第⼀部分包括基础知识和预备知识。1节 提供深度学习的⼊⻔课程。然后在 2节 中，我们将快速介绍实
践深度学习所需的前提条件，例如如何存储和处理数据，以及如何应⽤基于线性代数、微积分和概率基
本概念的各种数值运算。3节 和 4节 涵盖了深度学习的最基本概念和技术，例如线性回归、多层感知机
和正则化。
接下来的五章集中讨论现代深度学习技术。5节 描述了深度学习计算的各种关键组件，并为我们随后
实现更复杂的模型奠定了基础。接下来，在 6节 和 7节 中，我们介绍了卷积神经⽹络（convolutional
neural network，CNN），这是构成⼤多数现代计算机视觉系统⻣⼲的强⼤⼯具。随后，在 8节 和 9节
中，我们引⼊了循环神经⽹络(recurrent neural network，RNN)，这是⼀种利⽤数据中的时间或序列
结构的模型，通常⽤于⾃然语⾔处理和时间序列预测。在 10节 中，我们介绍了⼀类新的模型，它采⽤
了⼀种称为注意⼒机制的技术，最近它们已经开始在⾃然语⾔处理中取代循环神经⽹络。这⼀部分将
帮助读者快速了解⼤多数现代深度学习应⽤背后的基本⼯具。
第三部分讨论可伸缩性、效率和应⽤程序。⾸先，在 11节 中，我们讨论了⽤于训练深度学习模型的⼏
种常⽤优化算法。下⼀章 12节 将探讨影响深度学习代码计算性能的⼏个关键因素。在 13节 中，我们展
⽰了深度学习在计算机视觉中的主要应⽤。在 14节 和 15节 中，我们展⽰了如何预训练语⾔表⽰模型并
将其应⽤于⾃然语⾔处理任务。
动手学深度学习.pdf
(26.09 MB)
- 深度学习教程LeeDL_Tutorial_v.1.0.2
深度学习基础、卷积神经网络、自注意力机制、Transformer、自监督学习、自编码器、迁移学习、强化学习、ChatGPT
深度学习教程LeeDL_Tutorial_v.1.0.2.pdf
(62.21 MB)
|
楼主
标题置顶
标题高亮
