01章預備知識：圖像識別方法的演進基礎
01-01開發環境配置：Anaconda環境和MXNet
01-02深度學習簡介：起源、特點和發展
01-03計算機視覺概述
01-04數據操作
01-05自動求梯度
01-06圖像識別的演進
01-07線性回歸與線性回歸的實現
01-08線性模型：對數線性二分類、多分類
01-09獨熱和稠密度向量表示
01-10softmax回歸與實現
01-10基于深度學習的圖像識別技術發展
02章深度學習基礎知識
01-01線性模型的局限性：異或問題
01-02非線性輸入轉換、核方法、可訓練的映射函數
01-03感知機和多層感知機的實現
01-04模型選擇、欠擬合過擬合問題
01-05權重衰減和丟棄法
01-06實戰案例：房價預測模型
01-07神經網絡基礎
01-08前饋神經網絡、BP神經網絡
01-09神經網絡的訓練
01-10深度學習計算
03章卷積神經網絡與深度學習
01-01二維卷積層相關運算
01-02填充和步幅
01-03多輸入通道和多輸出通道
01-04二維Z大池化層和平均池化層
01-05卷積神經網絡LeNet模型
01-06深度卷積神經網絡AlexNet
01-07使用重復數據的網絡
01-08網絡中的網絡：NIN塊和NIN模型
01-09合并行連接的網絡
01-10批量歸一化
01-11殘差網絡ResNet模型
01-12稠密度連接網絡DeseNet模型
04章循環神經網絡與深度學習
01-01語言模型計算
01-02循環神經網絡
01-03模型語言數據集
01-04循環神經網絡從零開始實現
01-05循環神經網絡的簡介實現
01-06通過時間反向傳播
01-07門控循環單元
01-08長短期記憶
01-09深度循環神經網絡
01-10雙向循環神經網絡
05章優化算法與深度學習
01-01優化與深度學習的關系
01-02梯度下降和隨機梯度下降
01-03小批量隨機梯度下降
01-04動量法與實現
01-05AdaGrad算法特點與實現
01-06RMSProp算法
01-07AdaDelta算法
01-08Adma算法
06章計算機技術與高性能計算
01-01衡量性能的方法
01-02提高性能性能的各種編程方法
01-03命令式和混合編程
01-04異步計算
01-05自動并行運算
01-06多GPU運算
07章AI應用方向之計算機視覺
01-01使用圖像增廣訓練模型
01-02微調:熱狗識別
01-03目標檢測和邊界框
01-04計算機視覺：錨框生成
01-05多尺度目標檢測
01-06目標檢測數據集：皮卡丘
01-07單發多框檢測：SSD
01-08卷積神經網絡系列：R-CNN
01-09語意分割和數據集
01-10全卷積網絡
01-11樣式遷移
08章計算機視覺案例：Kaggle圖像識別
01-01案例1:圖像分類
01-02案例2:狗的品種
01-03step1:獲取和整理數據集
01-04step2:圖像增廣
01-05step3:讀取數據集
01-06step4:定義模型
01-07step5:定義訓練函數
01-08step6:訓練模型
09章AI應用方向之NLP自然語言處理
01-01詞嵌入和連續詞袋模型
01-02近似訓練：負采樣、層序softmax
01-03word2vec的實現
01-04子詞潛入：fastText
01-05全局向量的詞潛入：GloVe
01-06求近義詞和類比詞
01-07文本情感分類：使用循環神經網絡
01-08文本情感分類：使用卷積神經網絡（textCNN）
01-09編碼器、解 碼 器
01-10貪婪搜索、全局搜索、束搜索
01-11注意力機制
10章NLP自然語言處理案例
01-01案例1:機器人翻譯
01-02step1:讀取和與處理數據集
01-03step2:含注意力機制的編碼器-解 碼 器
01-04step3:訓練模型
01-05step4:預測不定長的序列
01-06step5:評價翻譯結果
01-07唐詩生成器
01-08step1:定義輸入數據
01-09step2:定義多層LESTM模型
01-10step3:定義損失函數
01-11step4:訓練模型生成文字
01-12step5:更多參數說明
01-13step6:運行自己的數據