课程介绍
这是一门专为零基础学员设计的深度学习课程，通过全面讲解深度学习的核心理论和实战技巧，帮助你快速掌握从神经网络到现代模型架构的完整开发流程。本课程以Pytorch为主要工具，涵盖了神经网络的基础架构、卷积神经网络的详细讲解、RNN与注意力机制的深度解析，以及Transformer与视觉Transformer等前沿技术。此外，课程还结合大量实战项目，带你从数据预处理、模型构建到模型训练与部署，逐步掌握深度学习开发中的每个关键环节。无论你是初学者还是希望提升技能的开发者，这门课程都将成为你进入深度学习领域的最佳选择!
课程目录
├─001-课程介绍.mp4
├─002-1-神经网络要完成的任务分析.mp4
├─003-2-模型更新方法解读.mp4
├─004-3-损失函数计算方法.mp4
├─005-4-前向传播流程解读.mp4
├─006-5-反向传播演示.mp4
├─007-6-神经网络整体架构详细拆解.mp4
├─008-7-神经网络效果可视化分析.mp4
├─009-8-神经元个数的作用.mp4
├─010-9-预处理与dropout的作用.mp4
├─011-1-卷积神经网络概述分析.mp4
├─012-2-卷积要完成的任务解读.mp4
├─013-3-卷积计算详细流程演示.mp4
├─014-4-层次结构的作用.mp4
├─015-5-参数共享的作用.mp4
├─016-6-池化层的作用与效果.mp4
├─017-7-整体网络结构架构分析.mp4
├─018-8-经典网络架构概述.mp4
├─019-1-RNN网络结构原理与问题.mp4
├─020-2-注意力结构历史故事介绍.mp4
├─021-3-self-attention要解决的问题.mp4
├─022-4-QKV的来源与作用.mp4
├─023-5-多头注意力机制的效果.mp4
├─024-6-位置编码与解码器.mp4
├─025-7-整体架构总结.mp4
├─026-8-BERT训练方式分析.mp4
├─027-1-PyTorch框架与其他框架区别分析.mp4
├─028-2-CPU与GPU版本安装方法解读.mp4
├─029-1-数据集与任务概述.mp4
├─030-2-基本模块应用测试.mp4
├─031-3-网络结构定义方法.mp4
├─032-4-数据源定义简介.mp4
├─033-5-损失与训练模块分析.mp4
├─034-6-训练一个基本的分类模型.mp4
├─035-7-参数对结果的影响.mp4
├─036-1-任务与数据集解读.mp4
├─037-2-参数初始化操作解读.mp4
├─038-3-训练流程实例.mp4
├─039-4-模型学习与预测.mp4
├─040-1-输入特征通道分析.mp4
├─041-2-卷积网络参数解读.mp4
├─042-3-卷积网络模型训练.mp4
├─043-1-任务分析与图像数据基本处理.mp4
├─044-2-数据增强模块.mp4
├─045-3-数据集与模型选择.mp4
├─046-4-迁移学习方法解读.mp4
├─047-5-输出层与梯度设置.mp4
├─048-6-输出类别个数修改.mp4
├─049-7-优化器与学习率衰减.mp4
├─050-8-模型训练方法.mp4
├─051-9-重新训练全部模型.mp4
├─052-10-测试结果演示分析.mp4
├─053-4-实用Dataloader加载数据并训练模型.mp4
├─054-1-Dataloader要完成的任务分析.mp4
├─055-2-图像数据与标签路径处理.mp4
├─056-3-Dataloader中需要实现的方法分析.mp4
├─057-1-数据集与任务目标分析.mp4
├─058-2-文本数据处理基本流程分析.mp4
├─059-3-命令行参数与DEBUG.mp4
├─060-4-训练模型所需基本配置参数分析.mp4
├─061-5-预料表与字符切分.mp4
├─062-6-字符预处理转换ID.mp4
├─063-7-LSTM网络结构基本定义.mp4
├─064-8-网络模型预测结果输出.mp4
├─065-9-模型训练任务与总结.mp4
├─066-1-基本结构与训练好的模型加载.mp4
├─067-2-服务端处理与预测函数.mp4
├─068-3-基于Flask测试模型预测结果.mp4
├─069-1-视觉transformer要完成的任务解读.mp4
├─070-1-项目源码准备.mp4
├─071-2-源码DEBUG演示.mp4
├─072-3-Embedding模块实现方法.mp4
├─073-4-分块要完成的任务.mp4
├─074-5-QKV计算方法.mp4
├─075-6-特征加权分配.mp4
├─076-7-完成前向传播.mp4
├─077-8-损失计算与训练.mp4
请先 ！