0基礎 AI入門實戰(深度學習+Pytorch) 通俗易懂/0基礎入門/案例實戰/跨專業提升

課程目錄

001-課程介紹.mp4

002-1-神經網絡要完成的任務分析.mp4

003-2-模型更新方法解讀.mp4

004-3-損失函數計算方法.mp4

005-4-前向傳指流程解讀.mp4

006-5-反向傳指演示mp4

007-6-神經網絡整體架構詳細拆解.mp4

008-7-神經網絡效果可視化分析.mp

009-8-神經元個數的作用.mp4

010-9-預處理與dropout的作用.mp4

011-1-卷積神經網絡概述分析.mp4

012-2-卷積要完成的任務解讀.mp4

013-3-卷積計算詳細流程江示.mp4

014-4-層次結梅的作用.mp4

015-5-參數共享的作用.mp4

016-6-池化層的作用與數果.mp4

017-7-整體網絡結構架構分析.mp4

018-8-經典網絡架構概述mp4

019-1-RNN網絡結構原理與問題mp4

020-2-注意力結構歷史故事介紹.mp4

021-3-self-attention要解決的問題mg4

022-4-0KV的柔源與作用.mp4

023-5-多頭注意力機制的數果.mp4

024-6-位置編碼與解碼器.mp4

025-7-整體架構總結.mp4

026-8-BERT訓練方式分析.mg4

027-1-PyTorch框架與其他框架區別分析.mp4

028-2-CPU與GPU版本安裝方法解讀mp

029-1-數據集與任務概述.mp4

030-2-基本模塊應用測試.mp4

031-3-網絡結構定義方法.mp4

032-4-數據源定義簡介.mp4

033-5-損實與訓練模塊分析.mp

034-6-訓練一個基本的分類模型mp

035-7-參數對結果的影響.mp4

036-1-任務與數據集解讀.mp4

037-2-參數初始化操作解讀.m4

038-3-訓練流程實例.mp4

039-4-模型學習與預測.mp4

040-1-輸入特征通道分析.mp4

041-2-卷積網絡參數解讀.m4

042-3-卷積網絡模型訓練.mp4

043-1-任務分析與圖像數據基本處理mp4

044-2-數據增強模塊.mp4

045-3-數據集與模型選擇.mp4

046-4-遷移學習方法解讀.mp4

047-5-輸出層與棵度設置.mp4

048-6-輸出類別個數修改.mp4

049-7-優化器與學習率衰減.mp4

050-8-模型訓練方法.mp4

051-9-重新訓練全部模型.mp4

052-10-測試結果演示分析.mp4

053-4-實用Dataloader加裁數據并訓練模型mp

054-1-Dataloader要完成的任務分析.mp4

055-2-圖博教據與標簽路徑處理.mp4

056-3-Dataloader中需要實現的方法分析.mp4

057-1-數據集與任務目標分析.mp4

058-2-文本數據處理基本流程分析.mp4

059-3-命令行參數與DEBUG.mp4

060-4-訓練模型所需基本配置參數分析.mp4

061-5-預料表與學特切分.mp4

062-6-字符預處理轉換ID.mp4

063-7-LSTM網絡結構基本定義.mp4

064-8-網絡模型預測結果輸出.mp4

065-9-模型訓練任務與總結.mp4

066-1-基本結構與訓練好的模型加款.mp4

067-2-服務端處理與預測國數.mp4

068-3-基于Flask測試模型預測結果.mp4

069-1-視覺transformer要完成的任務解讀.mp4

070-1-項目源碼準備.mp4

071-2-源碼DEBUG演示mp4

072-3-Embedding模塊實現方法.mp4

073-4-分塊要完成的任務.mp4

074-5-QKV計算方法.mp4

075-6-特征加權分配.mp4

076-7-完成前向傳播.mp4

077-8-損失計算與訓練mp4