緒論 **章 神經網絡基礎(一) **節 什么是神經網絡 第二節 有監督學習 第二章 神經網絡基礎(二) **節 二元分類問題與符號表達 第二節 損失函數與代價函數 第三節 邏輯回歸中的梯度下降法 3.1 梯度下降 3.2 向前傳播與向后傳播的計算 第四節 單次迭代中梯度下降算法的編程實現 第三章 全連接神經網絡 **節 什么是全連接神經網絡 第二節 神經網絡常用的激活函數 2.1 各種非線性激活函數 2.2 為什么需要非線性激活函數 第三節 激活函數的導數 3.1 sigmoid函數的導數 3.2 tanh函數的導數 3.3 ReLU函數和Leaky ReLU函數的導數 第四節 全連接神經網絡向后傳播時的梯度計算 第五節 多層神經網絡 5.1 多層神經網絡的向前傳播計算 5.2 多層神經網絡向前／向后傳播的編程模塊 第六節 神經網絡的隨機初始化 第七節 二元分類問題案例分析 第四章 神經網絡調優(一) **節 訓練集、驗證集及測試集 1.1 定義 1.2 數據集的劃分原則 第二節 偏差與方差 第三節 神經網絡的正則化 3.1 L2正則化 3.2 L2正則化預防過擬合 3.3 Dropout正則化 3.4 Dropout正則化的作用原理 3.5 其他正則化方法 第四節 輸人數據的歸一化處理 第五節 梯度消失／梯度爆炸 第六節 深度神經網絡的權重初始化及案例分析 第五章 神經網絡調優(二) **節 小批量的概念 第二節 小批量的作用原理 第三節 指數加權平均 3.1 指數加權平均的基本概念 3.2 指數加權平均的含義 3.3 指數加權平均的偏差修正 第四節 幾種常見的梯度下降法 4.1 動量梯度下降法 4.2 RMSprop 4.3 Adam優化算法 第五節 學習率衰減 第六節 局部*優問題 第六章 神經網絡調優(三) **節 超參數的選擇 …… 第七章 卷積神經網絡基礎 第八章 卷積神經網絡的常見架構與分析 第九章 目標檢測 第十章 常見深度神經網絡架構 第十一章 圖像分割 第十二章 少樣本學習與圖像特征匹配 第十三章 風格遷移與生成對抗網絡 第十四章 深度學習在三維模型上的發展與應用 第十五章 深度學習在服裝推薦系統中的應用 第十六章 深度學習常用評價指標