深度学习必学的十个问题——理论与实践

本书兼顾了数学上的理解和代码实践，内容主要包括基础知识和深度学习模型。第1章 介绍深度学习的简洁发展思路和表示学习机制； 第2章、第3章介绍神经网络的基于梯度的优化方法、神经网络的优化难点以及相应的解决方法； 第4章讨论神经网络遇到的过拟合问题； 第5章分析神经网络的最小组成部分——神经元； 第6章讨论三种方案解决深层网络的训练难题： 批标准化、SELU、ResNet； 第7章、第8章讲述了两种重要的神经网络模型： 卷积神经网络和循环神经网络； 第9章讨论了对于神经网络的无监督学习方式； 第10章详细讨论以变分自编码器和对抗生成网络为代表的概率生成网络。 本书适合对于深度学习感兴趣的大学生、工程师阅读参考。阅读本书需要具备基础的Python编程技术和基本的数学知识。

这是一本深度学习和神经网络领域的专业书籍，它涵盖了深度学习的基础知识和多种深度学习模型。这本书首先介绍了深度学习的简洁发展思路和表示学习机制，包括表示学习的概念与方法，以及神经网络的训练过程与技巧。 接着，书中深入探讨了神经网络的优化难题，包括局部极小值与鞍点的区别，以及如何解决神经网络的过拟合问题。书中还详细分析了神经网络的最小组成部分——神经元，包括隐藏单元的设计原则，以及如何解决神经网络的梯度消失和梯度爆炸问题。 此外，书中还讨论了如何通过预处理和批标准化，以及自归一化神经网络和ResNet等方案来解决深层网络的训练难题。书中还详细讲述了两种重要的神经网络模型：卷积神经网络和循环神经网络，包括卷积操作的重要概念，以及循环结构的参数学习。 在无监督学习方面，书中讨论了自编码器，包括稀疏自编码器和变分自编码器，以及生成对抗网络的原理和结构。最后，书中还详细讨论了深度学习中的概率生成模型，包括变分自编码器和生成对抗网络。