第1章 深度学习简介

1.1 起源

1.2 发展

1.3 成功案例

1.4 特点

小结

练习

第2章 预备知识

2.1 获取和运行本书的代码

2.1.1 获取代码并安装运行环境

2.1.2 更新代码和运行环境

2.1.3 使用GPU版的MXNet

小结

练习

2.2 数据操作

2.2.1 创建NDArray

2.2.2 运算

2.2.3 广播机制

2.2.4 索引

2.2.5 运算的内存开销

2.2.6 NDArray和NumPy相互变换

小结

练习

2.3 自动求梯度

2.3.1 简单例子

2.3.2 训练模式和预测模式

2.3.3 对Python控制流求梯度

小结

练习

2.4 查阅文档

2.4.1 查找模块里的所有函数和类

2.4.2 查找特定函数和类的使用

2.4.3 在MXNet网站上查阅

小结

练习

第3章 深度学习基础

3.1 线性回归

3.1.1 线性回归的基本要素

3.1.2 线性回归的表示方法

小结

练习

3.2 线性回归的从零开始实现

3.2.1 生成数据集

3.2.2 读取数据集

3.2.3 初始化模型参数

3.2.4 定义模型

3.2.5 定义损失函数

3.2.6 定义优化算法

3.2.7 训练模型

小结

练习

3.3 线性回归的简洁实现

3.3.1 生成数据集

3.3.2 读取数据集

3.3.3 定义模型

3.3.4 初始化模型参数

3.3.5 定义损失函数

3.3.6 定义优化算法

3.3.7 训练模型

小结

练习

3.4 softmax回归

3.4.1 分类问题

3.4.2 softmax回归模型

3.4.3 单样本分类的矢量计算表达式

3.4.4 小批量样本分类的矢量计算表达式

3.4.5 交叉熵损失函数

3.4.6 模型预测及评价

小结

练习

3.5 图像分类数据集（Fashion-MNIST）

3.5.1 获取数据集

3.5.2 读取小批量

小结

练习

3.6 softmax回归的从零开始实现

3.6.1 读取数据集

3.6.2 初始化模型参数

3.6.3 实现softmax运算

3.6.4 定义模型

3.6.5 定义损失函数

3.6.6 计算分类准确率

3.6.7 训练模型

3.6.8 预测

小结

练习

3.7 softmax回归的简洁实现

3.7.1 读取数据集

3.7.2 定义和初始化模型

3.7.3 softmax和交叉熵损失函数

3.7.4 定义优化算法

3.7.5 训练模型

小结

练习

3.8 多层感知机

3.8.1 隐藏层

3.8.2 激活函数

3.8.3 多层感知机

小结

练习

3.9 多层感知机的从零开始实现

3.9.1 读取数据集

3.9.2 定义模型参数

3.9.3 定义激活函数

3.9.4 定义模型

3.9.5 定义损失函数

3.9.6 训练模型

小结

练习

3.10 多层感知机的简洁实现

3.10.1 定义模型

3.10.2 训练模型

小结

练习

3.11 模型选择、欠拟合和过拟合

3.11.1 训练误差和泛化误差

3.11.2 模型选择

3.11.3 欠拟合和过拟合

3.11.4 多项式函数拟合实验

小结

练习

3.12 权重衰减

3.12.1 方法

3.12.2 高维线性回归实验

3.12.3 从零开始实现

3.12.4 简洁实现

小结

练习

3.13 丢弃法

3.13.1 方法

3.13.2 从零开始实现

3.13.3 简洁实现

小结

练习

3.14 正向传播、反向传播和计算图

3.14.1 正向传播

3.14.2 正向传播的计算图

3.14.3 反向传播

3.14.4 训练深度学习模型

小结

练习

3.15 数值稳定性和模型初始化

3.15.1 衰减和爆炸

3.15.2 随机初始化模型参数

小结

练习

3.16 实战Kaggle比赛：房价预测

3.16.1 Kaggle比赛

3.16.2 读取数据集

3.16.3 预处理数据集

3.16.4 训练模型

3.16.5 k折交叉验证

3.16.6 模型选择

3.16.7 预测并在Kaggle提交结果

小结

练习

第4章 深度学习计算

4.1 模型构造

4.1.1 继承Block类来构造模型

4.1.2 Sequential类继承自Block类

4.1.3 构造复杂的模型

小结

练习

4.2 模型参数的访问、初始化和共享

4.2.1 访问模型参数

4.2.2 初始化模型参数

4.2.3 自定义初始化方法

4.2.4 共享模型参数

小结

练习

4.3 模型参数的延后初始化

4.3.1 延后初始化

4.3.2 避免延后初始化

小结

练习

4.4 自定义层

4.4.1 不含模型参数的自定义层

4.4.2 含模型参数的自定义层

小结

练习

4.5 读取和存储

4.5.1 读写NDArray

4.5.2 读写Gluon模型的参数

小结

练习

4.6 GPU计算

4.6.1 计算设备

4.6.2 NDArray的GPU计算

4.6.3 Gluon的GPU计算

小结

练习

第5章 卷积神经网络

5.1 二维卷积层

5.1.1 二维互相关运算

5.1.2 二维卷积层

5.1.3 图像中物体边缘检测

5.1.4 通过数据学习核数组

5.1.5 互相关运算和卷积运算

5.1.6 特征图和感受野

小结

练习

5.2 填充和步幅

5.2.1 填充

5.2.2 步幅

小结

练习

5.3 多输入通道和多输出通道

5.3.1 多输入通道

5.3.2 多输出通道

5.3.3 1×1卷积层

小结

练习

5.4 池化层

5.4.1 二维最大池化层和平均池化层

5.4.2 填充和步幅

5.4.3 多通道

小结

练习

5.5 卷积神经网络（LeNet）

5.5.1 LeNet模型

5.5.2 训练模型

小结

练习

5.6 深度卷积神经网络（AlexNet）

5.6.1 学习特征表示

5.6.2 AlexNet

5.6.3 读取数据集

5.6.4 训练模型

小结

练习

5.7 使用重复元素的网络（VGG）

5.7.1 VGG块

5.7.2 VGG网络

5.7.3 训练模型

小结

练习

5.8 网络中的网络（NiN）

5.8.1 NiN块

5.8.2 NiN模型

5.8.3 训练模型

小结

练习

5.9 含并行连结的网络（GoogLeNet）

5.9.1 Inception块

5.9.2 GoogLeNet模型

5.9.3 训练模型

小结

练习

5.10 批量归一化

5.10.1 批量归一化层

5.10.2 从零开始实现

5.10.3 使用批量归一化层的LeNet

5.10.4 简洁实现

小结

练习

5.11 残差网络（ResNet）

5.11.1 残差块

5.11.2 ResNet模型

5.11.3 训练模型

小结

练习

5.12 稠密连接网络（DenseNet）

5.12.1 稠密块

5.12.2 过渡层

5.12.3 DenseNet模型

5.12.4 训练模型

小结

练习

第6章 循环神经网络

6.1 语言模型

6.1.1 语言模型的计算

6.1.2 n元语法

小结

练习

6.2 循环神经网络

6.2.1 不含隐藏状态的神经网络

6.2.2 含隐藏状态的循环神经网络

6.2.3 应用：基于字符级循环神经网络的语言模型

小结

练习

6.3 语言模型数据集（歌词）

6.3.1 读取数据集

6.3.2 建立字符索引

6.3.3 时序数据的采样

小结

练习

6.4 循环神经网络的从零开始实现

6.4.1 one-hot向量

6.4.2 初始化模型参数

6.4.3 定义模型

6.4.4 定义预测函数

6.4.5 裁剪梯度

6.4.6 困惑度

6.4.7 定义模型训练函数

6.4.8 训练模型并创作歌词

小结

练习

6.5 循环神经网络的简洁实现

6.5.1 定义模型

6.5.2 训练模型

小结

练习

6.6 通过时间反向传播

6.6.1 定义模型

6.6.2 模型计算图

6.6.3 方法

小结

练习

6.7 门控循环单元（GRU）

6.7.1 门控循环单元

6.7.2 读取数据集

6.7.3 从零开始实现

6.7.4 简洁实现

小结

练习

6.8 长短期记忆（LSTM）

6.8.1 长短期记忆

6.8.2 读取数据集

6.8.3 从零开始实现

6.8.4 简洁实现

小结

练习

6.9 深度循环神经网络

小结

练习

6.10 双向循环神经网络

小结

练习

第7章 优化算法

7.1 优化与深度学习

7.1.1 优化与深度学习的关系

7.1.2 优化在深度学习中的挑战

小结

练习

7.2 梯度下降和随机梯度下降

7.2.1 一维梯度下降

7.2.2 学习率

7.2.3 多维梯度下降

7.2.4 随机梯度下降

小结

练习

7.3 小批量随机梯度下降

7.3.1 读取数据集

7.3.2 从零开始实现

7.3.3 简洁实现

小结

练习

7.4 动量法

7.4.1 梯度下降的问题

7.4.2 动量法

7.4.3 从零开始实现

7.4.4 简洁实现

小结

练习

7.5 AdaGrad算法

7.5.1 算法

7.5.2 特点

7.5.3 从零开始实现

7.5.4 简洁实现

小结

练习

7.6 RMSProp算法

7.6.1 算法

7.6.2 从零开始实现

7.6.3 简洁实现

小结

练习

7.7 AdaDelta算法

7.7.1 算法

7.7.2 从零开始实现

7.7.3 简洁实现

小结

练习

7.8 Adam算法

7.8.1 算法

7.8.2 从零开始实现

7.8.3 简洁实现

小结

练习

第8章 计算性能

8.1 命令式和符号式混合编程

8.1.1 混合式编程取两者之长

8.1.2 使用HybridSequential类构造模型

8.1.3 使用HybridBlock类构造模型

小结

练习

8.2 异步计算

8.2.1 MXNet中的异步计算

8.2.2 用同步函数让前端等待计算结果

8.2.3 使用异步计算提升计算性能

8.2.4 异步计算对内存的影响

小结

练习

8.3 自动并行计算

8.3.1 CPU和GPU的并行计算

8.3.2 计算和通信的并行计算

小结

练习

8.4 多GPU计算

8.4.1 数据并行

8.4.2 定义模型

8.4.3 多GPU之间同步数据

8.4.4 单个小批量上的多GPU训练

8.4.5 定义训练函数

8.4.6 多GPU训练实验

小结

练习

8.5 多GPU计算的简洁实现

8.5.1 多GPU上初始化模型参数

8.5.2 多GPU训练模型

小结

练习

第9章 计算机视觉

9.1 图像增广

9.1.1 常用的图像增广方法

9.1.2 使用图像增广训练模型

小结

练习

9.2 微调

热狗识别

小结

练习

9.3 目标检测和边界框

边界框

小结

练习

9.4 锚框

9.4.1 生成多个锚框

9.4.2 交并比

9.4.3 标注训练集的锚框

9.4.4 输出预测边界框

小结

练习

9.5 多尺度目标检测

小结

练习

9.6 目标检测数据集（皮卡丘）

9.6.1 获取数据集

9.6.2 读取数据集

9.6.3 图示数据

小结

练习

9.7 单发多框检测（SSD）

9.7.1 定义模型

9.7.2 训练模型

9.7.3 预测目标

小结

练习

9.8 区域卷积神经网络（R-CNN）系列

9.8.1 R-CNN

9.8.2 Fast R-CNN

9.8.3 Faster R-CNN

9.8.4 Mask R-CNN

小结

练习

9.9 语义分割和数据集

9.9.1 图像分割和实例分割

9.9.2 Pascal VOC2012语义分割数据集

小结

练习

9.10 全卷积网络（FCN）

9.10.1 转置卷积层

9.10.2 构造模型

9.10.3 初始化转置卷积层

9.10.4 读取数据集

9.10.5 训练模型

9.10.6 预测像素类别

小结

练习

9.11 样式迁移

9.11.1 方法

9.11.2 读取内容图像和样式图像

9.11.3 预处理和后处理图像

9.11.4 抽取特征

9.11.5 定义损失函数

9.11.6 创建和初始化合成图像

9.11.7 训练模型

小结

练习

9.12 实战Kaggle比赛：图像分类（CIFAR-10）

9.12.1 获取和整理数据集

9.12.2 图像增广

9.12.3 读取数据集

9.12.4 定义模型

9.12.5 定义训练函数

9.12.6 训练模型

9.12.7 对测试集分类并在Kaggle提交结果

小结

练习

9.13 实战Kaggle比赛：狗的品种识别（ImageNet Dogs）

9.13.1 获取和整理数据集

9.13.2 图像增广

9.13.3 读取数据集

9.13.4 定义模型

9.13.5 定义训练函数

9.13.6 训练模型

9.13.7 对测试集分类并在Kaggle提交结果

小结

练习

第10章 自然语言处理

10.1 词嵌入（word2vec）

10.1.1 为何不采用one-hot向量

10.1.2 跳字模型

10.1.3 连续词袋模型

小结

练习

10.2 近似训练

10.2.1 负采样

10.2.2 层序softmax

小结

练习

10.3 word2vec的实现

10.3.1 预处理数据集

10.3.2 负采样

10.3.3 读取数据集

10.3.4 跳字模型

10.3.5 训练模型

10.3.6 应用词嵌入模型

小结

练习

10.4 子词嵌入（fastText）

小结

练习

10.5 全局向量的词嵌入（GloVe）

10.5.1 GloVe模型

10.5.2 从条件概率比值理解GloVe模型

小结

练习

10.6 求近义词和类比词

10.6.1 使用预训练的词向量

10.6.2 应用预训练词向量

小结

练习

10.7 文本情感分类：使用循环神经网络

10.7.1 文本情感分类数据集

10.7.2 使用循环神经网络的模型

小结

练习

10.8 文本情感分类：使用卷积神经网络（textCNN）

10.8.1 一维卷积层

10.8.2 时序最大池化层

10.8.3 读取和预处理IMDb数据集

10.8.4 textCNN模型

小结

练习

10.9 编码器－解码器（seq2seq）

10.9.1 编码器

10.9.2 解码器

10.9.3 训练模型

小结

练习

10.10 束搜索

10.10.1 贪婪搜索

10.10.2 穷举搜索

10.10.3 束搜索

小结

练习

10.11 注意力机制

10.11.1 计算背景变量

10.11.2 更新隐藏状态

10.11.3 发展

小结

练习

10.12 机器翻译

10.12.1 读取和预处理数据集

10.12.2 含注意力机制的编码器－解码器

10.12.3 训练模型

10.12.4 预测不定长的序列

10.12.5 评价翻译结果

小结

练习

附录A 数学基础

附录B 使用Jupyter记事本

附录C 使用AWS运行代码

附录D GPU购买指南

附录E 如何为本书做贡献

附录F d2lzh包索引

附录G 中英文术语对照表

参考文献

索引