第 1章 神經(jīng)網(wǎng)絡(luò)入門 1 1.1　對神經(jīng)網(wǎng)絡(luò)的興趣 2 1.2　神經(jīng)網(wǎng)絡(luò)所處的位置 4 1.3　關(guān)于神經(jīng)網(wǎng)絡(luò) 6 1.4　神經(jīng)網(wǎng)絡(luò)能做的事情 13 1.5　數(shù)學與編程 20 專欄　神經(jīng)網(wǎng)絡(luò)的歷史 23 第 2章 學習正向傳播 29 2.1　先來學習感知機 30 2.2　感知機的工作原理 32 2.3　感知機和偏置 35 2.4　使用感知機判斷圖像的長邊 38 2.5　使用感知機判斷圖像是否為正方形 41 2.6　感知機的缺點 44 2.7　多層感知機 48 2.8　使用神經(jīng)網(wǎng)絡(luò)判斷圖像是否為正方形 52 2.9　神經(jīng)網(wǎng)絡(luò)的權(quán)重 55 2.10　激活函數(shù) 66 2.11　神經(jīng)網(wǎng)絡(luò)的表達式 69 2.12　正向傳播 74 2.13　神經(jīng)網(wǎng)絡(luò)的通用化 80 專欄　激活函數(shù)到底是什么 83 第3章 學習反向傳播 89 3.1　神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置 90 3.2　人的局限性 92 3.3　誤差 95 3.4　目標函數(shù) 100 3.5　梯度下降法 107 3.6　小技巧：德爾塔 119 3.7　德爾塔的計算 130 3.7.1　輸出層的德爾塔 130 3.7.2　隱藏層的德爾塔 134 3.8　反向傳播 141 專欄　梯度消失到底是什么 145 第4章 學習卷積神經(jīng)網(wǎng)絡(luò) 151 4.1　擅長處理圖像的卷積神經(jīng)網(wǎng)絡(luò) 152 4.2　卷積過濾器 154 4.3　特征圖 162 4.4　激活函數(shù) 165 4.5　池化 167 4.6　卷積層 168 4.7　卷積層的正向傳播 176 4.8　全連接層的正向傳播 186 4.9　反向傳播 190 4.9.1　卷積神經(jīng)網(wǎng)絡(luò)的反向傳播 190 4.9.2　誤差 192 4.9.3　全連接層的更新表達式 197 4.9.4　卷積過濾器的更新表達式 201 4.9.5　池化層的德爾塔 205 4.9.6　與全連接層相連的卷積層的德爾塔 207 4.9.7　與卷積層相連的卷積層的德爾塔 212 4.9.8　參數(shù)的更新表達式 217 專欄　交叉熵到底是什么 221 第5章 實現(xiàn)神經(jīng)網(wǎng)絡(luò) 227 5.1　使用Python 實現(xiàn) 228 5.2　判斷長寬比的神經(jīng)網(wǎng)絡(luò) 229 5.2.1　神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 232 5.2.2　正向傳播 234 5.2.3　反向傳播 239 5.2.4　訓練 244 5.2.5　小批量 250 5.3　手寫數(shù)字的圖像識別與卷積神經(jīng)網(wǎng)絡(luò) 255 5.3.1　準備數(shù)據(jù)集 257 5.3.2　神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 263 5.3.3　正向傳播 266 5.3.4　反向傳播 278 5.3.5　訓練 286 專欄　后話 297 附錄 A.1　求和符號 302 A.2　微分 303 A.3　偏微分 307 A.4　復合函數(shù) 310 A.5　向量和矩陣 312 A.6　指數(shù)與對數(shù) 316 A.7　Python 環(huán)境搭建 319 A.8　Python 基礎(chǔ)知識 322