目录

00_前言
01_步骤1_作为“箱子”的变量
02_步骤2_创建变量的函数
03_步骤3_函数的连续调用
04_步骤4_数值微分
05_步骤5_反向传播的理论知识
06_步骤6_手动进行反向传播
07_步骤7_反向传播的自动化
08_步骤8_从递归到循环
09_步骤9_让函数更易用
10_步骤10_测试
11_步骤11_可变长参数（正向传播篇）
12_步骤12_可变长参数(改进篇)
13_步骤13_可变长参数（反向传播篇）
14_步骤14_重复使用同一个变量
15_步骤15_复杂的计算图(理论篇)
16_步骤16_复杂的计算图(实现篇)
17_步骤17_内存管理和循环引用
18_步骤18_减少内存使用量的模式
19_步骤19_让变量更易用
20_步骤20_运算符重载(1)
21_步骤21_运算符重载(2)
22_步骤22_运算符重载(3)
23_步骤23_打包
24_步骤24_复杂函数的求导
25_步骤25_计算图的可视化(1)
26_步骤26_计算图的可视化(2)
27_步骤27_泰勒展开的导数
28_步骤28_函数优化
29_步骤29_使用牛顿法进行优化（手动计算）
30_步骤30_高阶导数(准备篇)
31_步骤31_高阶导数(理论篇)
32_步骤32_高阶导数(实现篇)
33_步骤33_使用牛顿法进行优化（自动计算）
34_步骤34_sin函数的高阶导数
35_步骤35_高阶导数的计算图
36_步骤36_DeZero的其他用途
37_步骤37_处理张量
38_步骤38_改变形状的函数
39_步骤39_求和的函数
40_步骤40_进行广播的函数
41_步骤41_矩阵的乘积
42_步骤42_线性回归
43_步骤43_神经网络
44_步骤44_汇总参数的层
45_步骤45_汇总层的层
46_步骤46_通过Optimizer更新参数
47_步骤47_softmax函数和交叉熵误差
48_步骤48_多分类
49_步骤49_Dataset类和预处理
50_步骤50_用于取出小批量数据的 DataLoader
51_步骤51_MINST的训练
52_步骤52_支持GPU
53_步骤53_模型的保存和加载
54_步骤54_Dropout和测试模式
55_步骤55_CNN的机制（1）
56_步骤56_CNN的机制(2)
57_步骤57_conv2d函数和pooling函数
58_步骤58_具有代表性的CNN(VGG16)
59_步骤59_使用RNN处理时间序列数据
60_步骤60_LSTM与数据加载器
99_后记
100_参考文献
附录A_in-place运算(步骤14的补充内容)

51_步骤51_MINST的训练

Nothing to preview yet.

上一章50.4_螺旋数据集的训练代码

下一章51.1_MNIST数据集

OpenTech

AI驱动的阅读与学习平台

Languages

English
Chinese
Japanese

Open Source

Next Forge
Landing Page Boilerplate
Blog Boilerplate

Other Products

Nexty - SaaS Template
OG Image Generator
Dofollow.Tools

Subscribe to our newsletter

Get the latest news and updates from Next Forge

Copyright © 2025 Next Forge All rights reserved.

Privacy Policy Terms of Service

51_步骤51_MINST的训练 - 深度学习自制框架 | OpenTech