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

梯度消失问题

这部分内容有帮助吗？

参考文献

Learning long-term dependencies with gradient descent is difficult, Yoshua Bengio, Patrice Simard, Paolo Frasconi, 1994 IEEE Transactions on Neural Networks, Vol. 5 (IEEE) DOI: 10.1109/72.279181 - 一篇基础论文，首次明确识别并分析了循环神经网络中的梯度消失和梯度爆炸问题。
Long Short-Term Memory, Sepp Hochreiter, Jürgen Schmidhuber, 1997 Neural Computation, Vol. 9 (MIT Press) DOI: 10.1162/neco.1997.9.8.1735 - 介绍了长短期记忆（LSTM）网络的原始论文，该网络通过其门控机制有效地缓解了梯度消失问题。
Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville, 2016 (MIT Press) - 一本全面的深度学习教科书，涵盖了深度学习的理论基础和实践方面，包括对循环神经网络和梯度消失/爆炸问题的详细解释。
On the difficulty of training recurrent neural networks, Razvan Pascanu, Tomas Mikolov, Yoshua Bengio, 2013 Proceedings of the 30th International Conference on Machine Learning, Vol. 28 (PMLR) - 这篇论文深入探讨了循环神经网络中的梯度消失和爆炸问题，并提出了诸如梯度裁剪等实际解决方案，以实现稳定的训练。

© 2025 ApX Machine Learning用心打造