《动手学深度学习》

• 前言
• 安装
• 符号

• 1. Appendix: Tools for Deep Learning
  • 1.1. 使用Jupyter Notebook
  • 1.2. 使用Amazon SageMaker
  • 1.3. 使用Amazon EC2实例
  • 1.4. 选择服务器和GPU
  • 1.5. 为本书做贡献
  • 1.6. Utility Functions and Classes
  • 1.7. d2l API 文档
• 2. 引言
  • 2.1. 日常生活中的机器学习
  • 2.2. 机器学习中的关键组件
  • 2.3. 各种机器学习问题
  • 2.4. 起源
  • 2.5. 深度学习的发展
  • 2.6. 深度学习的成功案例
  • 2.7. 特点
  • 2.8. 小结
  • 2.9. 练习
• 3. 预备知识
  • 3.1. 数据操作
  • 3.2. 数据预处理
  • 3.3. 线性代数
  • 3.4. 微积分
  • 3.5. 自动微分
  • 3.6. 概率
  • 3.7. 查阅文档
• 4. 线性神经网络
  • 4.1. 线性回归
  • 4.2. 线性回归的从零开始实现
  • 4.3. 线性回归的简洁实现
  • 4.4. softmax回归
  • 4.5. 图像分类数据集
  • 4.6. softmax回归的从零开始实现
  • 4.7. softmax回归的简洁实现
• 5. 多层感知机
  • 5.1. 多层感知机
  • 5.2. 多层感知机的从零开始实现
  • 5.3. 多层感知机的简洁实现
  • 5.4. 模型选择、欠拟合和过拟合
  • 5.5. 权重衰减
  • 5.6. 暂退法（Dropout）
  • 5.7. 前向传播、反向传播和计算图
  • 5.8. 数值稳定性和模型初始化
  • 5.9. 环境和分布偏移
  • 5.10. 实战Kaggle比赛：预测房价
• 6. 深度学习计算
  • 6.1. 层和块
  • 6.2. 参数管理
  • 6.3. 自定义层
  • 6.4. 读写文件
• 7. 卷积神经网络
  • 7.1. 从全连接层到卷积
  • 7.2. 图像卷积
  • 7.3. 填充和步幅
  • 7.4. 多输入多输出通道
  • 7.5. 汇聚层
  • 7.6. 卷积神经网络（LeNet）
• 8. 现代卷积神经网络
  • 8.1. 深度卷积神经网络（AlexNet）
  • 8.2. 批量规范化
  • 8.3. 残差网络（ResNet）
  • 8.4. 稠密连接网络（DenseNet）
• 9. 循环神经网络
  • 9.1. 序列模型
  • 9.2. 文本预处理
  • 9.3. 语言模型和数据集
  • 9.4. 循环神经网络
  • 9.5. 循环神经网络的从零开始实现
  • 9.6. 循环神经网络的简洁实现
  • 9.7. 通过时间反向传播
• 10. 现代循环神经网络
  • 10.1. 门控循环单元（GRU）
  • 10.2. 长短期记忆网络（LSTM）
  • 10.3. 深度循环神经网络
  • 10.4. 机器翻译与数据集
• 11. 注意力机制
  • 11.1. 注意力提示
  • 11.2. 注意力汇聚：Nadaraya-Watson 核回归
  • 11.3. 注意力评分函数
  • 11.4. Bahdanau 注意力
  • 11.5. 多头注意力
  • 11.6. 自注意力和位置编码
  • 11.7. Transformer
• 12. 计算机视觉
  • 12.1. 图像增广
  • 12.2. 微调
  • 12.3. 目标检测和边界框
  • 12.4. 锚框
  • 12.5. 多尺度目标检测
  • 12.6. 目标检测数据集
  • 12.7. 单发多框检测（SSD）
  • 12.8. 区域卷积神经网络（R-CNN）系列
  • 12.9. 语义分割和数据集
  • 12.10. 转置卷积
  • 12.11. 实战 Kaggle 比赛：图像分类 (CIFAR-10)