课程目录

• 001-课程介绍
• 002-1-神经网络要完成的任务分析
• 003-2-模型更新方法解读
• 004-3-损失函数计算方法
• 005-4-前向传播流程解读
• 006-5-反向传播演示
• 007-6-神经网络整体架构详细拆解
• 008-7-神经网络效果可视化分析
• 009-8-神经元个数的作用
• 010-9-预处理与dropout的作用
• 011-1-卷积神经网络概述分析
• 012-2-卷积要完成的任务解读
• 013-3-卷积计算详细流程演示
• 014-4-层次结构的作用
• 015-5-参数共享的作用
• 016-6-池化层的作用与效果
• 017-7-整体网络结构架构分析
• 018-8-经典网络架构概述
• 019-1-RNN网络结构原理与问题
• 020-2-注意力结构历史故事介绍
• 021-3-self-attention要解决的问题
• 022-4-QKV的来源与作用
• 023-5-多头注意力机制的效果
• 024-6-位置编码与解码器
• 025-7-整体架构总结
• 026-8-BERT训练方式分析
• 027-1-PyTorch框架与其他框架区别分析
• 028-2-CPU与GPU版本安装方法解读
• 029-1-数据集与任务概述
• 030-2-基本模块应用测试
• 031-3-网络结构定义方法
• 032-4-数据源定义简介
• 033-5-损失与训练模块分析
• 034-6-训练一个基本的分类模型
• 035-7-参数对结果的影响
• 036-1-任务与数据集解读
• 037-2-参数初始化操作解读
• 038-3-训练流程实例
• 039-4-模型学习与预测
• 040-1-输入特征通道分析
• 041-2-卷积网络参数解读
• 042-3-卷积网络模型训练
• 043-1-任务分析与图像数据基本处理
• 044-2-数据增强模块
• 045-3-数据集与模型选择
• 046-4-迁移学习方法解读
• 047-5-输出层与梯度设置
• 048-6-输出类别个数修改
• 049-7-优化器与学习率衰减
• 050-8-模型训练方法
• 051-9-重新训练全部模型
• 052-10-测试结果演示分析
• 053-4-实用Dataloader加载数据并训练模型
• 054-1-Dataloader要完成的任务分析
• 055-2-图像数据与标签路径处理
• 056-3-Dataloader中需要实现的方法分析
• 057-1-数据集与任务目标分析
• 058-2-文本数据处理基本流程分析
• 059-3-命令行参数与DEBUG
• 060-4-训练模型所需基本配置参数分析
• 061-5-预料表与字符切分
• 062-6-字符预处理转换ID
• 063-7-LSTM网络结构基本定义
• 064-8-网络模型预测结果输出
• 065-9-模型训练任务与总结
• 066-1-基本结构与训练好的模型加载
• 067-2-服务端处理与预测函数
• 068-3-基于Flask测试模型预测结果
• 069-1-视觉transformer要完成的任务解读
• 070-1-项目源码准备
• 071-2-源码DEBUG演示
• 072-3-Embedding模块实现方法
• 073-4-分块要完成的任务
• 074-5-QKV计算方法
• 075-6-特征加权分配
• 076-7-完成前向传播
• 077-8-损失计算与训练