动手学深度学习 A. Zhang M. Li Z. C. Lipton and A. J. Smola

卷积神经网络基础 二维卷积层 二维互相关运算 二维互相关(cross-correlation)运算的输入是一个二维输入数组和一个二维核(kernel)数组,输出也是一个二维数组,其中核数组通常称为卷积

过拟合、欠拟合及其解决方案 过拟合和欠拟合 一类是模型无法得到较低的训练误差,我们将这一现象称作欠拟合(underfitting); 另一类是模型的训练误差远小于它在测试数据集上的误差,我们称该现象为

机器翻译及相关技术 机器翻译和数据集 机器翻译(MT):将一段文本从一种语言自动翻译为另一种语言,用神经网络解决这个问题通常称为神经机器翻译(NMT)。 主要特征:输出是单词序列而不是单个单词。 输出

一、梯度消失、梯度爆炸以及Kaggle房价预测 随机初始化模型参数 在神经网络中,通常需要随机初始化模型参数。下面我们来解释这样做的原因。 如果将每个隐藏单元的参数都初始化为相等的值,那么在正向传播时

过拟合、欠拟合及其解决方案 训练误差:模型在训练数据集上表现出的误差。 泛化误差:模型在任意一个测试数据样本上表现出的误差的期望,并常常通过测试数据集上的误差来近似——机器学习模型应关注降低泛化误差。

ThisisanattempttomodifyDiveintoDeepLearning,BerkeleySTAT157(Spring2019)textbook'scodeintoPyTorch.

这本PDF基于是根据李沐的《动手学深度学习》改编过来的。因为原书使用的是MXNet，但现在比较流行的框架是pytorch和tensorflow，而且这本书内容也比较基础，很适合用以一边学pytorch

将《动手学深度学习》中MXNet代码实现改为PyTorch实现——PDF整理_Dive-into-DL-PyTorch

使⽤MXNetGluon来动⼿学深度学习0.4

《动手学深度学习》图书的pdf版，纸质版还没有出版。这是pdf预览版。18年9月写完的。手把手教大家学deeplearning。全书近600页。