●序
前言
第1章 實踐基礎
1.1 如何運行本書的代碼
1.1.1 本地運行
1.1.2 代碼下載與使用方法
1.1.3 在線運行
1.2 張量
1.2.1 創建張量
1.2.2 張量的屬性
1.2.3 張量與Numpy數組轉換
1.2.4 張量的訪問
1.2.5 張量的運算
1.3 算子
1.3.1 算子定義
1.3.2 自動微分機制
1.3.3 預定義的算子
1.3.4 本書中實現的算子
1.3.5 本書中實現的優化器
1.4 本書中使用的數據集和實現的Dataset類
1.4.1 數據集
1.4.2 Dataset類
1.5 本書中實現的Runner類
1.6 小結
第2章 機器學習概述
2.1 機器學習實踐五要素
2.1.1 數據
2.1.2 模型
2.1.3 學習準則
2.1.4 優化算法
2.1.5 評價指標
2.2 實現一個簡單的線性回歸模型
2.2.1 數據集構建
2.2.2 模型構建
2.2.3 損失函數
2.2.4 優化器
2.2.5 模型訓練
2.2.6 模型評價
2.3 多項式回歸
2.3.1 數據集構建：ToySin25
2.3.2 模型構建
2.3.3 模型訓練
2.3.4 模型評價
2.3.5 通過引入正則化項來緩解過擬合
2.4 構建Runner類
2.5 實踐：基於線性回歸的波士頓房價預測
2.5.1 數據處理
2.5.2 模型構建
2.5.3 完善Runner類：RunnerV1
2.5.4 模型訓練
2.5.5 模型評價
2.5.6 模型預測
2.6 小結
第3章 線性分類
3.1 基於Logistic回歸的二分類任務
3.1.1 數據集構建
3.1.2 模型構建
3.1.3 損失函數
3.1.4 模型優化
3.1.5 評價指標
3.1.6 完善Runner類：RunnerV2
3.1.7 模型訓練
3.1.8 模型評價
3.2 基於Softmax回歸的多分類任務
3.2.1 數據集構建
3.2.2 模型構建
3.2.3 損失函數
第3章 線性分類
3.1 基於Logistic回歸的二分類任務
3.1.1 數據集構建
3.1.2 模型構建
3.1.3 損失函數
3.1.4 模型優化
3.1.5 評價指標
3.1.6 完善Runner類：RunnerV2
3.1.7 模型訓練
3.1.8 模型評價
3.2 基於Softmax回歸的多分類任務
3.2.1 數據集構建
3.2.2 模型構建
3.2.3 損失函數
3.2.4 模型優化
3.2.5 模型訓練
3.2.6 模型評價
3.3 實踐：基於Softmax回歸完成鳶尾花分類任務
3.3.1 數據處理
3.3.2 模型構建
3.3.3 模型訓練
3.3.4 模型評價
3.3.5 模型預測
3.4 小結
第4章 前饋神經網絡994.
4.1.1 淨活性值
4.1.2 激活函數
4.2 基於前饋神經網絡的二分類任務
4.2.1 數據集構建
4.2.2 模型構建
4.2.3 損失函數
4.2.4 模型優化
4.2.5 完善Runner類：RunnerV2
4.2.6 模型訓練
4.2.7 模型評價
4.3 自動梯度計算和預定義算子
4.3.1 利用預定義算子重新實現前饋神經網絡
4.3.2 完善Runner類：RunnerV2
4.3.3 模型訓練
4.3.4 模型評價
4.4 優化問題
4.4.1 參數初始化
4.4.2 梯度消失問題
4.4.3 死亡ReLU問題
4.5 實踐：基於前饋神經網絡完成鳶尾花分類任務
4.5.1 小批量梯度下降法
4.5.2 數據處理
4.5.3 模型構建
4.5.4 完善Runner類：RunnerV3
4.5.5 模型訓練
4.5.6 模型評價
4.5.7 模型預測
……
