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

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.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- 前向传指流程解读.mp4

006-5- 反向传指演示 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.mp

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- 卷积计算详细流程江示.mp4

014-4- 层次结梅的作用.mp4

015-5- 参数共享的作用.mp4

016-6- 池化层的作用与数果.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 mg4

022-4-0KV 的柔源与作用.mp4

023-5- 多头注意力机制的数果.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.mg4

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 mp

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- 损实与训练模块分析.mp

034-6- 训练一个基本的分类模型 mp

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.m4

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.m4

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- 输出层与棵度设置.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 加裁数据并训练模型 mp

054-1-Dataloader 要完成的任务分析.mp4

055-2- 图博教据与标签路径处理.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- 预料表与学特切分.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款.mp4

067-2- 服务端处理与预测国数.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