趋近智
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
Keras 简介
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
顺序式API
常见层类型：全连接层
激活函数
指定输入形状
函数式API
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
编译步骤
理解损失函数
优化算法
反向传播
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
数据增强
使用回调
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
了解特征图
这部分内容有帮助吗？
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 解释了深度学习的理论基础，涵盖了卷积网络、滤波器和特征图，以及它们在跨层特征提取中的作用。
- ImageNet Classification with Deep Convolutional Neural Networks, Alex Krizhevsky, Ilya Sutskever, and Geoffrey E. Hinton, 2012 Advances in Neural Information Processing Systems 25 (NIPS 2012), Vol. 25 (Curran Associates, Inc., Red Hook, NY) - 这篇有影响力的论文展示了深度卷积神经网络在图像分类中的应用，证明了通过多层学习到的特征。
- tf.keras.layers.Conv2D, Keras team, 2024 (TensorFlow team) -
tf.keras.layers.Conv2D层的官方文档，描述了其参数、输入/输出形状，以及filters参数如何决定输出特征图的数量。