猎猫骑巨兽的博客

粗读《Python 深度学习》（7）第八章 生成式深度学习8.1 使用 LSTM 生成文本8.1.1 生成式循环网络简史（略）8.1.2 如何生成序列数据8.1.3 采样策略的重要性8.1.4 实现字符级的 LSTM 文本生成8.1.5 小结第八章 生成式深度学习人工智能模拟人类思维过程的可能性，并不局限于被动性任务（比如目标识别）和大多数反应性任务（比如驾驶汽车），它还包括创造性活动。很大一部分的艺术创作都是简单的模式识别与专业技能。这正是很多人认为没有吸引力、甚至可有可无的那部分过程。这也正是人工智

粗读《Python 深度学习》（6）第七章 高级的深度学习实践7.1 不用 Sequential 模型的解决方案：Keras 函数式 API7.1.1 函数式 API 简介7.1.2 多输入模型7.1.3 多输出模型7.1.4 层组成的有向无环图7.1.5 共享层权重7.1.6 将模型作为层7.1.7 小结第七章 高级的深度学习实践7.1 不用 Sequential 模型的解决方案：Keras 函数式 API此前介绍的所有神经网络都是用 Sequential 模型实现的。Sequential 模型假设

粗读《Python 深度学习》（5）第六章 深度学习用于文本和序列6.1 处理文本数据6.1.1 词和字符的 one-hot 编码6.1.2 使用词嵌入6.1.3 整合在一起：从原始文本到词嵌入6.1.4 小结6.2 理解循环神经网络6.2.1 Keras 中的循环层6.2.2 理解 LSTM 层和 GRU 层6.2.3 Keras 中一个 LSTM 的具体例子6.2.4 小结6.3 循环神经网络的高级用法6.3.1 温度预测问题6.3.2 准备数据6.3.3 一种基于常识的、非机器学习的基准方法6.3.4

粗读《Python 深度学习》（4）第五章 深度学习用于计算机视觉5.1 卷积神经网络简介5.1.1 卷积运算5.1.2 最大池化运算5.2 在小型数据集上从头开始训练一个卷积神经网络5.2.1 深度学习与小数据问题的相关性5.2.2 下载数据5.2.3 构建网络5.2.4 数据预处理5.2.5 使用数据增强5.3 使用预训练的卷积神经网络5.3.1 特诊提取5.3.2 微调模型5.3.3 小结5.4 卷积神经网络的可视化5.4.1 可视化中间激活5.4.2 可视化卷积神经网络的过滤器5.4.3 可视化类激

粗读《Python 深度学习》（3）第四章 机器学习基础4.1 机器学习的四个分支4.1.1 监督学习4.1.2 无监督学习4.1.3 自监督学习4.1.4 强化学习4.2 评估机器学习模型4.2.1 训练集、验证集和测试集4.2.2 评估模型的注意事项4.3 数据预处理、特征工程和特征学习4.3.1 神经网络的数据预处理4.3.2 特征工程4.4 过拟合和欠拟合4.4.1 减小网络大小4.4.2 添加权重正则化4.4.3 添加 dropout 正则化4.5 机器学习的通用工作流程4.5.1 定义问题，收集

粗读《Python 深度学习》（2）第三章 神经网络入门3.1 神经网络剖析3.1.1 层：深度学习的基础组件3.1.2 模型：层构成的网络3.1.3 损失函数与优化器：配置学习过程的关键3.2 Keras 简介3.2.1 Keras、TensorFlow、Theano 和 CNTK3.2.2 使用 Keras 开发：概述3.3 建立深度学习工作站3.3.1 Jupyter 笔记本：运行深度学习实验的首选方法3.3.2 运行 Keras：两种选择3.3.3 在云端运行深度学习任务：优点和缺点3.3.4 深度

粗读《Python 深度学习》（1）第二章2.1 初始神经网络2.2 神经网络的数据表示2.2.1 标量（0D 张量）2.2.2 向量（1D 张量）2.2.3 矩阵（2D 张量）2.2.4 3D 张量与更高维张量第二章2.1 初始神经网络此处以手写数字图像分类为例，使用 MNIST 数据集，包含 60 000 张训练图像和 10 000 张测试图像，图像大小为 28*28。1、加载 Keras 中的 MNIST 数据集from keras.datasets import mnist(train