AI應用開發基礎傻瓜書系列的目錄~

寫在前面，為啥要出這個系列的教程呢？

總的說來，我們現在有了很多非常厲害的深度學習框架，比如tensorflow，pytorch，paddlepaddle，caffe2等等等等。然而，我們用這些框架在搭建我們自己的深度學習模型的時候，到底做了一些什么樣的操作呢？我們試圖去閱讀框架的源碼來理解框架到底幫助我們做了些什么，但是……很難！很難！很難！因為深度學習是需要加速啦，分布式計算啦，所以框架做了很多很多的優化，也讓像我們這樣的小白難以理解這些框架的源碼。所以，為了幫助大家更進一步的了解神經網絡模型的具體內容，我們整理了這樣一個系列的教程。

對于這份教程的內容，如果沒有額外的說明，我們通常使用如下表格的命名約定

符號含義

X	輸入樣本
Y	輸入樣本的標簽
Z	各層運算的結果
A	激活函數結果
大寫字母	矩陣或矢量，如A,W,B
小寫字母	變量，標量，如a,w,b

適用范圍

沒有各種基礎想學習卻無從下手哀聲嘆氣的玩家，請按時跟蹤最新博客，推導數學公式，跑通代碼，并及時提出問題，以求最高療效；

深度學習小白，有直觀的人工智能的認識，強烈的學習欲望和需求，請在博客的基礎上配合代碼食用，效果更佳；

調參師，訓練過模型，調過參數，想了解框架內各層運算過程，給玄學的調參之路添加一點心理保障；

超級高手，提出您寶貴的意見，給廣大初學者指出一條明路！

前期準備

環境：

windows（Linux也行），python（最好用3），anaconda（或者自己裝numpy之類的），tensorflow（嫌麻煩地請看這里《AI應用開發實戰 -
從零開始配置環境》，tools
for AI（按照鏈接教程走的就不用管這個了）。

自己：

清醒的頭腦（困了的同學請自覺泡茶），紙和筆（如果像跟著推公式的話），鬧鐘（防止久坐按時起來轉轉），厚厚的衣服（有暖氣的同學請忽略）

目錄

• Content
• 01.0-神經網絡的基本工作原理
• 01.1-基本數學導數公式
• 01.2-Python-Numpy庫的點滴
• 02.0-反向傳播與梯度下降
• 02.1-線性反向傳播
• 02.2-非線性反向傳播
• 02.3-梯度下降
• 03.0-損失函數
• 03.1-均方差損失函數
• 03.2-交叉熵損失函數
• 04.0-單入單出單層-單變量線性回歸
• 04.1-最小二乘法
• 04.2-梯度下降法
• 04.3-神經網絡法
• 04.4-梯度下降的三種形式
• 04.5-實現邏輯非門
• 05.0-多入單出單層-多變量線性回歸
• 05.1-正規方程法
• 05.2-神經網絡法
• 05.3-樣本特征數據的歸一化
• 05.4-歸一化的后遺癥
• 05.5-正確的推理方法
• 05.6-歸一化標簽值
• 06.0-多入多出單層神經網絡-多變量線性分類
• 06.1-二分類原理
• 06.2-線性二分類實現
• 06.3-線性二分類結果可視化
• 06.4-多分類原理
• 06.5-線性多分類實現
• 06.6-線性多分類結果可視化
• 07.0-激活函數
• 07.1-擠壓型激活函數
• 07.2-半線性激活函數
• 07.3-用雙曲正切函數分類
• 07.4-實現邏輯與門和或門
• 08.0-單入單出雙層-萬能近似定理
• 08.1-雙層擬合網絡的原理
• 08.2-雙層擬合網絡的實現
• 09.0-多入多出雙層-雙變量非線性分類
• 09.1-實現邏輯異或門
• 09.2-理解二分類的工作原理
• 09.3-非線性多分類
• 09.4-理解多分類的工作原理
• 10.0-調參與優化
• 10.1-權重矩陣初始化
• 10.2-參數調優
• 10.3-搜索最優學習率
• 10.4-梯度下降優化算法
• 10.5-自適應學習率算法
• 11.0-深度學習基礎
• 11.1-三層神經網絡的實現
• 11.2-驗證與測試
• 11.3-梯度檢查
• 11.4-手工測試訓練效果
• 11.5-搭建深度神經網絡框架
• 12.0-卷積神經網絡
• 12.1-卷積
• 12.2-池化
• 14.1-神經網絡模型概述
• 14.2-Windows模型的部署
• 14.3-Android模型的部署

總結

以上是生活随笔為你收集整理的AI应用开发基础傻瓜书系列目录的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。