深刻理解深度学习原理；学习深度神经网络的Python代码实现方法

*   01 课程介绍/

  *   01 课程介绍

*   02 深度学习的发展与应用/

  *   01 深度学习的发展简史与特点

  *   02 深度学习的典型应用

*   03 神经网络基本知识/

  *   01 神经元

  *   02 感知机

  *   03 多层感知机

  *   04 Python代码实现：逻辑门运算

  *   05 Python代码实现：激活函数

  *   06 Python代码实现：感知机

  *   07 Softmax函数与多分类

  *   08 多层感知机应用：MNIST手写数字数据集

  *   09 多层感知机应用：MNIST数据集实践

*   04 神经网络的学习/

  *   01 训练流程、优化目标、损失函数

  *   02 梯度下降算法

  *   03 反向传播算法简要介绍

  *   04 基于计算图理解反向传播

  *   05 反向传播算法的数学推导

  *   06 批量梯度下降策略

  *   07 梯度下降改进优化算法

  *   08 Python代码实现：梯度计算

  *   09 Python代码实现：梯度下降改进优化算法

  *   10 Python代码实现：优化算法比较

  *   11 Python代码实现：全连接层

  *   12 Python代码实现：全连接网络训练MNIST数据集

*   05 神经网络实践技巧/

  *   01 数据增强

  *   02 数据预处理

  *   03 参数初始化

  *   04 超参数设定

  *   05 过拟合与避免

  *   06 网络正则化

  *   07 Python代码实现：dropout层

  *   08 Python代码实现：MNIST数据集上梯度下降优化算法比较

  *   09 Python代码实现：权重初始化

  *   10 Python代码实现：批归一化

  *   11 Python代码实现：权重衰减

  *   12 Python代码实现：超参数搜索

*   06 卷积神经网络的原理与实现/

  *   01 常用神经网络模型

  *   02 卷积神经网络：网络架构

  *   03 卷积神经网络：卷积层

  *   04 卷积神经网络：卷积加速方法img2col

  *   05 卷积神经网络：激活函数层

  *   06 卷积神经网络：池化层

  *   07 卷积神经网络：批归一化层

  *   08 卷积神经网络：全连接层

  *   09 卷积神经网络：运算过程动图演示

  *   10 卷积神经网络：LeNet-5

  *   11 Python代码实现：im2col

  *   12 Python代码实现：卷积层

  *   13 Python代码实现：激活函数层

  *   14 Python代码实现：池化层

  *   15 Python代码实现：批归一化层

  *   16 Python代码实现：MNIST数据集上卷积神经网络训练

*   07 循环神经网络的原理与实现/

  *   01 循环神经网络 RNN

  *   02 循环神经网络 LSTM

  *   03 循环神经网络 GRU

  *   04 自然语言处理：语言模型、词嵌入、perplexity

  *   05 自然语言处理：PTB文本数据集

  *   06 Python代码实现：RNN

  *   07 Python代码实现：LSTM

  *   08 Python代码实现：GRU

  *   09 Python代码实现：使用RNN训练PTB数据集上的语言模型

  *   10 Python代码实现：使用LSTM训练PTB数据集上的语言模

*   08 课程代码下载/

  *   01 课程代码下载

*   09 结课测试/

  *   01 结课测试