课程相关资料
- 课程的直播地址：http://courses.d2l.ai/zh-v2/
- 课程的课件地址：https://zh-v2.d2l.ai/
- 另一个可参考的笔记：https://tangshusen.me/Dive-into-DL-PyTorch
本笔记的目录
ch01. 预备知识
1.1. 数据操作
1.2. 数据预处理
1.3. 线性代数
1.4. 微分
1.5. 自动求导
1.6. 概率
ch02. 线性神经网络
2.1. 线性回归
2.2. 线性回归的从零开始实现
2.3. 线性回归的简洁实现
2.4. softmax回归
2.5. 图像分类数据集
2.6. softmax回归的从零开始实现
2.7. softmax回归的简洁实现
ch03. 多层感知机
3.1. 多层感知机
3.2. 多层感知机的从零开始实现
3.3. 多层感知机的简洁实现
3.4. 模型选择、欠拟合和过拟合
3.5. 权重衰减
3.6. Dropout
3.7. 正向传播、反向传播和计算图
3.8. 数值稳定性和模型初始化
3.9. 环境和分布偏移
3.10. 实战 Kaggle 比赛：预测房价
ch04. 深度学习计算
4.1. 层和块
4.2. 参数管理
4.3. 延后初始化
4.4. 自定义层
4.5. 读写文件
4.6. GPU
ch05. 卷积神经网络
5.1. 二维卷积层
5.2. 填充和步幅
5.3. 多输入多输出通道
5.4. 池化层
5.5. 卷积神经网络（LeNet）
5.6. 深度卷积神经网络（AlexNet）
5.7. 使用重复元素的网络（VGG）
5.8. 网络中的网络（NiN）
5.9. 含并行连结的网络（GoogLeNet）
5.10. 批量归一化
5.11. 残差网络（ResNet）
5.12. 稠密连接网络（DenseNet）
ch06. 计算机视觉
6.1. 图像增广
6.2. 微调
6.3. 目标检测和边界框
6.4. 锚框
6.5. 多尺度目标检测
6.6. 目标检测数据集（皮卡丘）
6.7. 单发多框检测（SSD）
6.8. 区域卷积神经网络（R-CNN）系列
6.9. 语义分割和数据集
6.10. 转置卷积
6.11. 全卷积网络
6.12. 样式迁移
ch07. 循环神经网络
7.1. 语言模型
7.2. 循环神经网络
7.3. 语言模型数据集（周杰伦专辑歌词）
7.4. 循环神经网络的从零开始实现
7.5. 循环神经网络的简洁实现
7.6. 通过时间反向传播
7.7. 门控循环单元（GRU）
7.8. 长短期记忆（LSTM）
7.9. 深度循环神经网络
7.10. 双向循环神经网络
7.11. 机器翻译与数据集
7.12. 编码器-解码器结构