趋近智
深度学习入门
章节 1: 神经网络基本原理
从机器学习到深度学习
生物学上的启发：神经元
人工神经元：数学模型
感知机：最简单的神经网络
单层感知器的局限性
多层感知机 (MLP)：添加层次
动手实践：构建一个简单的感知器模型
章节 2: 激活函数与网络结构
激活函数的作用
Sigmoid 激活函数
双曲正切（Tanh）激活函数
修正线性单元 (ReLU)
ReLU的多种形式 (Leaky ReLU, PReLU, ELU)
选择合适的激活函数
理解网络层：输入层、隐藏层、输出层
设计前馈网络架构
动手实践：实现不同的激活函数
章节 3: 训练神经网络：损失与优化
衡量表现：损失函数
常见的回归损失函数 (MSE, MAE)
用于分类的常用损失函数（交叉熵）
优化：寻找最优权重
梯度下降算法
学习率
随机梯度下降 (SGD)
梯度下降的难题
动手实践：梯度下降可视化
章节 4: 反向传播和高级优化
计算梯度：链式法则
计算图
反向传播算法详解
前向传播与反向传播
带有动量的梯度下降
RMSprop 优化器
Adam 优化器
选择优化算法
动手实践：反向传播逐步解析
章节 5: 搭建与训练深度神经网络
深度学习框架简介 (TensorFlow/Keras, PyTorch)
搭建开发环境
神经网络的数据准备
定义一个前馈网络模型
权重初始化方法
配置模型：损失函数与优化器选择
模型训练：fit 方法
监控训练进展（损失与指标）
模型性能评估
动手实践：在MNIST上训练分类器
章节 6: 正则化与性能提升
过拟合问题
正则化方法概述
L1 和 L2 正则化
Dropout正则化
早期停止
批标准化
超参数调整基本原理
超参数搜索策略（网格搜索、随机搜索）
实践操作：运用Dropout和Early Stopping
章节 7: 专用架构介绍
前馈网络的局限性
卷积神经网络 (CNNs): 动因
CNN核心操作：卷积
CNN核心操作：池化
典型CNN架构
循环神经网络（RNN）：缘由
循环与隐藏状态
基本RNN架构
简单循环神经网络的挑战 (梯度消失/梯度爆炸)
概述：LSTM与GRU
计算梯度：链式法则
这部分内容有帮助吗？
- Calculus: Early Transcendentals, James Stewart, 2015 (Cengage Learning) - 提供了单变量和多变量微积分的全面论述，详细解释了链式法则作为复合函数导数的基本概念。
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 这本权威的深度学习教材详细而严谨地推导了反向传播算法，明确展示了链式法则在梯度计算中的应用。
- Neural Networks and Deep Learning, Michael Nielsen, 2019 - 这本易于理解的在线教材提供了反向传播算法的直观、分步解释，明确关注链式法则如何应用于计算梯度。
- Backpropagation, Intuitions (CS231n: Convolutional Neural Networks for Visual Recognition), Andrej Karpathy, Justin Johnson, Serena Yeung, and Feifei Li, 2023 Stanford University CS231n Course Notes - 斯坦福大学广受引用的课程笔记，提供了反向传播的实用且直观的解释，强调了链式法则在高效计算神经网络梯度中的作用。