动手学深度学习 + TF2.0开源项目，不容错过

导读：保举一个开源项目，将《动手学深度学习》原书中的MXNet实现改为TensorFlow 2.0实现，适合系统化学习深度学习和TF2.0实战。

• 简介
  
• 阅读指南
  
• 1. 深度学习简介
  
• 2. 预备常识
  
  
  
  • 2.1 环境配置
    
  • 2.2 数据操作
    
  • 2.3 自动求梯度
    
  • 2.4 查阅文档
    
  
  
• 3. 深度学习基础
  
  
  
  • 3.1 线性回归
    
  • 3.2 线性回归的从零开始实现
    
  • 3.3 线性回归的简洁实现
    
  • 3.4 softmax回归
    
  • 3.5 图像分类数据集（Fashion-MNIST）
    
  • 3.6 softmax回归的从零开始实现
    
  • 3.7 softmax回归的简洁实现
    
  • 3.8 多层感知机
    
  • 3.9 多层感知机的从零开始实现
    
  • 3.10 多层感知机的简洁实现
    
  • 3.11 模型选择、欠拟合和过拟合
    
  • 3.12 权重衰减
    
  • 3.13 丢弃法
    
  • 3.14 正向传布、反向传布和计算图
    
  • 3.15 数值不变性和模型初始化
    
  • 3.16 实战Kaggle比赛：房价预测
    
  
  
• 4. 深度学习计算
  
  
  
  • 4.1 模型构造
    
  • 4.2 模型参数的访谒、初始化和共享
    
  • 4.3 模型参数的延后初始化
    
  • 4.4 自定义层
    
  • 4.5 读取和存储
    
  • 4.6 GPU计算
    
  
  
• 5. 卷积神经网络
  
  
  
  • 5.1 二维卷积层
    
  • 5.2 填充和步幅
    
  • 5.3 多输入通道和多输出通道
    
  • 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 使用反复元素的网络（VGG）
    
  • 5.8 网络中的网络（NiN）
    
  • 5.9 含并行保持的网络（GoogLeNet）
    
  • 5.10 批量归一化
    
  • 5.11 残差网络（ResNet）
    
  • 5.12 稠密连接网络（DenseNet）
    
  
  
• 6. 循环神经网络
  
  
  
  • 6.1 语言模型
    
  • 6.2 循环神经网络
    
  • 6.3 语言模型数据集（周杰伦专辑歌词）
    
  • 6.4 循环神经网络的从零开始实现
    
  • 6.5 循环神经网络的简洁实现
    
  • 6.6 通过时间反向传布
    
  • 6.7 门控循环单元（GRU）
    
  • 6.8 长短期记忆（LSTM）
    
  • 6.9 深度循环神经网络
    
  • 6.10 双向循环神经网络
    
  
  
• 7. 优化算法
  
  
  
  • 7.1 优化与深度学习
    
  • 7.2 梯度下降和随机梯度下降
    
  • 7.3 小批量随机梯度下降
    
  • 7.4 动量法
    
  • 7.5 AdaGrad算法
    
  • 7.6 RMSProp算法
    
  • 7.7 AdaDelta算法
    
  • 7.8 Adam算法
    
  
  
• 8. 计算性能
  
  
  
  • 8.1 命令式和符号式混合编程
    
  • 8.2 异步计算
    
  • 8.3 自动并行计算
    
  • 8.4 多GPU计算
    
  
  
• 9. 计算机视觉
  
  
  
  • 9.1 图像增广
    
  • 9.2 微调
    
  • 9.3 方针检测和边界框
    
  • 9.4 锚框
    
  • 9.5 多尺度方针检测
    
  • 9.6 方针检测数据集（皮卡丘）
    
  • 待更新...
    
  
  
• 10. 自然语言措置
  
  
  
  • 10.1 词嵌入（word2vec）
    
  • 10.2 近似训练
    
  • 10.3 word2vec的实现
    
  • 10.4 子词嵌入（fastText）
    
  • 10.5 全局向量的词嵌入（GloVe）
    
  • 10.6 求近义词和类比词
    
  • 10.7 文本情感分类：使用循环神经网络
    
  • 10.8 文本情感分类：使用卷积神经网络（textCNN）
    
  • 10.9 编码器—解码器（seq2seq）
    
  • 10.10 束搜索
    
  • 10.11 注意力机制
    
  • 10.12 机器翻译