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
本站内容均转载于互联网，并不代表本站立场！如若本站内容侵犯了原著者的合法权益，可联系我们进行处理！ 拒绝任何人以任何形式在本站发表与中华人民共和国法律相抵触的言论！
暂无评论内容