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
实践：为图像分类实现一个卷积神经网络
这部分内容有帮助吗？
- 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 - 介绍了卷积神经网络（CNN）的基础架构，包括卷积层、池化层和全连接层，并通过MNIST手写数字识别数据集进行了演示。
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 一本关于深度学习的综合性教材，涵盖了神经网络架构、训练方法、损失函数和Adam等优化算法。其中关于CNN的章节与本节相关。
- Flux.jl Documentation, The Flux.jl Community, 2025 - Flux.jl的官方文档，提供了详细的API参考和指南，用于在Julia中构建神经网络、使用MLUtils处理数据以及设置训练循环。
- Adam: A Method for Stochastic Optimization, Diederik P. Kingma and Jimmy Ba, 2014 International Conference for Learning Representations (ICLR) 2015 DOI: 10.48550/arXiv.1412.6980 - 介绍了Adam优化算法，这是一种广泛采用的自适应学习率方法，用于高效训练深度神经网络。