Python神经网络编程
章节
原则
图版
术语
图版库
把这本书里最适合随手复盘的图表、图解和结构图单独拎出来
全部
封面
图解
图表
表格
清单
封面
封面：把神经网络拆到可以亲手写出来
前言 从可手写的神经网络开始
图解
从直觉、代码到实验的学习阶梯
前言 从可手写的神经网络开始
图解
简单预测机：从千米到英里的映射直觉
第1章 神经网络如何工作
图表
分类边界如何被训练样本一步步推正
第1章 神经网络如何工作
图解
三层神经网络示例：输入、隐藏层与输出层
第1章 神经网络如何工作
表格
误差如何以矩阵形式回传到隐藏层
第1章 神经网络如何工作
清单
神经网络类骨架：初始化、训练、查询
第2章 使用Python进行DIY
图表
逻辑 S 函数：为什么输出要被压到 0 到 1 之间
第2章 使用Python进行DIY
图解
MNIST 训练流程：读取、缩放、编码、训练、测试
第2章 使用Python进行DIY
表格
自己的手写数字与噪声测试样本
第3章 趣味盎然
表格
像素数组与测试样本的对应关系
第3章 趣味盎然
图解
正常正向查询与反向向后查询
第3章 趣味盎然
表格
旋转增广：同一个数字的多个合理变化
第3章 趣味盎然
图表
性能与世代：增广角度如何影响结果
第3章 趣味盎然
图解
变化率就是斜率：微积分直觉的最小入口
附录A 微积分简介
表格
误差对权重的偏导数到底在问什么
附录A 微积分简介
图解
从局部斜率到梯度更新的桥接图
附录A 微积分简介
封面
树莓派 Zero：低成本也能跑神经网络实验
附录B 使用树莓派来工作
图表
树莓派上的 Jupyter 环境
附录B 使用树莓派来工作
图解
低配实验室：参数、时间与算力的取舍
附录B 使用树莓派来工作
