取图片的轮廓(Page135,136,137)
|
7.4 深层卷积神经网络
7.4.1 深层卷积神经网络组成(Page138,139)
7.4.2 池化操作(Page140)
7.4.3 了解池化接口(Page140)
7.4.4 实例8: 池化函数的使用(Page141,142)
7.4.5 实例9:搭建卷积神经网络(Page143,144)
|
7.5 循环神经网络结构
7.5.1 了解人的记忆原理(Page145)
7.5.2 循环神经网络的应用领域(Page146)
7.5.3 循环神经网络的正向传播过程(Page147)
7.5.4 BP算法与BPTT算法的原理(Page148)
7.5.5 实例10: 简单循环神经网络实现——设计一个退位减法器
(Page149,150,151,152,153)
|
7.6 常见的循环神经网络单元及结构(Page154)
7.6.1 长短记忆(LSTM)单元(Page155,156)
7.6.2 门控循环单元(RGU)(Page157)
7.6.3 只有忘记门的LSTM(JANET)(Page158)
7.6.4 独立循环(IndRNN)单元(Page158)
7.6.5 双向RNN结构(Page159)
|
|
7.7 实例11: 用循环神经网络训练语言模型(Page160)
7.7.1 什么是语言模型(Page161)
7.7.2 词表与词向量(Page161)
7.7.3 词向量的原理与实现(Page161)
7.7.4 NLP中多项式分布(Page162)
7.7.5 循环神经网络的实现(Page163)
7.7.6 实现语言模型的思路和步骤(Page164)
7.7.7 代码实现:准备样本(Page165,166)
7.7.8 代码实现: 构建循环神经网络模型(RNN)(Page167)
7.7.9 代码实现:实例化模型类,并训练模型(Page168.169,170)
7.7.10 代码实现:运行模型生成句子(Page171) |
7.8 过拟合问题及优化技巧
7.8.1 实例12:训练具有过拟合问题的模型(Page172,173,174)
7.8.2改善模型过拟合的方法 (Page175)
7.8.3 了解正则化(Page175)
7.8.4 实例13:用L2正则化改善模型的过拟合状况 (Page176,177)
7.8.5 实例14:通过增大数据集改善模型的过拟合状况 (Page178)
7.8.6 Dropout方法(Page179)
7.8.7 实例15:通过Drouout方法改善模型过拟合状况(Page180,181)
7.8.8 全连接网络的深浅与泛化能力的联系(Page182)
7.8.9 了解批量归一化(BN)算法(Page182,183,184)
7.8.10 实例16:手动实现批量归一化的计算方法 (Page185,186)
7.8.11 实例17:通过批量归一化方法改善模型的过拟合状况(Page187)
7.8.12 使用批量归一化方法的注意事项(Page188)
7.8.13 扩展:多种批量归一化算法介绍(Page188),(Page189) |
7.9 神经网络的注意力机制
7.9.1 注意力机制的实现(Page189)
7.9.2 注意力机制的实现的软,硬模式(Page190)
7.9.3 注意力机制的实现模型原理(Page190)
7.9.4 多头注意力机制(Page191)
7.9.5 自注意力机制(Page192) |
7.10 实例18:利用注意力循环神经网络对图片分类
7.10.1 循环神经网络处理图片分类任务的原理(Page192)
7.10.2 代码实现:搭建LSTM网络模型(Page193)
7.10.3 代码实现:构建注意力机制(Page193,194,195)
7.10.4 代码实现:构建输入数据并训练(Page196)
7.10.5 使用并评估模型(Page197)
7.10.6 扩展1:使用梯度剪辑技巧优化训练过程 (Page197)
7.10.7 扩展2:使用JANET单元完成RNN(Page198)
7.10.8 扩展3:使用IndRNN单元实现RNN(Page198) |
|