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
超参数调优概念
这部分内容有帮助吗？
- Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville, 2016 (MIT Press) - 深度学习基础的全面参考，涵盖超参数选择和优化策略的各个方面。
- Random Search for Hyper-Parameter Optimization, James Bergstra, Yoshua Bengio, 2012 Journal of Machine Learning Research, Vol. 13 - 介绍并实证展示了随机搜索在超参数优化方面优于网格搜索的有效性。
- KerasTuner Documentation, O'Malley, Tom, Bursztein, Elie, Long, James, Chollet, François, Jin, Haifeng, Invernizzi, Luca, and others, 2019 - KerasTuner的官方文档，提供使用Keras模型实现各种超参数调优策略的实践示例和指南。
- Practical Bayesian Optimization of Machine Learning Algorithms, Jasper Snoek, Hugo Larochelle, Ryan P. Adams, 2012 Advances in Neural Information Processing Systems 25, Vol. 25 (NeurIPS) - 一篇关于将贝叶斯优化应用于高效调整机器学习算法超参数的开创性工作。