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
前馈网络的局限性
这部分内容有帮助吗？
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 一本关于深度学习的教材，全面介绍了前馈网络、其局限性，以及卷积网络和循环网络提供的架构方案。
- Gradient-Based Learning Applied to Document Recognition, Yann LeCun, Léon Bottou, Yoshua Bengio, and Patrick Haffner, 1998 Proceedings of the IEEE, Vol. 86 (IEEE) DOI: 10.1109/5.726791 - 一篇介绍卷积神经网络（LeNet-5）的开创性论文，详细阐述了其在图像识别中通过利用局部相关性和平移不变性所带来的架构优势，从而克服了全连接层的局限性。
- Long Short-Term Memory, Sepp Hochreiter, Jürgen Schmidhuber, 1997 Neural Computation, Vol. 9 (MIT Press) DOI: 10.1162/neco.1997.9.8.1735 - 这篇基础性论文介绍了长短期记忆（LSTM）网络，这是一种能够高效地使循环网络学习和记忆序列数据中长期依赖关系的架构，解决了更简单的前馈或循环模型的主要缺点。
- Convolutional Neural Networks for Visual Recognition (CS231n), Stanford University, 2024 (Stanford University) - 官方课程讲义，清晰地解释了卷积神经网络，分析了为何前馈网络不足以处理图像数据以及CNN如何通过架构设计应对这些挑战。（2023年春季版）