趋近智
神经网络入门
章节 1: 神经网络基本原理
从生物神经元到人工神经元
权重和偏置：网络的参数
激活函数：引入非线性
网络结构：层与连接
一个简单的前馈网络示例
实践：计算神经元输出
章节 2: 为神经网络准备数据
理解输入数据表示
特征缩放：归一化与标准化
处理分类数据：编码技术
构建训练数据批次
数据划分：训练集、验证集和测试集
实践操作：预处理样本数据
章节 3: 前向传播：生成预测结果
网络中的信息流动
线性变换：加权和计算
逐层应用激活函数
高效计算的矩阵运算
计算最终输出预测
动手实践：实现前向传播
章节 4: 训练：反向传播与梯度下降
评估性能：损失函数
梯度下降的原理
反向传播：高效计算梯度
更新权重和偏差
学习率及其作用
随机梯度下降 (SGD) 及其变体
实践：手动计算梯度
章节 5: 构建与训练简单神经网络
搭建网络结构
初始化权重与偏置
训练循环的结构
实现训练步骤
监控训练进程
深度学习框架（TensorFlow/PyTorch）简介
动手实践：训练一个简单分类器
章节 6: 提升网络性能及泛化能力
理解过拟合和欠拟合
验证集的作用
正则化方法：L1 和 L2
Dropout：随机停用神经元
早期停止：优化训练终止
超参数调优策略
实践：应用正则化
学习率及其作用
这部分内容有帮助吗？
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 这本深度学习基础教材全面介绍了优化算法，包括学习率在梯度下降中的重要作用。
- CS231n: Convolutional Neural Networks for Visual Recognition - Optimization, Stanford University, 2023 (Stanford University) - 提供了优化算法的优秀且易懂的解释，包括对学习率影响及其在神经网络训练中调整策略的详细讨论和可视化。
- Adam: A Method for Stochastic Optimization, Diederik P. Kingma and Jimmy Ba, 2015 3rd International Conference for Learning Representations DOI: 10.48550/arXiv.1412.6980 - 介绍了Adam，一种广泛使用的自适应学习率优化器。本文阐述了设定固定学习率的难点，并提出了自适应方法的必要性，这些内容在章节中有所提及。