零基础入门实战深度学习Pytorch
零基础入门实战深度学习Pytorch├──001-课程介绍.mp451.62M
├──002-1-神经网络要完成的任务分析.mp421.72M
├──003-2-模型更新方法解读.mp415.40M
├──004-3-损失函数计算方法.mp417.96M
├──005-4-前向传播流程解读.mp414.44M
├──006-5-反向传播演示.mp414.31M
├──007-6-神经网络整体架构详细拆解.mp429.55M
├──008-7-神经网络效果可视化分析.mp443.16M
├──009-8-神经元个数的作用.mp415.40M
├──010-9-预处理与dropout的作用.mp422.26M
├──011-1-卷积神经网络概述分析.mp425.49M
├──012-2-卷积要完成的任务解读.mp420.76M
├──013-3-卷积计算详细流程演示.mp435.02M
├──014-4-层次结构的作用.mp411.89M
├──015-5-参数共享的作用.mp411.81M
├──016-6-池化层的作用与效果.mp424.14M
├──017-7-整体网络结构架构分析.mp445.81M
├──018-8-经典网络架构概述.mp445.18M
├──019-1-RNN网络结构原理与问题.mp417.14M
├──020-2-注意力结构历史故事介绍.mp432.21M
├──021-3-self-attention要解决的问题.mp426.40M
├──022-4-QKV的来源与作用.mp427.32M
├──023-5-多头注意力机制的效果.mp428.59M
├──024-6-位置编码与解码器.mp428.34M
├──025-7-整体架构总结.mp426.54M
├──026-8-BERT训练方式分析.mp418.89M
├──027-1-PyTorch框架与其他框架区别分析.mp432.79M
├──028-2-CPU与GPU版本安装方法解读.mp474.46M
├──029-1-数据集与任务概述.mp438.34M
├──030-2-基本模块应用测试.mp440.51M
├──031-3-网络结构定义方法.mp447.46M
├──032-4-数据源定义简介.mp432.64M
├──033-5-损失与训练模块分析.mp435.48M
├──034-6-训练一个基本的分类模型.mp442.89M
├──035-7-参数对结果的影响.mp439.81M
├──036-1-任务与数据集解读.mp433.56M
├──037-2-参数初始化操作解读.mp440.14M
├──038-3-训练流程实例.mp438.85M
├──039-4-模型学习与预测.mp452.48M
├──040-1-输入特征通道分析.mp438.36M
├──041-2-卷积网络参数解读.mp428.24M
├──042-3-卷积网络模型训练.mp444.69M
├──043-1-任务分析与图像数据基本处理.mp436.88M
├──044-2-数据增强模块.mp437.50M
├──045-3-数据集与模型选择.mp437.85M
├──046-4-迁移学习方法解读.mp436.41M
├──047-5-输出层与梯度设置.mp450.36M
├──048-6-输出类别个数修改.mp441.33M
├──049-7-优化器与学习率衰减.mp442.16M
├──050-8-模型训练方法.mp442.33M
├──051-9-重新训练全部模型.mp443.15M
├──052-10-测试结果演示分析.mp489.26M
├──053-4-实用Dataloader加载数据并训练模型.mp458.76M
├──054-1-Dataloader要完成的任务分析.mp430.73M
├──055-2-图像数据与标签路径处理.mp442.01M
├──056-3-Dataloader中需要实现的方法分析.mp442.72M
├──057-1-数据集与任务目标分析.mp435.39M
├──058-2-文本数据处理基本流程分析.mp450.52M
├──059-3-命令行参数与DEBUG.mp432.16M
├──060-4-训练模型所需基本配置参数分析.mp437.92M
├──061-5-预料表与字符切分.mp429.12M
├──062-6-字符预处理转换ID.mp430.93M
├──063-7-LSTM网络结构基本定义.mp431.93M
├──064-8-网络模型预测结果输出.mp435.74M
├──065-9-模型训练任务与总结.mp441.31M
├──066-1-基本结构与训练好的模型加载.mp419.14M
├──067-2-服务端处理与预测函数.mp439.02M
├──068-3-基于Flask测试模型预测结果.mp440.01M
├──069-1-视觉transformer要完成的任务解读.mp430.10M
├──070-1-项目源码准备.mp442.71M
├──071-2-源码DEBUG演示.mp431.69M
├──072-3-Embedding模块实现方法.mp442.25M
├──073-4-分块要完成的任务.mp434.85M
├──074-5-QKV计算方法.mp439.38M
├──075-6-特征加权分配.mp439.25M
├──076-7-完成前向传播.mp435.62M
└──077-8-损失计算与训练.mp444.40M
**** 本内容需购买 ****
强烈支持楼主ing…… 楼主加油，我们都看好你哦。 支持楼主 强烈支持楼主ing…… 看到这帖子真是高兴！ 看到这帖子真是高兴！ 我只是路过打酱油的。 楼主加油，我们都看好你哦。 强烈支持楼主ing……