文集文档索引

• 5.3 PyTorch实现：多层感知机/简单卷积神经网络
• 5.4 结果分析与模型调优初步
• 4.4 构建第一个分类模型（nn.Module）
• 4.5 模型训练、评估与预测
• 4.6 模型保存与加载
• 第五章：实战案例：图像分类
• 5.1 数据集选择与准备（MNIST/FashionMNIST）
• 5.2 TensorFlow实现：多层感知机/简单卷积神经网络
• 3.2 TensorFlow Keras API：快速构建模型
• 3.3 数据加载与预处理（tf.data）
• 3.4 构建第一个分类模型（Keras Sequential API）
• 3.5 模型训练、评估与预测
• 3.6 模型保存与加载
• 第四章：PyTorch入门实战
• 4.1 PyTorch安装与基本张量操作
• 4.2 PyTorch nn模块：构建神经网络
• 4.3 数据加载与预处理（torch.utils.data）
• 1.3 开发环境准备：Python、Conda/Pip、Jupyter/Colab
• 第二章：深度学习核心概念
• 2.1 数据：张量（Tensors）及其操作
• 2.2 模型：神经网络架构（层、激活函数）
• 2.3 学习：损失函数与优化器原理
• 2.4 训练与评估流程：前向传播、反向传播、梯度下降
• 第三章：TensorFlow入门实战
• 3.1 TensorFlow安装与基本张量操作
• 第一章：AI模型构建基础
• 1.1 人工智能、机器学习与深度学习概述
• 1.2 为什么选择TensorFlow和PyTorch？