精品网课
有声读物
游戏
影音
电子书
天地星球
天地商城
60秒读懂世界
【★搜天地工具箱★】
课程介绍(A000900)：
想要成为一名优秀的深度学习工程师并不容易，一看就会，一用就废，已然成为很多人进军AI 领域的心魔，自以为理解了框架、算法，但遇到实际问题却仍不知道该怎么解决。本门课程将结合核心基础、算法模型设计和实用案例，由浅至深、由理论到实操，带你紧跟行业热点，系统入门深度学习，掌握解决实际问题的能力，轻松畅游AI时代！
文件目录：
| 系统入门深度学习，直击算法工程师完结无秘 |
| │ ├─{1}–第1章初识深度学习 |
| │ │ [1.3]–1-3神经网络&深度学习.mp4 |
| │ │ [1.4]–1-4深度学习路线图1.mp4 |
| │ │ [1.5]–1-5深度学习应用1.mp4 |
| │ │ [1.6]–1-6本章总结1.mp4 |
| │ │ |
| │ ├─{2}–第2章入门必修：单、多层感知机 |
| │ │ [2.12]–2-12项目构建和模型训练（3）.mp4 |
| │ │ [2.13]–2-13项目构建和模型训练（4）1.mp4 |
| │ │ [2.14]–2-14模型评估和选择1.mp4 |
| │ │ [2.15]–2-15本章总结1.mp4 |
| │ │ [2.1]–2-1本章内容介绍1.mp4 |
| │ │ [2.2]–2-2深度学习实施的一般过程1.mp4 |
| │ │ [2.3]–2-3逻辑回归1.mp4 |
| │ │ [2.4]–2-4逻辑回归损失函数1.mp4 |
| │ │ [2.5]–2-5逻辑回归示例1.mp4 |
| │ │ [2.6]–2-6单层、多层感知机1.mp4 |
| │ │ [2.7]–2-7pytorch构建单多层感知机1.mp4 |
| │ │ [2.8]–2-8基于多层DNN假钞识别1.mp4 |
| │ │ [2.9]–2-9数据集及特征分析1.mp4 |
| │ │ |
| │ ├─{3}–第3章深度学习基础组件精讲 |
| │ │ [3.3]–3-3正确的初始化模型参数.mp4 |
| │ │ [3.4]–3-4激活函数选择1.mp4 |
| │ │ [3.5]–3-5优化器选择1.mp4 |
| │ │ [3.6]–3-6Normalization增强模型训练（上）1.mp4 |
| │ │ [3.7]–3-7Normalization增强模型训练（下）1.mp4 |
| │ │ [3.8]–3-8使用正则提升模型表现1.mp4 |
| │ │ [3.9]–3-9本章总结1.mp4 |
| │ │ |
| │ ├─{4}–第4章图像处理利器：卷积神经网络 |
| │ │ [4.10]–4-10Vgg介绍及实现1.mp4 |
| │ │ [4.11]–4-11图片的数据增广1.mp4 |
| │ │ [4.12]–4-12手势识别应用来源和项目分析1.mp4 |
| │ │ [4.13]–4-13模型设计1.mp4 |
| │ │ [4.14]–4-14MoocTrialNet模型搭建（1）1.mp4 |
| │ │ [4.15]–4-15MoocTrialNet模型搭建（2）1.mp4 |
| │ │ [4.16]–4-16MoocTrialNet模型搭建（3）1.mp4 |
| │ │ [4.17]–4-17MoocTrialNet模型搭建（4）1.mp4 |
| │ │ [4.18]–4-18MoocTrialNet模型搭建（5）1.mp4 |
| │ │ [4.19]–4-19模型评估和选择1.mp4 |
| │ │ [4.20]–4-20本章总结1.mp4 |
| │ │ [4.2]–4-2人类视觉和卷积神经网络关系1.mp4 |
| │ │ [4.3]–4-3卷积神经网络的应用1.mp4 |
| │ │ [4.4]–4-4卷积运算是怎样的过程（上）1.mp4 |
| │ │ [4.5]–4-5卷积运算是怎样的过程（下）1.mp4 |
| │ │ [4.6]–4-6用池化进行下采样1.mp4 |
| │ │ [4.7]–4-7几种卷积的变体（上）1.mp4 |
| │ │ [4.8]–4-8几种卷积的变体（下）1.mp4 |
| │ │ [4.9]–4-9利用残差搭建更深的网络1.mp4 |
| │ │ |
| │ ├─{5}–第5章为序列数据而生：RNN系列 |
| │ │ [5.10]–5-10GRU实现唤醒词识别1.mp4 |
| │ │ [5.11]–5-11基于双层、双向GRU的命令词识别模型搭建（1）1.mp4 |
| │ │ [5.12]–5-12基于双层、双向GRU的命令词识别模型搭建（2）1.mp4 |
| │ │ [5.13]–5-13基于双层、双向GRU的命令词识别模型搭建（3）1.mp4 |
| │ │ [5.14]–5-14基于双层、双向GRU的命令词识别模型搭建（4）1.mp4 |
| │ │ [5.15]–5-15基于双层、双向GRU的命令词识别模型搭建（5）1.mp4 |
| │ │ [5.16]–5-16模型评估和选择1.mp4 |
| │ │ [5.17]–5-17本章总结1.mp4 |
| │ │ [5.1]–5-1本章内容介绍1.mp4 |
| │ │ [5.2]–5-2什么是序列模型1.mp4 |
| │ │ [5.3]–5-3不同的RNN应用类型：OvM,MvM1.mp4 |
| │ │ [5.4]–5-4循环神经网络原理1.mp4 |
| │ │ [5.5]–5-5用BPTT训练RNN1.mp4 |
| │ │ [5.6]–5-6两个重要的变体：LSTMGRU（上）1.mp4 |
| │ │ [5.7]–5-7两个重要的变体：LSTMGRU（下）1.mp4 |
| │ │ [5.8]–5-8利用双向、多层RNN增强模型1.mp4 |
| │ │ [5.9]–5-9典型应用范式：Encoder-Decoder1.mp4 |
| │ │ |
| │ ├─源码 |
| │ │ └─547 |
| │ │ │ README1+11.md |
| │ │ │ |
| │ │ ├─02-05 |
| │ │ │ 0205LogisticRegression1+11.py |
| │ │ │ |
| │ │ ├─02-07 |
| │ │ │ 0207PerceptronTorch1+11.py |
| │ │ │ |
| │ │ ├─02-08 |
| │ │ │ config1+11.py |
| │ │ │ datasetbanknote1+11.py |
| │ │ │ inference1+11.py |
| │ │ │ loss1+11.py |
| │ │ │ model1+11.py |
| │ │ │ preprocess1+11.py |
| │ │ │ README1+11.md |
| │ │ │ trainer1+11.py |
| │ │ │ utils1+11.py |
| │ │ │ |
| │ │ ├─03-03 |
| │ │ │ modelweightsinit1+11.py |
| │ │ │ |
| │ │ ├─03-04 |
| │ │ │ activatefunction1+11.py |
| │ │ │ |
| │ │ ├─03-06 |
| │ │ │ normalization1+11.py |
| │ │ │ |
| │ │ ├─03-07 |
| │ │ │ regularizationdropout1+11.py |
| │ │ │ regularizationL1andL21+11.py |
| │ │ │ |
| │ │ ├─04-04 |
| │ │ │ conv1+11.py |
| │ │ │ lena1+11.jpg |
| │ │ │ |
| │ │ ├─04-05 |
| │ │ │ lena1+11.jpg |
| │ │ │ pooling1+11.py |
| │ │ │ |
| │ │ ├─04-06 |
| │ │ │ parameternumber1+11.py |
| │ │ │ |
| │ │ ├─04-07 |
| │ │ │ residual1+11.py |
| │ │ │ |
| │ │ ├─04-08 |
| │ │ │ vgg111+11.py |
| │ │ │ |
| │ │ ├─04-09 |
| │ │ │ lena1+11.jpg |
| │ │ │ transform1+11.py |
| │ │ │ |
| │ │ ├─04-10 |
| │ │ │ config1+11.py |
| │ │ │ datasethg1+11.py |
| │ │ │ inference1+11.py |
| │ │ │ loss1+11.py |
| │ │ │ model1+11.py |
| │ │ │ preprocess1+11.py |
| │ │ │ trainer1+11.py |
| │ │ │ utils1+11.py |
| │ │ │ |
| │ │ ├─05-04 |
| │ │ │ rnnbase1+11.py |
| │ │ │ |
| │ │ ├─05-06 |
| │ │ │ lstmgru1+11.py |
| │ │ │ |
| │ │ ├─05-07 |
| │ │ │ biRNNmultiRNN1+11.py |
| │ │ │ |
| │ │ └─05-09 |
| │ │ config1+11.py |
| │ │ datasetkws1+11.py |
| │ │ inference1+11.py |
| │ │ loss1+11.py |
| │ │ model1+11.py |
| │ │ preprocess1+11.py |
| │ │ trainer1+11.py |
| │ │ utils1+11.py |
| │ │ |
| │ ├─第6章 深度学习新思路： GAN网络 |
| │ │ 6-1 本章内容介绍.mp4 |
| │ │ 6-10 用DCGAN生成人脸照片.mp4 |
| │ │ 6-11 超参和dataset编写.mp4 |
| │ │ 6-12 generator编写.mp4 |
| │ │ 6-13 discriminator编写.mp4 |
| │ │ 6-14 trainer 编写（1）.mp4 |
| │ │ 6-15 trainer 编写（2）.mp4 |
| │ │ 6-16 trainer 编写（3）.mp4 |
| │ │ 6-17 trainer 编写（4）.mp4 |
| │ │ 6-18 怎么检查GAN的训练过程？.mp4 |
| │ │ 6-19 本章总结.mp4 |
| │ │ 6-2 什么是生成式模型？.mp4 |
| │ │ 6-3 GAN的原理（上）.mp4 |
| │ │ 6-4 GAN的原理（下）.mp4 |
| │ │ 6-5 GAN的一些变体之：CycleGAN.mp4 |
| │ │ 6-6 GAN的一些变体之：StyleGAN（上）.mp4 |
| │ │ 6-7 GAN的一些变体之：StyleGAN（下）.mp4 |
| │ │ 6-8 GAN的一些变体之：DCGAN.mp4 |
| │ │ 6-9 GAN的一些变体之：text-to-image.mp4 |
| │ │ |
| │ ├─第7章 赋予模型认知能力：注意力机制 |
| │ │ 7-1 本章内容介绍.mp4 |
| │ │ 7-10 model结构和位置编码.mp4 |
| │ │ 7-11 encoder.mp4 |
| │ │ 7-12 Multi-head attention（上）.mp4 |
| │ │ 7-13 Multi-head attention（下）.mp4 |
| │ │ 7-14 Pointwise FeedForward.mp4 |
| │ │ 7-15 decoder.mp4 |
| │ │ 7-16 transformer（上）.mp4 |
| │ │ 7-17 transformer（下）.mp4 |
| │ │ 7-18 trainer脚本编写.mp4 |
| │ │ 7-19 infer推理函数编写.mp4 |
| │ │ 7-2 什么是注意力机制？.mp4 |
| │ │ 7-20 inference和attention map展示（上）.mp4 |
| │ │ 7-21 inference和attention map展示（下）.mp4 |
| │ │ 7-22 本章总结.mp4 |
| │ │ 7-3 注意力机制的一般性原理.mp4 |
| │ │ 7-4 几种典型的注意力机制 hard、soft、local attention.mp4 |
| │ │ 7-5 自注意力机制：self-attention.mp4 |
| │ │ 7-6 Transformer.mp4 |
| │ │ 7-7 用Transformer实现G2P（上）.mp4 |
| │ │ 7-8 用Transformer实现G2P（下）.mp4 |
| │ │ 7-9 g2p dataset 编写.mp4 |
| │ │ |
| │ ├─第8章 数据不够怎么办？迁移学习来帮忙 |
| │ │ 8-1 本章内容介绍.mp4 |
| │ │ 8-2 什么是迁移学习.mp4 |
| │ │ 8-3 迁移学习分类.mp4 |
| │ │ 8-4 怎么实施迁移学习？.mp4 |
| │ │ 8-5 基于ResNet迁移学习的姿势识别.mp4 |
| │ │ 8-6 工程代码（上）.mp4 |
| │ │ 8-7 工程代码（下）.mp4 |
| │ │ 8-8 inference.mp4 |
| │ │ 8-9 本章总结.mp4 |
| │ │ |
| │ └─第9章 深度学习新范式：半监督学习 |
| │ 9-1 本章内容介绍.mp4 |
| │ 9-10 utils编写（3）.mp4 |
| │ 9-11 utils编写（4）.mp4 |
| │ 9-12 model编写.mp4 |
| │ 9-13 loss 编写.mp4 |
| │ 9-14 trainer 编写（1）.mp4 |
| │ 9-15 trainer 编写（2）.mp4 |
| │ 9-16 trainer 编写（3）.mp4 |
| │ 9-17 trainer 编写（4）.mp4 |
| │ 9-18 本章总结.mp4 |
| │ 9-2 半监督学习是什么？.mp4 |
| │ 9-3 半监督学习能解决什么问题？.mp4 |
| │ 9-4 几种典型的半监督学习方法（上）.mp4 |
| │ 9-5 几种典型的半监督学习方法（下）.mp4 |
| │ 9-6 在Cifar10上实现MixMatch半监督学习-论文拆解.mp4 |
| │ 9-7 超参和dataset.mp4 |
| │ 9-8 utils编写（1）.mp4 |
| │ 9-9 utils编写（2）.mp4 |
本站所有资源均来自网络，版权归原作者所有，本站仅提供收集与推荐，若侵犯到您的权益，请【给我们反馈】，我们将在24小时内处理！
