所有课程

Keras深度学习要领

章节 1: 深度学习知识概览

什么是深度学习？

人工神经元与网络结构

神经网络的监督学习

配置Keras环境

动手实践：环境验证

章节 2: 使用 Keras 构建神经网络

常见层类型：全连接层

指定输入形状

模型概览与可视化

实践：使用 Keras 构建你的第一个网络

第 2 章测验

章节 3: 训练深度神经网络

理解损失函数

训练循环：fit() 方法

批次与周期

验证数据与性能监控

模型评估：evaluate() 方法

动手实践：训练一个简单分类器

第 3 章测验

章节 4: 卷积神经网络 (CNN)

卷积网络简介

卷积层 (Conv2D)

池化层 (MaxPooling2D)

构建一个简单的CNN架构

CNN中的展平层和全连接层

在Keras中处理图像数据

了解特征图

实践：构建图像分类CNN

第 4 章测验

章节 5: 循环神经网络 (RNN)

序列数据概述

循环神经网络要点

Keras中的SimpleRNN层

梯度消失问题

长短期记忆（LSTM）网络

Keras中的LSTM层

门控循环单元 (GRU)

用于RNN的序列数据准备

实践：构建RNN/LSTM用于文本分类

第 5 章测验

章节 6: 改进模型表现和工作流程

理解过拟合和欠拟合

正则化方法：L1、L2、Dropout

保存和加载模型

TensorBoard 简介

超参数调优概念

动手实践：应用改进技术

第 6 章测验

反向传播

这部分内容有帮助吗？

参考文献

Learning representations by back-propagating errors, David E. Rumelhart, Geoffrey E. Hinton, and Ronald J. Williams, 1986 Nature, Vol. 323 (Springer Nature) DOI: 10.1038/323533a0 - 普及用于训练多层神经网络的反向传播算法的开创性论文。
Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 一本关于反向传播及其在深度神经网络中作用的详细且严谨的数学教材。
Neural Networks and Deep Learning, Michael Nielsen, 2019 (Online) - 一本优秀的免费在线书籍，为反向传播提供了直观而数学精确的解释，适合自学。
CS231n: Deep Learning for Computer Vision, Lecture Notes on Backpropagation, Stanford University, 2023 (Stanford University) - 从计算图的角度对反向传播进行了清晰且通常有视觉支持的解释，这对于深度学习很有用。

© 2025 ApX Machine Learning用心打造