shusentang--dive-into-dl-pytorch/docs/_sidebar.md

• 简介
• 阅读指南
• 1. 深度学习简介
• 2. 预备知识
  • 2.1 环境配置
  • 2.2 数据操作
  • 2.3 自动求梯度
• 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 正向传播、反向传播和计算图
  • 3.15 数值稳定性和模型初始化
  • 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 模型参数的访问、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 使用重复元素的网络（VGG）
  • 5.8 网络中的网络（NiN）
  • 5.9 含并行连结的网络（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 通过时间反向传播
  • 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 目标检测和边界框
  • 9.4 锚框
  • 9.5 多尺度目标检测
  • 9.6 目标检测数据集（皮卡丘）
  • 9.7 单发多框检测（SSD）
  • 9.8 区域卷积神经网络（R-CNN）系列
  • 9.9 语义分割和数据集
  • 9.10 全卷积网络（FCN）
  • 9.11 样式迁移
  • 9.12 实战Kaggle比赛：图像分类（CIFAR-10）
  • 9.13 实战Kaggle比赛：狗的品种识别（ImageNet Dogs）
• 10. 自然语言处理
  • 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