Please enable JavaScript.
Coggle requires JavaScript to display documents.
Tensorflow深度学习 龙龙老师 电子版 - Coggle Diagram
Tensorflow深度学习
龙龙老师 电子版
V1. 人工智能的初步认知与问题
Ch2.回归问题
2.4 线性回归
2.1 神经元模型
2.3 线性模型实战
2.2 优化方法
Ch3.分类问题
3.8 手写数字图片识别体验
3.1 手写数字图片数据集
3.2 模型构建
3.3 误差计算
3.5 非线性模型
3.7 优化方法
Ch1.人工智能绪论: P10
1.4 深度学习应用 p19
1.2 神经网络发展简史 p12
1.1 人工智能 p10: 监督/无监督学习(Unsupervised Learning) + 强化学习(Reinforcement Learning，简称RL)
1.3 深度学习特点 p15
人工智能、机器学习、神经网络和深度学习
1.5 深度学习框架
1.6 开发环境安装
V2. TensorFlow 相关 P57~121
Ch5.TensorFlow 进阶 p94
Ch4.TensorFlow 基础 p57
V3. 神经网络的核心 P122
Ch7.反向传播算法 P148
BP=Backpropagation
7.9 反向传播算法实战
7.6 链式法则
7.8 Himmelblau 函数优化实战
7.7 反向传播算法
7.1 导数Derivative vs 梯度Gradient：反向传播算法 vs 梯度下降算法 7.2 导数常见性质 P150
7.5 全连接层梯度：全连接层网络、激活函数采用Sigmoid 函数、误差函数为Softmax+MSE 损失函数的神经网络 P58
7.4 损失函数梯度：均方误差函数梯度Softmax 函数/交叉熵梯度 P155
7.3 激活函数导数： Sigmoid + ReLU：放大梯度=梯度爆炸(Gradient exploding)现象 / 缩小梯度=梯度弥散(Gradient vanishing)现象 +
Ch8.Keras
高层接口
8.7 可视化
8.2 模型装配、训练与测试
8.6 测量工具
8.1 常见功能模块
8.5 模型乐园
8.4 自定义类
8.3 模型保存与加载
Keras 是一个主要由Python 语言开发的开源神经网络计算库
Ch9.过拟合
9.1 模型的容量
9.2 过拟合与欠拟合
9.7 数据增强
9.3 数据集划分
9.8 过拟合问题实战
9.4 模型设计
9.5 正则化
9.6 Dropout
Ch6.神经网络 p122
6.8 汽车油耗预测实战 Trainning=Epoch+Step ； MAE=Mean Absolute Error P142
6.3 神经网络 p126
6.2 全连接层 输入+ 隐藏层n + 输出层 参数如何确定 p124
6.1 感知机Perceptron 简单的视觉分类任务基本几何图形 线性模型 阶跃函数和符号函数Y不能用梯度下降算法 p122
6.5 输出层设计 p134
6.4 激活函数：神经网络中常用激活函数：Sigmoid=Logistic + ReLU(REctified Linear Unit) / LeakyReLU / Tanh p130
6.6 误差计算: 均方差MSE(Mean Squared Error) + 交叉熵(Cross Entropy) + KL散度 + Hinge Loss p138
6.7 神经网络类型：卷积神经网络=CNN=Convolutional Neural Network + 循环神经网络=RNN=Recurrent Neural Network P140
机器学习的最终目的：是找到一组良好的参数𝜃，使得𝜃表示的数学模型能够很好地从训练集中学到映射关系𝑓𝜃: 𝒙 → 𝒚, 𝒙, 𝒚 ∈ 𝔻train
V4. 模型算法应用
Ch11.循环神经网络
Ch12.自编码器
Ch13.生成对抗网络
Ch14.强化学习
Ch15.自定义数据集
Ch10.卷积神经网络