课程目录

• 1.笔记
• 尚硅谷大模型技术之深度学习1.3.0.docx
• 2.资料
• data
• 图片
• 3.代码
• dl_tutorial
• 4.视频
• 001_课程简介
• 002_深度学习_概述
• 003_神经网络_基本概念和结构
• 004_神经网络_感知机和激活函数
• 005_激活函数_阶跃、Sigmoid和Tanh
• 006_激活函数_ReLU
• 007_激活函数_Softmax
• 008_其它激活函数
• 009_简单神经网络_信号传递
• 010_简单神经网络_代码实现
• 011_神经网络案例_手写数字识别_整体思路
• 012_神经网络案例_手写数字识别_具体实现
• 013_神经网络案例_手写数字识别_小批量计算
• 014_损失函数_MSE
• 015_损失函数_交叉熵误差
• 016_损失函数_分类和回归任务常见损失函数
• 017_数值微分_求导
• 018_数值微分_计算切线
• 019_数值微分_偏导数和梯度
• 020_数值微分_计算梯度
• 021_定义神经网络类
• 022_神经网络的梯度计算
• 023_梯度下降法_原理和代码实现
• 024_梯度下降法案例_求最小值
• 025_梯度下降法_超参数的影响
• 026_梯度下降法_训练相关概念
• 027_梯度下降法_SGD基本原理
• 028_梯度下降法_SGD案例_神经网络类实现
• 029_梯度下降法_SGD案例_加载数据和定义超参数
• 030_梯度下降法_SGD案例_模型训练和测试
• 031_反向传播_计算图和反向求导
• 032_反向传播_链式法则
• 033_反向传播_加法和乘法节点
• 034_反向传播_激活函数层_ReLU
• 035_反向传播_激活函数层_Sigmoid
• 036_反向传播_仿射层Affine
• 037_反向传播_输出层_基本介绍
• 038_反向传播_输出层_原理推导
• 039_反向传播_输出层_代码实现
• 040_综合应用案例_手写数字识别_定义网络类
• 041_综合应用案例_手写数字识别_模型训练和测试
• 042_深度神经网络
• 043_梯度消失和梯度爆炸
• 044_学习优化方法_SGD
• 045_学习优化方法_动量法
• 046_学习优化方法_学习率衰减
• 047_学习优化方法_AdaGrad
• 048_学习优化方法_RMSProp
• 049_学习优化方法_Adam
• 050_学习优化方法_综合对比
• 051_学习优化方法_超参数的调节
• 052_参数初始化_常数初始化及其问题
• 053_参数初始化_Xavier和He初始化
• 054_正则化_Batch Norm
• 055_正则化_权值衰减和Dropout
• 056_PyTorch_基本介绍
• 057_PyTorch_安装流程及CUDA介绍
• 058_PyTorch_安装完成验证
• 059_PyTorch_张量创建_按内容
• 060_PyTorch_张量创建_按形状
• 061_PyTorch_张量创建_按类型
• 062_PyTorch_张量创建_指定区间
• 063_PyTorch_张量创建_按数值填充
• 064_PyTorch_张量创建_随机生成
• 065_PyTorch_随机排列和随机数种子
• 066_PyTorch_张量转换_元素数据类型转换
• 067_PyTorch_张量转换_张量和ndarray的转换
• 068_PyTorch_张量转换_张量和标量的转换
• 069_PyTorch_张量数值计算_基本运算
• 070_PyTorch_张量数值计算_哈达玛积和矩阵乘法
• 071_PyTorch_节省内存
• 072_PyTorch_张量统计运算函数
• 073_PyTorch_张量索引操作_简单索引和范围索引
• 074_PyTorch_张量索引操作_列表索引
• 075_PyTorch_张量索引操作_布尔索引
• 076_PyTorch_张量形状操作_交换维度
• 077_PyTorch_张量形状操作_调整形状
• 078_PyTorch_张量形状操作_增减维度
• 079_PyTorch_张量拼接和堆叠
• 080_PyTorch_自动微分模块_计算梯度基本流程
• 081_PyTorch_自动微分模块_梯度计算原理
• 082_PyTorch_自动微分模块_分离张量
• 083_PyTorch_自动微分模块_detach对梯度计算的影响
• 084_PyTorch_自动微分模块_detach与data的区别
• 085_PyTorch_线性回归案例_模块和流程介绍
• 086_PyTorch_线性回归案例_代码实现
• 087_PyTorch深度学习_激活函数_Sigmoid
• 088_PyTorch深度学习_激活函数_Tanh
• 089_PyTorch深度学习_激活函数_ReLU
• 090_PyTorch深度学习_激活函数_Softmax
• 091_PyTorch深度学习_全连接层和参数初始化
• 092_PyTorch深度学习_Dropout层
• 093_PyTorch深度学习_神经网络搭建
• 094_PyTorch深度学习_查看模型参数
• 095_PyTorch深度学习_查看模型结构和参数数量
• 096_PyTorch深度学习_device设置
• 097_PyTorch深度学习_使用Sequential创建神经网络
• 098_PyTorch深度学习_损失函数_BCE
• 099_PyTorch深度学习_损失函数_CrossEntropyLoss
• 100_PyTorch深度学习_损失函数_回归任务损失函数
• 101_PyTorch深度学习_损失函数_综合测试
• 102_PyTorch深度学习_动量法
• 103_PyTorch深度学习_学习率衰减_等间隔
• 104_PyTorch深度学习_学习率衰减_指定间隔和指数衰减
• 105_PyTorch深度学习_AdaGrad和RMSProp
• 106_PyTorch深度学习_Adam
• 107_房价预测案例_数据分析和导入模块
• 108_房价预测案例_特征工程
• 109_房价预测案例_模型创建
• 110_房价预测案例_定义损失函数
• 111_房价预测案例_训练模型和测试
• 112_CNN_基本结构
• 113_CNN_卷积层_基本介绍
• 114_CNN_卷积层_数学上的卷积
• 115_CNN_卷积层_CNN的卷积运算
• 116_CNN_卷积层_填充
• 117_CNN_卷积层_步幅和输出形状计算
• 118_CNN_卷积层_3维数据卷积运算
• 119_CNN_卷积层_API调用和测试
• 120_CNN_池化层_基本概念和特点
• 121_CNN_池化层_API调用和测试
• 122_CNN_深度卷积神经网络
• 123_服装分类案例_加载数据集
• 124_服装分类案例_创建模型
• 125_服装分类案例_模型训练
• 126_服装分类案例_模型测试
• 127_NLP概述
• 128_词向量和词嵌入
• 129_嵌入层API使用
• 130_词嵌入应用和NLP模型
• 131_RNN_基本结构和原理
• 132_RNN_API调用
• 133_RNN_输入输出形状
• 134_古诗生成案例_数据预处理
• 135_古诗生成案例_创建数据集
• 136_古诗生成案例_创建模型
• 137_古诗生成案例_模型训练
• 138_古诗生成案例_生成新诗