|
零基础AI入门实战(深度学习+Pytorch)，AI必备基础
通俗易懂 零基础入门 案例实战 跨专业提升
课程内容： 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-玩法源码准备.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
自媒体课程回复可见：
| 
