神经网络与深度学习 michael 中文版 PDF 文档

Question

这本书最初是我学习 Neural Networks and Deep Learning 时做的中文笔记，因为原书中有很多数学公式，所以我用 LATEX 来编写和排版，并将所有 LATEX 源码放置在 GitHub。其中部分内容取自 Xiaohu Zhu 已经完成的翻译来避免重复的工作。

第三、第四章的部分内容和原文略有不同。原文中这两章的部分图形提供了交互式的形式，而在这本中文版中则全部换成了静态图形。你可以在原文网⻚上试试调节对应图像的可操作的参数加深理解，但仅阅读中文版本也不会有任何障碍。

如果你对此中译本有任何建议和意⻅，欢迎以 issue 的方式提交到 GitHub 项目主⻚。

版权
目录
关于作者
关于本书翻译
前言
这本书是关于什么的？
关于练习和问题
使用神经网络识别手写数字
感知器
S型神经元
神经网络的架构
一个简单的分类手写数字的网络
使用梯度下降算法进行学习
实现我们的网络来分类数字
迈向深度学习
反向传播算法如何工作
热身：神经网络中使用矩阵快速计算输出的方法
关于代价函数的两个假设
Hadamard 乘积，s t
反向传播的四个基本方程
四个基本方程的证明（可选）
反向传播算法
代码
在哪种层面上，反向传播是快速的算法？
反向传播：全局观
改进神经网络的学习方法
交叉熵代价函数
引入交叉熵代价函数
使用交叉熵来对 MNIST 数字进行分类
交叉熵的含义？源自哪里？
柔性最大值
过度拟合和规范化
规范化
为何规范化可以帮助减轻过度拟合
规范化的其他技术
权重初始化
再看手写识别问题：代码
如何选择神经网络的超参数
其它技术
随机梯度下降的变化形式
人工神经元的其他模型
有关神经网络的故事
神经网络可以计算任何函数的可视化证明
两个预先声明
一个输入和一个输出的普遍性
多个输入变量
S 型神经元的延伸
修补阶跃函数
结论
深度神经网络为何很难训练
消失的梯度问题
什么导致了消失的梯度问题？深度神经网络中的梯度不稳定性
在更加复杂网络中的不稳定梯度
其它深度学习的障碍
深度学习
介绍卷积网络
卷积神经网络在实际中的应用
卷积网络的代码
图像识别领域中的近期进展
其他的深度学习模型
神经网络的未来
是否有关于智能的一个简单的算法？
修订历史
索引
看到这了

下载地址：https://www.wenjiangs.com/wp-content/uploads/2023/02/fer0pM0GCKzOeAvX.zip

在线阅读：https://www.wenjiangs.com/docs/neural-network-and-deep-learning