資源名稱(chēng)：零基礎(chǔ)AI入門(mén)實(shí)戰(zhàn) (深度學(xué)習(xí)+Pytorch)

資源簡(jiǎn)介：一套關(guān)于深度學(xué)習(xí)和PyTorch入門(mén)的課程，涵蓋了深度學(xué)習(xí)的核心概念和PyTorch框架的使用方法，助學(xué)習(xí)者在AI領(lǐng)域迅速提升自己的技能水平。

鏈接：【百度網(wǎng)盤(pán)】https://pan.baidu.com/share/init?surl=j36H_mTgCYOwam3n15otvA&pwd=v8ja

目錄：

001-課程介紹.mp4，89.3M

002-1-神經(jīng)網(wǎng)絡(luò)要完成的任務(wù)分析.mp4，34M

003-2-模型更新方法解讀.mp4，21.6M

004-3-損失函數(shù)計(jì)算方法.mp4，28.6M

005-4-前向傳播流程解讀.mp4，22.6M

006-5-反向傳播演示.mp4，22.7M

007-6-神經(jīng)網(wǎng)絡(luò)整體架構(gòu)詳細(xì)拆解.mp4，43.8M

008-7-神經(jīng)網(wǎng)絡(luò)效果可視化分析.mp4，61.3M

009-8-神經(jīng)元個(gè)數(shù)的作用.mp4，22.6M

010-9-預(yù)處理與dropout的作用.mp4，32.2M

011-1-卷積神經(jīng)網(wǎng)絡(luò)概述分析.mp4，40.2M

012-2-卷積要完成的任務(wù)解讀.mp4，27.9M

013-3-卷積計(jì)算詳細(xì)流程演示.mp4，60M

014-4-層次結(jié)構(gòu)的作用.mp4，20.9M

015-5-參數(shù)共享的作用.mp4，20M

016-6-池化層的作用與效果.mp4，33.3M

017-7-整體網(wǎng)絡(luò)結(jié)構(gòu)架構(gòu)分析.mp4，46.2M

018-8-經(jīng)典網(wǎng)絡(luò)架構(gòu)概述.mp4，44.5M

019-1-RNN網(wǎng)絡(luò)結(jié)構(gòu)原理與問(wèn)題.mp4，17.4M

020-2-注意力結(jié)構(gòu)歷史故事介紹.mp4，32.2M

021-3-self-attention要解決的問(wèn)題.mp4，26.5M

022-4-QKV的來(lái)源與作用.mp4，27.3M

023-5-多頭注意力機(jī)制的效果.mp4，29.1M

024-6-位置編碼與解碼器.mp4，28.9M

025-7-整體架構(gòu)總結(jié).mp4，26.5M

026-8-BERT訓(xùn)練方式分析.mp4，19.1M

027-1-PyTorch框架與其他框架區(qū)別分析.mp4，33.7M

028-2-CPU與GPU版本安裝方法解讀.mp4，78.8M

029-1-數(shù)據(jù)集與任務(wù)概述.mp4，39.1M

030-2-基本模塊應(yīng)用測(cè)試.mp4，40.4M

031-3-網(wǎng)絡(luò)結(jié)構(gòu)定義方法.mp4，51M

032-4-數(shù)據(jù)源定義簡(jiǎn)介.mp4，33.3M

033-5-損失與訓(xùn)練模塊分析.mp4，35.7M

034-6-訓(xùn)練一個(gè)基本的分類(lèi)模型.mp4，44.1M

035-7-參數(shù)對(duì)結(jié)果的影響.mp4，42.8M

036-1-任務(wù)與數(shù)據(jù)集解讀.mp4，34.3M

037-2-參數(shù)初始化操作解讀.mp4，39.5M

038-3-訓(xùn)練流程實(shí)例.mp4，40.5M

039-4-模型學(xué)習(xí)與預(yù)測(cè).mp4，54M

040-1-輸入特征通道分析.mp4，38.9M

041-2-卷積網(wǎng)絡(luò)參數(shù)解讀.mp4，28.3M

042-3-卷積網(wǎng)絡(luò)模型訓(xùn)練.mp4，49.5M

043-1-任務(wù)分析與圖像數(shù)據(jù)基本處理.mp4，36.6M

044-2-數(shù)據(jù)增強(qiáng)模塊.mp4，39.1M

045-3-數(shù)據(jù)集與模型選擇.mp4，36.2M

046-4-遷移學(xué)習(xí)方法解讀.mp4，42.5M

047-5-輸出層與梯度設(shè)置.mp4，53.8M

048-6-輸出類(lèi)別個(gè)數(shù)修改.mp4，43.8M

049-7-優(yōu)化器與學(xué)習(xí)率衰減.mp4，44.1M

050-8-模型訓(xùn)練方法.mp4，44.6M

051-9-重新訓(xùn)練全部模型.mp4，41.8M

052-10-測(cè)試結(jié)果演示分析.mp4，99.7M

053-4-實(shí)用Dataloader加載數(shù)據(jù)并訓(xùn)練模型.mp4，58.3M

054-1-Dataloader要完成的任務(wù)分析.mp4，28.6M

055-2-圖像數(shù)據(jù)與標(biāo)簽路徑處理.mp4，42M

056-3-Dataloader中需要實(shí)現(xiàn)的方法分析.mp4，43.4M

057-1-數(shù)據(jù)集與任務(wù)目標(biāo)分析.mp4，42M

058-2-文本數(shù)據(jù)處理基本流程分析.mp4，52M

059-3-命令行參數(shù)與DEBUG.mp4，32.8M

060-4-訓(xùn)練模型所需基本配置參數(shù)分析.mp4，38.2M

061-5-預(yù)料表與字符切分.mp4，30.1M

062-6-字符預(yù)處理轉(zhuǎn)換ID.mp4，32.2M

063-7-LSTM網(wǎng)絡(luò)結(jié)構(gòu)基本定義.mp4，31.7M

064-8-網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果輸出.mp4，35.6M

065-9-模型訓(xùn)練任務(wù)與總結(jié).mp4，41M

066-1-基本結(jié)構(gòu)與訓(xùn)練好的模型加載.mp4，19M

067-2-服務(wù)端處理與預(yù)測(cè)函數(shù).mp4，40M

068-3-基于Flask測(cè)試模型預(yù)測(cè)結(jié)果.mp4，40.7M

069-1-視覺(jué)transformer要完成的任務(wù)解讀.mp4，30.2M

070-1-項(xiàng)目源碼準(zhǔn)備.mp4，41.7M

071-2-源碼DEBUG演示.mp4，31.5M

072-3-Embedding模塊實(shí)現(xiàn)方法.mp4，42.1M

073-4-分塊要完成的任務(wù).mp4，34.8M

074-5-QKV計(jì)算方法.mp4，39.9M

075-6-特征加權(quán)分配.mp4，39.7M

076-7-完成前向傳播.mp4，36.9M

077-8-損失計(jì)算與訓(xùn)練.mp4，45.4M

關(guān)鍵詞：#深度學(xué)習(xí) #PyTorch #AI #教程