分类：编程

3.3　建立深度学习工作站
3.3.1　Jupyter笔记本：运行深度学习
3.3.2　运行 Keras：两种选择
3.3.3　在云端运行深度学习任务：
3.3.4　深度学习的最佳 GPU

3.2　Keras简介
3.2.1　Keras、TensorFlow、Theano和CNTK
3.2.2　使用 Keras开发：概述

3.1　神经网络剖析
3.1.1　层：深度学习的基础组件
3.1.2　模型：层构成的网络
3.1.3　损失函数与优化器：配置学习过程的关键

2.4神经网络的“引擎”：基于梯度的优化
2.4.1　什么是导数
2.4.2　张量运算的导数：梯度
2.4.3　随机梯度下降
2.4.4　链式求导：反向传播算法
2.5　回顾第一个例子

2.3神经网络的“齿轮”：张量运算
2.3.1　逐元素运算
2.3.2　广播
2.3.3　张量点积
2.3.4　张量变形
2.3.5　张量运算的几何解释
2.3.6　深度学习的几何解释

前面例子使用的数据存储在多维 Numpy数组中，也叫张量（tensor）。一般来说，当前所有机器学习系统都使用张量作为基本数据结构。张量对这个领域非常重要，重要到 Google的TensorFlow都以它来命名。那么什么是张量？

人工神经网络（Artificial Neural Network，即ANN ）
我们来看一个具体的神经网络示例，使用 Python的 Keras库来学习手写数字分类。如果你没用过 Keras或类似的库，可能无法立刻搞懂这个例子中的全部内容。

第 1章　什么是深度学习
1.1　人工智能、机器学习与深度学习
1.2　深度学习之前：机器学习简史
1.3　为什么是深度学习，为什么是现在

第 1章　什么是深度学习
第 2章　神经网络的数学基础.
第 3章　神经网络入门
第 4章　机器学习基础
第 5章　深度学习用于计算机视觉
第 6章　深度学习用于文本和序列
第 7章　高级的深度学习最佳实践
第 8章　生成式深度学习