4730 积分	0 好友	600 主题

发消息

深度学习必修课：进击算法工程师从基础到Transformer与生成模型全面解析

发表于 1 小时前 | 查看: 4| 回复: 0

课程简介

本课程系统讲解深度学习核心理论与实战技能，涵盖从环境搭建、数学基础到前沿模型的完整知识体系。课程从线性代数、微积分、概率等基础出发，深入解析神经网络原理、优化算法、卷积网络、循环网络及注意力机制。重点剖析Transformer、BERT、GPT、ViT、Diffusion等前沿模型，并通过猫狗大战、情感分析等项目实战巩固技能。学完你将掌握PyTorch框架、模型训练调优及迁移学习，具备算法工程师所需的深度学习能力，轻松应对实际挑战。

下载地址

当前内容需支付 599 算力 才能浏览

查看支付详情

算力可通过社区任务获取，也可以充值。

课程目录

01 课程导学与深度学习入门

第1-2节：课程理念、技术栈与深度学习初识。

02 数学基础与环境搭建

第3-10节：线性代数、微积分、概率与开发环境配置。

03 神经网络基础

第11-14节：神经网络原理、前向反向传播与代码实现。

04 回归与分类问题

第15-18节：回归、分类、多分类及代码实现。

05 训练常见问题与优化

第19-26节：过拟合、正则化、Dropout与模型读写。

06 最优化与梯度下降

第27-38节：损失函数、梯度下降变体与学习率调节。

07 卷积神经网络基础

第39-44节：卷积层、池化层与LeNet代码实现。

08 经典CNN模型

第45-50节：AlexNet、VGG、GoogLeNet、ResNet与DenseNet。

09 序列建模与RNN

第51-56节：文本预处理、RNN、BPTT与长期依赖问题。

10 高级循环神经网络

第57-65节：深度RNN、LSTM、GRU、编码器解码器与束搜索。

11 注意力机制与Transformer

第66-72节：注意力计算、自注意力、多头注意力与Transformer。

12 预训练语言模型

第73-78节：BERT、GPT系列、ViT、T5与Swin Transformer。

13 生成模型

第79-84节：蒙特卡洛、变分推断、GAN与Diffusion扩散模型。

14 迁移学习与项目实战

第85-89节：数据加载、增强、迁移学习与猫狗大战。

15 NLP词嵌入与实战

第90-95节：word2vec、预训练模型与情感分析实战。

16 前沿模型与学习建议

第96-100节：InstructGPT、CLIP、DALL-E与学习建议。

--- 点击展开详细目录 ---

PART1

🎬 001.1-1 课程内容和理念-.mp4

🎬 002.1-2 初识深度学习-.mp4

🎬 003.1-3 课程使用的技术栈-.mp4

🎬 004.2-1 线性代数-.mp4

🎬 005.2-2 微积分-.mp4

🎬 006.2-3 概率-.mp4

🎬 007.3-1 CUDA+Anaconda深度学习环境搭建-.mp4

🎬 008.3-2 conda实用命令-.mp4

🎬 009.3-3 Jupyter Notebook快速上手-.mp4

🎬 010.3-4 深度学习库PyTorch安装-.mp4

🎬 011.4-1 神经网络原理-.mp4

🎬 012.4-2 多层感知机-.mp4

🎬 013.4-3 前向传播和反向传播-.mp4

🎬 014.4-4 多层感知机代码实现-.mp4

🎬 015.4-5 回归问题-.mp4

🎬 016.4-6 线性回归代码实现-.mp4

🎬 017.4-7 分类问题-.mp4

🎬 018.4-8 多分类问题代码实现-.mp4

🎬 019.5-1 训练的常见问题-.mp4

🎬 020.5-2 过拟合欠拟合应对策略-.mp4

🎬 021.5-3 过拟合和欠拟合示例-.mp4

🎬 022.5-4 正则化-.mp4

🎬 023.5-5 Dropout-.mp4

🎬 024.5-6 Dropout代码实现-.mp4

🎬 025.5-7 梯度消失和梯度爆炸-.mp4

🎬 026.5-8 模型文件的读写-.mp4

🎬 027.6-1 最优化与深度学习-.mp4

🎬 028.6-2 损失函数-.mp4

🎬 029.6-3 损失函数性质-.mp4

🎬 030.6-4 梯度下降-.mp4

🎬 031.6-5 随机梯度下降法-.mp4

🎬 032.6-6 小批量梯度下降法-.mp4

🎬 033.6-7 动量法-.mp4

🎬 034.6-8 AdaGrad算法-.mp4

🎬 035.6-9 RMSProp_Adadelta算法-.mp4

🎬 036.6-10 Adam算法-.mp4

🎬 037.6-11 梯度下降代码实现-.mp4

🎬 038.6-12 学习率调节器-.mp4

🎬 039.7-1 全连接层问题-.mp4

🎬 040.7-2 图像卷积-.mp4

🎬 041.7-3 卷积层-.mp4

🎬 042.7-4 卷积层常见操作-.mp4

🎬 043.7-5 池化层Pooling-.mp4

🎬 044.7-6 卷积神经网络代码实现（LeNet）-.mp4

🎬 045.8-1 AlexNet-.mp4

🎬 046.8-2 VGGNet-.mp4

🎬 047.8-3 批量规范化-.mp4

🎬 048.8-4 GoogLeNet-.mp4

🎬 049.8-5 ResNet-.mp4

🎬 050.8-6 DenseNet-.mp4

🎬 051.9-1 序列建模-.mp4

🎬 052.9-2 文本数据预处理-.mp4

🎬 053.9-3 循环神经网络-.mp4

🎬 054.9-4 随时间反向传播算法-.mp4

🎬 055.9-5 循环神经网络代码实现-.mp4

🎬 056.9-6 RNN的长期依赖问题-.mp4

🎬 057.10-1 深度循环神经网络-.mp4

🎬 058.10-2 双向循环神经网络-.mp4

🎬 059.10-3 门控循环单元-.mp4

🎬 060.10-4 长短期记忆网络-.mp4

🎬 061.10-5 复杂循环神经网络代码实现-.mp4

🎬 062.10-6 编码器-解码器网络-.mp4

🎬 063.10-7 序列到序列模型代码实现-.mp4

🎬 064.10-8 束搜索算法-.mp4

🎬 065.10-9 机器翻译简单代码实现-.mp4

🎬 066.11-1 什么是注意力机制-.mp4

🎬 067.11-2 注意力的计算-.mp4

🎬 068.11-3 键值对注意力和多头注意力-.mp4

🎬 069.11-4 自注意力机制-.mp4

🎬 070.11-5 注意力池化及代码实现-.mp4

🎬 071.11-6 Transformer模型-.mp4

🎬 072.11-7 Transformer代码实现-.mp4

🎬 073.12-1BERT模型-.mp4

🎬 074.12-2 GPT系列模型-.mp4

🎬 075.12-3 T5模型-.mp4

🎬 076.12-4 ViT模型-.mp4

🎬 077.12-5 Swin Transformer模型-.mp4

🎬 078.12-6 GPT模型代码实现-.mp4

🎬 079.13-1 蒙特卡洛方法-.mp4

🎬 080.13-2 变分推断-.mp4

🎬 081.13-3 变分自编码器-.mp4

🎬 082.13-4 生成对抗网络-.mp4

🎬 083.13-5 Diffusion扩散模型-.mp4

🎬 084.13-6 图像生成-.mp4

🎬 085.14-1 自定义数据加载-.mp4

🎬 086.14-2 图像数据增强-.mp4

🎬 087.14-3 迁移学习-.mp4

🎬 088.14-4 经典视觉数据集-.mp4

🎬 089.14-5 项目实战：猫狗大战-.mp4

🎬 090.15-1 词嵌入和word2vec-.mp4

🎬 091.15-2 词义搜索和句意表示-.mp4

🎬 092.15-3 预训练模型-.mp4

🎬 093.15-4 Hugging Face库介绍-.mp4

🎬 094.15-5 经典NLP数据集-.mp4

🎬 095.15-6 项目实战：电影评论情感分析-.mp4

🎬 096.16-1 InstructGPT模型-.mp4

🎬 097.16-2 CLIP模型-.mp4

🎬 098.16-3 DALL-E模型-.mp4

PART2

🎬 099.16-4 深度学习最新发展趋势分析-.mp4

🎬 100.16-5 下一步学习的建议-.mp4

深度学习, 神经网络, CNN, RNN, Transformer