本套课程来自a耿直哥–深度学习必修课：进击算法工程师100节

课程目录

• 001.1-1 课程内容和理念
• 002.1-2 初识深度学习
• 003.1-3 课程使用的技术栈
• 004.2-1 线性代数
• 005.2-2 微积分
• 006.2-3 概率
• 007.3-1 CUDA+Anaconda深度学习环境搭建
• 008.3-2 conda实用命令
• 009.3-3 Jupyter Notebook快速上手
• 010.3-4 深度学习库PyTorch安装
• 011.4-1 神经网络原理
• 012.4-2 多层感知机
• 013.4-3 前向传播和反向传播
• 014.4-4 多层感知机代码实现
• 015.4-5 回归问题
• 016.4-6 线性回归代码实现
• 017.4-7 分类问题
• 018.4-8 多分类问题代码实现
• 019.5-1 训练的常见问题
• 020.5-2 过拟合欠拟合应对策略
• 021.5-3 过拟合和欠拟合示例
• 022.5-4 正则化
• 023.5-5 Dropout
• 024.5-6 Dropout代码实现
• 025.5-7 梯度消失和梯度爆炸
• 026.5-8 模型文件的读写
• 027.6-1 最优化与深度学习
• 028.6-2 损失函数
• 029.6-3 损失函数性质
• 030.6-4 梯度下降
• 031.6-5 随机梯度下降法
• 032.6-6 小批量梯度下降法
• 033.6-7 动量法
• 034.6-8 AdaGrad算法
• 035.6-9 RMSProp_Adadelta算法
• 036.6-10 Adam算法
• 037.6-11 梯度下降代码实现
• 038.6-12 学习率调节器
• 039.7-1 全连接层问题
• 040.7-2 图像卷积
• 041.7-3 卷积层
• 042.7-4 卷积层常见操作
• 043.7-5 池化层Pooling
• 044.7-6 卷积神经网络代码实现（LeNet）
• 045.8-1 AlexNet
• 046.8-2 VGGNet
• 047.8-3 批量规范化
• 048.8-4 GoogLeNet
• 049.8-5 ResNet
• 050.8-6 DenseNet
• 051.9-1 序列建模
• 052.9-2 文本数据预处理
• 053.9-3 循环神经网络
• 054.9-4 随时间反向传播算法
• 055.9-5 循环神经网络代码实现
• 056.9-6 RNN的长期依赖问题
• 057.10-1 深度循环神经网络
• 058.10-2 双向循环神经网络
• 059.10-3 门控循环单元
• 060.10-4 长短期记忆网络
• 061.10-5 复杂循环神经网络代码实现
• 062.10-6 编码器-解码器网络
• 063.10-7 序列到序列模型代码实现
• 064.10-8 束搜索算法
• 065.10-9 机器翻译简单代码实现
• 066.11-1 什么是注意力机制
• 067.11-2 注意力的计算
• 068.11-3 键值对注意力和多头注意力
• 069.11-4 自注意力机制
• 070.11-5 注意力池化及代码实现
• 071.11-6 Transformer模型
• 072.11-7 Transformer代码实现
• 073.12-1BERT模型
• 074.12-2 GPT系列模型
• 075.12-3 T5模型
• 076.12-4 ViT模型
• 077.12-5 Swin Transformer模型
• 078.12-6 GPT模型代码实现
• 079.13-1 蒙特卡洛方法
• 080.13-2 变分推断
• 081.13-3 变分自编码器
• 082.13-4 生成对抗网络
• 083.13-5 Diffusion扩散模型
• 084.13-6 图像生成
• 085.14-1 自定义数据加载
• 086.14-2 图像数据增强
• 087.14-3 迁移学习
• 088.14-4 经典视觉数据集
• 089.14-5 项目实战：猫狗大战
• 090.15-1 词嵌入和word2vec
• 091.15-2 词义搜索和句意表示
• 092.15-3 预训练模型
• 093.15-4 Hugging Face库介绍
• 094.15-5 经典NLP数据集
• 095.15-6 项目实战：电影评论情感分析
• 096.16-1 InstructGPT模型
• 097.16-2 CLIP模型
• 098.16-3 DALL-E模型
• 099.16-4 深度学习最新发展趋势分析
• 100.16-5 下一步学习的建议