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

池化层 (MaxPooling2D)

这部分内容有帮助吗？

参考文献

Gradient-based learning applied to document recognition, Yann LeCun, Léon Bottou, Yoshua Bengio, Patrick Haffner, 1998 Proceedings of the IEEE, Vol. 86 (IEEE) DOI: 10.1109/5.726791 - 介绍了LeNet-5架构，其中显著使用了池化层进行下采样并实现局部平移不变性。
Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville, 2016 (MIT Press) - 全面阐述了池化层的理论，包括其在卷积神经网络中用于特征图缩减和实现局部不变性的作用。
Keras MaxPooling2D layer, Keras Team, 2024 - Keras中MaxPooling2D层的官方文档，详细说明了其参数、参数值和用法。
CS231n: Convolutional Neural Networks for Visual Recognition - Pooling Layer, Stanford University, 2023 - 通过清晰的解释和视觉示例说明了池化操作、其目的以及在卷积神经网络中的常见类型。

© 2025 ApX Machine Learning