言归正传,今天要分享的是2019年整理的《常见的五种神经网络》系列文章,当时也是看书记笔记,坚持了很久才更新完,不过阅读量就xxx,可能大家对这种硬核性文章不感兴趣吧,不过没关系,今天把该系列的文章整理成PDF分享给大家,关注「搜索与推荐Wiki」公众号,回复 0301 即可获得

该系列文章的阅读链接为:

整理的目录如下:

  • 1、前馈神经网络
    • 介绍
    • 参数学习
    • 反向传播算法
    • 自动梯度计算
      • 数值微分
      • 符号微分
    • 自动微分
  • 2、卷积神经网络
    • 卷积的概念
      • 一维卷积
      • 二维卷积
      • 互相关
    • 常见的卷积核及特征
      • 常见的卷积核
      • 卷积核的特征
    • 卷积的变种
    • 卷积的数学性质
      • 交换性
      • 导数
    • 卷积神经网络
      • 用卷积代替全连接
      • 卷积层
      • 汇聚层
      • 全连接层
    • 典型的卷积网络结构
    • 参数学习
    • 误差项的计算
      • 卷积层
      • 汇聚层
    • 几种典型的卷积神经网络
      • LeNet-5
      • AlexNet
      • Inception
      • 残差网络
    • 其他卷积方式
      • 转置卷积
      • 空洞卷积
    • 参考笔记
  • 3、循环神经网络
    • 上篇
      • 概述
      • 如何给网络增加记忆能力
        • 延时神经网络
        • 有外部输入的非线性自回归模型
        • 循环神经网络
      • 一般的循环神经网络
        • 单向循环神经网络
        • 双向循环神经网络
        • 深度循环神经网络
      • 循环神经网络应用到机器学习任务
        • 序列到类别模式
        • 同步的序列到序列模式
        • 异步的序列到序列模式
    • 中篇
      • 参数学习
        • 随时间反向传播算法
        • 实时循环学习
      • 长期依赖
      • 常见的循环神经网络结构
        • N比N结构
        • 1比N结构
        • N比1结构
        • N比M结构
    • 下篇
      • LSTM
        • 新的内部状态
        • 门机制
      • GRU
      • RecNN
      • GN
  • 4、深度信念网络
    • 上篇
      • 背景
      • 玻尔兹曼机
        • 介绍
        • 生成模型
      • 受限玻尔兹曼机
        • 介绍
        • 生成模型
    • 下篇
      • 深度信念网络介绍
      • 生成模型
      • 参数学习
      • 总结
  • 5、生成对抗网络

    • 上篇
      • 生成模型的基本功能
        • 密度估计
        • 生成样本
      • 变分自动编码器
        • 从分布变换看VAE
        • VAE的通常理解
        • VAE应该是什么样的
        • 分布标准化
      • VAE的本质
      • VAE中的变分
    • 下篇
      • KL散度、JS散度、Wassertein距离
        • KL散度
        • JS散度
        • Wassertrin距离
      • 显式和隐式密度模型
      • 网络分解与训练
        • 判别网络
      • 生成网络
      • 网络训练
      • DCGAN
        • DCGAN介绍
        • 模型分析
        • 模型坍塌
      • 前向和逆向KL散度
      • W-GAN
      • 总结

    好了,这就是《常见的五种神经网络》电子书目录了,关注「搜索与推荐Wiki」公众号,回复 0301 获取


【技术服务】,详情点击查看: https://mp.weixin.qq.com/s/PtX9ukKRBmazAWARprGIAg


扫一扫 关注微信公众号!号主 专注于搜索和推荐系统,尝试使用算法去更好的服务于用户,包括但不局限于机器学习,深度学习,强化学习,自然语言理解,知识图谱,还不定时分享技术,资料,思考等文章!