tensorflow_RL

    - 人工智能绪论
    1.1 人工智能
    1.2 神经网络发展简
    1.3 深度学习特点
    1.4 深度学习应用
    1.5 深度学习框架
    1.6 开发环境安装
    1.7 参考文献
   - 第 2 章 回归问题
    2.1 神经元模型
    2.2 优化方法
    2.3 线性模型实战
    2.4 线性回归
    2.5 参考文献
    第 3 章 分类问题
    3.1 手写数字图片数据
    3.2 模型构建
    3.3 误差计算
    3.4 真的解决了吗
    3.5 非线性模型
    3.6 表达能力
    3.7 优化方法
    3.8 手写数字图片识别
    3.9 小结
    3.10 参考文献
    第 4 章 TensorFlow 基础
    4.1 数据类型
    4.2 数值精度
    4.3 待优化张量
    4.4 创建张量
    4.5 张量的典型应用
    4.6 索引与切片
    4.7 维度变换
    4.8 Broadcasting
    4.9 数学运算
    4.10 前向传播实战
    4.11 参考文献
    第 5 章 TensorFlow 进阶
    5.1 合并与分割
    5.2 数据统计
    5.3 张量比较
    5.4 填充与复制
    5.5 数据限幅
    5.6 高级操作
    5.7 经典数据集加载
    5.8 MNIST 测试实战
    5.9 参考文献
    第 6 章 神经网络
    6.1 感知机
    6.2 全连接层
    6.3 神经网络
    6.4 激活函数
    6.5 输出层设计
    6.6 误差计算
    6.7 神经网络类型
    6.8 油耗预测实战
    6.9 参考文献
    第 7 章 反向传播算法
    7.1 导数与梯度
    7.2 导数常见性质
    7.3 激活函数导数
    7.4 损失函数梯度
    7.5 全连接层梯度
    7.6 链式法则
    7.7 反向传播算法
    7.8 Himmelblau 函数优化实战
    7.9 反向传播算法实战
    7.10 参考文献
    第 8 章 Keras 高层接口
    8.1 常见功能模块
    8.2 模型装配、训练与测试
    8.3 模型保存与加载
    8.4 自定义类
    8.5 模型乐园
    8.6 测量工具
    8.7 可视化
    8.8 参考文献
    第 9 章 过拟合
    9.1 模型的容量
    9.2 过拟合与欠拟合
    9.3 数据集划分
    9.4 模型设计
    9.5 正则化
    9.6 Dropout
    9.7 数据增强
    9.8 过拟合问题实战
    9.9 参考文献
    第 10 章 卷积神经网络
    10.1 全连接网络的问题
    10.2 卷积神经网络
    10.3 卷积层实现
    10.4 LeNet-5 实战
    10.5 表示学习
    10.6 梯度传播
    10.7 池化层
    10.8 BatchNorm 层
    10.9 经典卷积网络
    10.10 CIFAR10 与 VGG13 实战
    10.11 卷积层变种
    10.12 深度残差网络
    10.13 DenseNet
    10.14 CIFAR10 与 ResNet18 实战
    10.15 参考文献
    第 11 章 循环神经网络
    11.1 序列表示方法
    11.2 循环神经网络
    11.3 梯度传播
    11.4 RNN 层使用方法
    11.5 RNN 情感分类问题实战
    11.6 梯度弥散和梯度爆炸
    11.7 RNN 短时记忆
    11.8 LSTM 原理
    11.9 LSTM 层使用方法
    11.10 GRU 简介
    11.11 LSTM/GRU 情感分类问题再战
    11.12 预训练的词向量
    11.13 参考文献
    第 12 章 自编码器
    12.1 自编码器原理
    12.2 MNIST 图片重建实战
    12.3 自编码器变种
    12.4 变分自编码器
    12.5 VAE 实战
    12.6 参考文献
    第 13 章 生成对抗网络
    13.1 博弈学习实例
    13.2 GAN 原理
    13.3 DCGAN 实战
    13.4 GAN 变种
    13.5 纳什均衡
    13.6 GAN 训练难题
    13.7 WGAN 原理
    13.8 WGAN-GP 实战
    13.9 参考文献
    第 14 章 强化学习
    14.1 先睹为快
    14.2 强化学习问题
    14.3 策略梯度方法
    14.4 值函数方法
    14.5 Actor-Critic 方法
    14.6 小结
    14.7 参考文献
    第 15 章 自定义数据集
    15.1 精灵宝可梦数据集
    15.2 自定义数据集加载流程
    15.3 宝可梦数据集实战
    15.4 迁移学习
    15.5 Saved_model
    15.6 模型部署