趋近智

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

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

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

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

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

批次与周期

这部分内容有帮助吗？

参考文献

Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 涵盖了深度神经网络训练的理论和实践，包括批次、周期和各种优化算法。
model.fit(): Train a model with given data, Keras team, 2024 (Keras) - Keras fit 方法的官方文档，详细说明了 batch_size 和 epochs 等参数及其用法。
Neural Networks Part 3: Learning and Evaluation, Stanford University CS231n: Convolutional Neural Networks for Visual Recognition, 2024 - 斯坦福大学著名深度学习课程的一部分，深入解释了小批量梯度下降、周期及其实际影响。
On Large-Batch Training for Deep Learning: Generalization Gap and Sharp Minima, Nitish Shirish Keskar, Dheevatsa Mudigere, Jorge Nocedal, Mikhail Smelyanskiy, Ping Tak Peter Tang, 2017 ICLR 2017 DOI: 10.48550/arXiv.1609.04836 - 探讨了批次大小对深度神经网络泛化性能的影响，讨论了“泛化差距”以及对平坦与尖锐最小值的偏好。

© 2025 ApX Machine Learning