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
理解过拟合和欠拟合
这部分内容有帮助吗？
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 这本全面的教科书涵盖了深度学习的理论和实践，包括对泛化、过拟合、欠拟合和偏差-方差权衡的详细讨论。
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, and Jerome Friedman, 2009 (Springer) DOI: 10.1007/978-0-387-84858-7 - 一本关于统计学习理论的经典教科书，严谨地论述了偏差-方差权衡、模型复杂度、泛化等主题。第二版。
model.fitmethod, Keras Team, 2023 - Keras官方文档，详细介绍了fit方法，包括validation_data等参数及其在训练期间监测模型性能的用法。- Overfitting and underfitting, TensorFlow Authors, 2023 - 一个TensorFlow官方教程，通过Keras代码示例和可视化演示了过拟合和欠拟合的概念。