0 基础 AI 入门实战：深度学习+Pytorch，通俗易懂 / 0 基础入门 / 案例实战 / 跨专业提升

课程目录

001-课程介绍；

002-1-神经网络要完成的任务分析；

003-2-模型更新方法解读；

004-3-损失函数计算方法；

005-4-前向传指流程解读；

006-5-反向传指演示；

007-6-神经网络整体架构详细拆解；

008-7-神经网络效果可视化分析.；

009-8-神经元个数的作用；

010-9-预处理与dropout的作用；

011-1-卷积神经网络概述分析；

012-2-卷积要完成的任务解读；

013-3-卷积计算详细流程江示；

014-4-层次结梅的作用；

015-5-参数共享的作用；

016-6-池化层的作用与数果；

017-7-整体网络结构架构分析；

018-8-经典网络架构概述；

019-1-RNN网络结构原理与问题；

020-2-注意力结构历史故事介绍；

021-3-self-attention要解决的问题；

022-4-0KV的柔源与作用；

023-5-多头注意力机制的数果；

024-6-位置编码与解码器；

025-7-整体架构总结；

026-8-BERT训练方式分析；

027-1-PyTorch框架与其他框架区别分析；

028-2-CPU与GPU版本安装方法解读；

029-1-数据集与任务概述；

030-2-基本模块应用测试；

031-3-网络结构定义方法；

032-4-数据源定义简介；

033-5-损实与训练模块分析.；

034-6-训练一个基本的分类模型；

035-7-参数对结果的影响；

036-1-任务与数据集解读；

037-2-参数初始化操作解读；

038-3-训练流程实例；

039-4-模型学习与预测；

040-1-输入特征通道分析；

041-2-卷积网络参数解读；

042-3-卷积网络模型训练；

043-1-任务分析与图像数据基本处理；

044-2-数据增强模块；

045-3-数据集与模型选择；

046-4-迁移学习方法解读；

047-5-输出层与棵度设置；

048-6-输出类别个数修改；

049-7-优化器与学习率衰减；

050-8-模型训练方法；

051-9-重新训练全部模型；

052-10-测试结果演示分析；

053-4-实用Dataloader加裁数据并训练模型；

054-1-Dataloader要完成的任务分析；

055-2-图博教据与标签路径处理；

056-3-Dataloader中需要实现的方法分析；

057-1-数据集与任务目标分析；

058-2-文本数据处理基本流程分析；

059-3-命令行参数与DEBUG；

060-4-训练模型所需基本配置参数分析；

061-5-预料表与学特切分；

062-6-字符预处理转换ID；

063-7-LSTM网络结构基本定义；

064-8-网络模型预测结果输出；

065-9-模型训练任务与总结；

066-1-基本结构与训练好的模型加款；

067-2-服务端处理与预测国数；

068-3-基于Flask测试模型预测结果；

069-1-视觉transformer要完成的任务解读；

070-1-项目源码准备；

071-2-源码DEBUG演示；

072-3-Embedding模块实现方法；

073-4-分块要完成的任务；

074-5-QKV计算方法；

075-6-特征加权分配；

076-7-完成前向传播；

077-8-损失计算与训练；

下载地址