改进深度神经网络 36
- 35 TensorFlow 基础与自动微分机制
- 34 深度学习框架（Deep Learning Frameworks）的价值与选择标准
- 33 训练一个使用了 Softmax 的分类器
- 32 Softmax 回归
- 31 测试时的 Batch Normalization（Batch Norm at Test Time）
- 30 Batch Normalization 为何有效？
- 29 将 Batch Norm 拟合进神经网络（Fitting Batch Norm into a Neural Network）
- 28 归一化网络的激活函数（Normalizing activations in a network）
- 27 超参数调优的两种策略 —— “熊猫方式” vs. “鱼子酱方式”
- 26 为超参数选择合适的采样尺度（Scale）
- 25 超参数调试（Hyperparameter Tuning）
- 24 深度学习中的优化挑战 —— 局部最优 vs 鞍点 vs 平稳段
- 23 学习率衰减（Learning Rate Decay）
- 22 Adam 优化算法（Adam Optimization Algorithm）
- 21 RMSprop（Root Mean Square Propagation） 优化算法
- 20 动量梯度下降法（Gradient Descent with Momentum）
- 19 指数加权平均中的偏差修正（Bias Correction in Exponentially Weighted Averages）
- 18 了解指数加权平均
- 17 指数加权平均（Exponentially Weighted Averages）
- 16 了解小批量梯度下降法
- 15 优化算法 —— Mini-batch Gradient Descent（小批量梯度下降）
- 约书亚·本吉奥访谈
- 14 梯度检查（Gradient Checking）实现要点
- 13 梯度检查（Gradient Checking）
- 12 梯度的数值近似（Numerical Approximation of Gradients）
- 11 深度神经网络的权重初始化（Weight Initialization for Deep Networks）
- 10 梯度消失与梯度爆炸问题（Vanishing ／ Exploding Gradients）
- 09 输入归一化（Normalizing Inputs）
- 08 神经网络中的其他正则化方法
- 07 了解 Drop out
- 06 Dropout 正则化
- 05 为什么正则化能减少过拟合？
- 04 神经网络中的正则化（Regularization in Neural Networks）
- 03 机器学习基本配方（Basic Recipe for Machine Learning）
- 02 Bias（偏差）与 Variance（方差）
- 01 训练集（Train）、开发集（Dev）和测试集（Test）