趋近智
Julia 语言深度学习
章节 1: Julia 机器学习入门
Julia在计算密集型任务中的长处
机器学习背景下的类型系统与多重分派
数据科学所需的核心Julia包
Julia 数值计算：数组与线性代数
自动微分：核心机制
Julia 机器学习包集合概述
配置您的Julia深度学习环境
实践：Julia 用于数据处理与基本算法
章节 2: Flux.jl 深度学习入门
Flux.jl：设计原则与架构
Flux.jl 基本构成：层、模型和链
定义简单的神经网络层
在 Flux 中使用激活函数
损失函数：衡量模型误差
优化器：引导学习过程
Zygote.jl：Flux中的自动微分
构建 Flux 中的基础神经网络
实践操作：使用 Flux 构建一个简单回归器
章节 3: 构建神经网络架构
Julia 中的数据准备与预处理
处理数据集：使用 MLUtils.jl 的迭代器和加载器
构建多层感知器（MLP）
卷积神经网络（CNN）与 Flux
Flux 中的循环神经网络（RNN）与长短期记忆网络（LSTM）
处理序列数据的嵌入
在 Flux 中创建自定义层
模型序列化：保存和加载Flux模型
实践：为图像分类实现一个卷积神经网络
章节 4: 训练与评估深度学习模型
剖析模型训练循环
模型训练中的批次划分与周期
使用回调进行训练监控
常用分类和回归评估指标
应用正则化：Dropout和权重衰减
超参数调优策略
可视化训练进度和模型表现
调试 Flux 模型和训练过程
动手实践：模型训练与调优
章节 5: 进阶议题与GPU计算
GPU 加速：使用 CUDA.jl 和 Flux
在GPU上管理数据
Flux模型性能分析与优化
在 Julia 中使用预训练模型
使用 Flux 介绍生成模型
Julia其他深度学习库简要概览
互操作性：从 Julia 调用 Python 库用于深度学习
Julia 深度学习应用程序的部署方式
实践：使用GPU加速训练
自动微分：核心机制
这部分内容有帮助吗？
- Evaluating Derivatives: Principles and Techniques of Algorithmic Differentiation, Andreas Griewank, Andrea Walther, 2008 (SIAM) DOI: 10.1137/1.9780898717761 - 一本关于自动微分的综合教材，涵盖其理论基础、模式（前向和反向）及应用。
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 一本深度学习的标准教材，详细解释了反向传播作为反向模式自动微分的应用。
- ForwardDiff.jl Documentation, Jarrod Taylor and contributors, 2025 - ForwardDiff.jl 的官方文档，提供了其基于对偶数的前向模式自动微分实现及使用方法的说明。