0基础AI入门实践（深度学习+Pytorch）简单易懂/0基础入门/案例分析/跨专业提升
0个AI基础入门实践（深度学习+Pytorch）通俗易懂/0个基础入门/案例练习/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-前向传递过程解读.mp4
006-5-反向手指传球示范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-神经元数的作用.mp4
010-9-预处理和dropout的作用.mp4
011-1-卷积神经网络概述与分析.mp4
012-2-卷积要完成的任务解读.mp4
013-3-姜老师展示的卷积计算详细过程.mp4
014-4-分层打结的作用.mp4
015-5-参数共享的作用.mp4
016-6-池化层的作用和结果.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网络结构原理及问题mp4
020-2-注意力结构的历史故事介绍.mp4
021-3-self-attention要解决的问题mg4
022-4-0KV软源及功能.mp4
023-5-多头注意力机制的结果.mp4
024-6-位编码和解码器.mp4
025-7-整体架构总结.mp4
026-8-BERT训练方法分析.mg4
027-1-PyTorch框架与其他框架的差异分析.mp4
028-2-CPU版和GPU版安装方法解读mp
029-1-数据集和任务概述.mp4
030-2-基础模块应用测试.mp4
031-3-网络结构定义方法.mp4
032-4-数据源定义介绍.mp4
033-5-Loss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-任务和数据集解读.mp4
037-2-参数初始化操作解读.m4
038-3-训练过程示例.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-任务分析与基础图像数据处理mp4
044-2-数据增强模块.mp4
045-3-数据集和模型选择.mp4
046-4-迁移学习方法解读.mp4
047-5-输出图层及度数设置.mp4
048-6-修改输出类别数量.mp4
049-7-优化器和学习率衰减.m??p4
050-8-模型训练方法.mp4
051-9-重新训练所有模型.mp4
052-10-测试结果演示与分析.mp4
053-4-使用Dataloader添加和修剪数据并训练模型mp
054-1-Dataloader要完成的任务分析.mp4
055-2-Tubo教学数据及标签路径处理.mp4
056-3-Dataloader.mp4中需要实现的方法分析
057-1-数据集和任务目标分析.mp4
058-2-文本数据处理的基本流程分析.mp4
059-3-命令行参数和DEBUG.mp4
060-4-训练模型所需的基本配置参数分析.mp4
061-5-投影表和特殊乐谱.mp4
062-6-字符预处理转换ID.mp4
063-7-LSTM网络结构的基本定义.mp4
064-8-网络模型预测结果输出.mp4
065-9-模型训练任务及总结.mp4
066-1-基本结构和训练模型加法.mp4
067-2-G家数字的服务器端处理和预测.mp4
068-3-基于Flask测试模型的预测结果.mp4
069-1-视觉变压器要完成的任务解读.mp4
070-1-项目源码准备.mp4
071-2-源代码DEBUG演示mp4
072-3-嵌入模块实现方法.mp4
073-4-块中要完成的任务.mp4
074-5-QKV计算方法.mp4
075-6-特征加权分配.mp4
076-7-完整的前向传播.mp4
077-8-损失计算与训练mp4
页:
[1]