《動手學深度學習》TensorFlow2.0版本

對於剛入門深度學習的童鞋，這裏分享下大神們開源的將《動手學深度學習》 原書中MXNet代碼實現改爲TensorFlow2.0實現，歡迎入坑，這是一個非常棒的入門手冊，github代碼。

目錄

• 簡介
• 閱讀指南
• 1. 深度學習簡介
• 2. 預備知識
  • 2.1 環境配置
  • 2.2 數據操作
  • 2.3 自動求梯度
  • 2.4 查閱文檔
• 3. 深度學習基礎
  • 3.1 線性迴歸
  • 3.2 線性迴歸的從零開始實現
  • 3.3 線性迴歸的簡潔實現
  • 3.4 softmax迴歸
  • 3.5 圖像分類數據集（Fashion-MNIST）
  • 3.6 softmax迴歸的從零開始實現
  • 3.7 softmax迴歸的簡潔實現
  • 3.8 多層感知機
  • 3.9 多層感知機的從零開始實現
  • 3.10 多層感知機的簡潔實現
  • 3.11 模型選擇、欠擬合和過擬合
  • 3.12 權重衰減
  • 3.13 丟棄法
  • 3.14 正向傳播、反向傳播和計算圖
  • 3.15 數值穩定性和模型初始化
  • 3.16 實戰Kaggle比賽：房價預測
• 4. 深度學習計算
  • 4.1 模型構造
  • 4.2 模型參數的訪問、初始化和共享
  • 4.3 模型參數的延後初始化
  • 4.4 自定義層
  • 4.5 讀取和存儲
  • 4.6 GPU計算
• 5. 卷積神經網絡
  • 5.1 二維卷積層
  • 5.2 填充和步幅
  • 5.3 多輸入通道和多輸出通道
  • 5.4 池化層
  • 5.5 卷積神經網絡（LeNet）
  • 5.6 深度卷積神經網絡（AlexNet）
  • 5.7 使用重複元素的網絡（VGG）
  • 5.8 網絡中的網絡（NiN）
  • 5.9 含並行連結的網絡（GoogLeNet）
  • 5.10 批量歸一化
  • 5.11 殘差網絡（ResNet）
  • 5.12 稠密連接網絡（DenseNet）
• 6. 循環神經網絡
  • 6.1 語言模型
  • 6.2 循環神經網絡
  • 6.3 語言模型數據集（周杰倫專輯歌詞）
  • 6.4 循環神經網絡的從零開始實現
  • 6.5 循環神經網絡的簡潔實現
  • 6.6 通過時間反向傳播
  • 6.7 門控循環單元（GRU）
  • 6.8 長短期記憶（LSTM）
  • 6.9 深度循環神經網絡
  • 6.10 雙向循環神經網絡
• 7. 優化算法
  • 7.1 優化與深度學習
  • 7.2 梯度下降和隨機梯度下降
  • 7.3 小批量隨機梯度下降
  • 7.4 動量法
  • 7.5 AdaGrad算法
  • 7.6 RMSProp算法
  • 7.7 AdaDelta算法
  • 7.8 Adam算法
• 8. 計算性能
  • 8.1 命令式和符號式混合編程
  • 8.2 異步計算
  • 8.3 自動並行計算
  • 8.4 多GPU計算
• 9. 計算機視覺
  • 9.1 圖像增廣
  • 9.2 微調
  • 9.3 目標檢測和邊界框
  • 9.4 錨框
  • 9.5 多尺度目標檢測
  • 9.6 目標檢測數據集（皮卡丘）
  • 待更新...
• 10. 自然語言處理
  • 10.1 詞嵌入（word2vec）
  • 10.2 近似訓練
  • 10.3 word2vec的實現
  • 10.4 子詞嵌入（fastText）
  • 10.5 全局向量的詞嵌入（GloVe）
  • 10.6 求近義詞和類比詞
  • 10.7 文本情感分類：使用循環神經網絡
  • 10.8 文本情感分類：使用卷積神經網絡（textCNN）
  • 10.9 編碼器—解碼器（seq2seq）
  • 10.10 束搜索
  • 10.11 注意力機制
  • 10.12 機器翻譯

持續更新中......