SGG-AI大模型之深度学习

课程介绍

深度学习是实现强人工智能最具潜力的技术途径，依赖海量数据的驱动和庞大的算力支持，可以精准完成很多非常复杂的任务，比如：物体检测、语音识别、语言翻译等。基于深度学习实现的计算机视觉、自然语言处理，已经成为当前人工智能发展的核心引擎，深度学习正在成为一种通用的工具，颠覆和重塑几乎所有的行业。 尚硅谷AI大模型之深度学习视频教程，是机器学习的后续课程，也是NLP的前置课程，内容分为神经网络基本原理、深度学习技巧、深度学习框架PyTorch和特殊结构网络四大部分。教程深入剖析了深度学习的底层原理，介绍了业界主流框架PyTorch的使用，通过大量应用案例和代码练习进行讲解，带你从零开始手动搭建深度神经网络。 教程前置知识：数学基础，讲解中涉及一些数学原理和公式推导；编程基础，需要熟练掌握Python语言；机器学习知识，深度学习课程是机器学习课程的延伸和深入，需要首先了解机器学习的基本概念和原理。

课程目录

├── 1.笔记
│ └── 1.笔记
│ └── 尚硅谷大模型技术之深度学习1.3.0.docx (14.71 MB)
├── 2.资料
│ └── 2.资料
│ ├── data
│ └── 图片
├── 3.代码
│ └── 3.代码
│ └── dl_tutorial.zip (47.43 MB)
└── 4.视频
├── 001_课程简介.mp4 (15.91 MB)
├── 002_深度学习_概述.mp4 (37.64 MB)
├── 003_神经网络_基本概念和结构.mp4 (40.06 MB)
├── 004_神经网络_感知机和激活函数.mp4 (19.82 MB)
├── 005_激活函数_阶跃、Sigmoid和Tanh.mp4 (64.10 MB)
├── 006_激活函数_ReLU.mp4 (19.68 MB)
├── 007_激活函数_Softmax.mp4 (61.54 MB)
├── 008_其它激活函数.mp4 (26.44 MB)
├── 009_简单神经网络_信号传递.mp4 (45.52 MB)
├── 010_简单神经网络_代码实现.mp4 (37.51 MB)
├── 011_神经网络案例_手写数字识别_整体思路.mp4 (36.42 MB)
├── 012_神经网络案例_手写数字识别_具体实现.mp4 (63.67 MB)
├── 013_神经网络案例_手写数字识别_小批量计算.mp4 (24.19 MB)
├── 014_损失函数_MSE.mp4 (29.64 MB)
├── 015_损失函数_交叉熵误差.mp4 (45.06 MB)
├── 016_损失函数_分类和回归任务常见损失函数.mp4 (23.38 MB)
├── 017_数值微分_求导.mp4 (35.88 MB)
├── 018_数值微分_计算切线.mp4 (32.68 MB)
├── 019_数值微分_偏导数和梯度.mp4 (16.48 MB)
├── 020_数值微分_计算梯度.mp4 (31.32 MB)
├── 021_定义神经网络类.mp4 (33.45 MB)
├── 022_神经网络的梯度计算.mp4 (42.55 MB)
├── 023_梯度下降法_原理和代码实现.mp4 (33.27 MB)
├── 024_梯度下降法案例_求最小值.mp4 (25.47 MB)
├── 025_梯度下降法_超参数的影响.mp4 (17.56 MB)
├── 026_梯度下降法_训练相关概念.mp4 (38.00 MB)
├── 027_梯度下降法_SGD基本原理.mp4 (28.18 MB)
├── 028_梯度下降法_SGD案例_神经网络类实现.mp4 (55.78 MB)
├── 029_梯度下降法_SGD案例_加载数据和定义超参数.mp4 (32.37 MB)
├── 030_梯度下降法_SGD案例_模型训练和测试.mp4 (63.67 MB)
├── 031_反向传播_计算图和反向求导.mp4 (54.75 MB)
├── 032_反向传播_链式法则.mp4 (21.58 MB)
├── 033_反向传播_加法和乘法节点.mp4 (16.72 MB)
├── 034_反向传播_激活函数层_ReLU.mp4 (33.68 MB)
├── 035_反向传播_激活函数层_Sigmoid.mp4 (39.52 MB)
├── 036_反向传播_仿射层Affine.mp4 (81.42 MB)
├── 037_反向传播_输出层_基本介绍.mp4 (30.89 MB)
├── 038_反向传播_输出层_原理推导.mp4 (55.78 MB)
├── 039_反向传播_输出层_代码实现.mp4 (28.25 MB)
├── 040_综合应用案例_手写数字识别_定义网络类.mp4 (69.27 MB)
├── 041_综合应用案例_手写数字识别_模型训练和测试.mp4 (43.95 MB)
├── 042_深度神经网络.mp4 (39.77 MB)
├── 043_梯度消失和梯度爆炸.mp4 (45.04 MB)
├── 044_学习优化方法_SGD.mp4 (38.76 MB)
├── 045_学习优化方法_动量法.mp4 (51.86 MB)
├── 046_学习优化方法_学习率衰减.mp4 (30.72 MB)
├── 047_学习优化方法_AdaGrad.mp4 (35.32 MB)
├── 048_学习优化方法_RMSProp.mp4 (27.48 MB)
├── 049_学习优化方法_Adam.mp4 (69.89 MB)
├── 050_学习优化方法_综合对比.mp4 (83.73 MB)
├── 051_学习优化方法_超参数的调节.mp4 (30.50 MB)
├── 052_参数初始化_常数初始化及其问题.mp4 (38.46 MB)
├── 053_参数初始化_Xavier和He初始化.mp4 (33.88 MB)
├── 054_正则化_Batch Norm.mp4 (41.24 MB)
├── 055_正则化_权值衰减和Dropout.mp4 (27.18 MB)
├── 056_PyTorch_基本介绍.mp4 (19.29 MB)
├── 057_PyTorch_安装流程及CUDA介绍.mp4 (66.60 MB)
├── 058_PyTorch_安装完成验证.mp4 (20.98 MB)
├── 059_PyTorch_张量创建_按内容.mp4 (35.09 MB)
├── 060_PyTorch_张量创建_按形状.mp4 (27.15 MB)
├── 061_PyTorch_张量创建_按类型.mp4 (28.32 MB)
├── 062_PyTorch_张量创建_指定区间.mp4 (23.11 MB)
├── 063_PyTorch_张量创建_按数值填充.mp4 (22.98 MB)
├── 064_PyTorch_张量创建_随机生成.mp4 (22.95 MB)
├── 065_PyTorch_随机排列和随机数种子.mp4 (10.75 MB)
├── 066_PyTorch_张量转换_元素数据类型转换.mp4 (18.84 MB)
├── 067_PyTorch_张量转换_张量和ndarray的转换.mp4 (43.00 MB)
├── 068_PyTorch_张量转换_张量和标量的转换.mp4 (12.04 MB)
├── 069_PyTorch_张量数值计算_基本运算.mp4 (37.14 MB)
├── 070_PyTorch_张量数值计算_哈达玛积和矩阵乘法.mp4 (29.57 MB)
├── 071_PyTorch_节省内存.mp4 (37.55 MB)
├── 072_PyTorch_张量统计运算函数.mp4 (65.29 MB)
├── 073_PyTorch_张量索引操作_简单索引和范围索引.mp4 (28.67 MB)
├── 074_PyTorch_张量索引操作_列表索引.mp4 (18.47 MB)
├── 075_PyTorch_张量索引操作_布尔索引.mp4 (48.04 MB)
├── 076_PyTorch_张量形状操作_交换维度.mp4 (23.13 MB)
├── 077_PyTorch_张量形状操作_调整形状.mp4 (26.62 MB)
├── 078_PyTorch_张量形状操作_增减维度.mp4 (20.20 MB)
├── 079_PyTorch_张量拼接和堆叠.mp4 (25.67 MB)
├── 080_PyTorch_自动微分模块_计算梯度基本流程.mp4 (73.14 MB)
├── 081_PyTorch_自动微分模块_梯度计算原理.mp4 (17.34 MB)
├── 082_PyTorch_自动微分模块_分离张量.mp4 (34.17 MB)
├── 083_PyTorch_自动微分模块_detach对梯度计算的影响.mp4 (14.35 MB)
├── 084_PyTorch_自动微分模块_detach与data的区别.mp4 (33.12 MB)
├── 085_PyTorch_线性回归案例_模块和流程介绍.mp4 (30.61 MB)
├── 086_PyTorch_线性回归案例_代码实现.mp4 (88.40 MB)
├── 087_PyTorch深度学习_激活函数_Sigmoid.mp4 (45.69 MB)
├── 088_PyTorch深度学习_激活函数_Tanh.mp4 (16.41 MB)
├── 089_PyTorch深度学习_激活函数_ReLU.mp4 (12.03 MB)
├── 090_PyTorch深度学习_激活函数_Softmax.mp4 (19.66 MB)
├── 091_PyTorch深度学习_全连接层和参数初始化.mp4 (62.53 MB)
├── 092_PyTorch深度学习_Dropout层.mp4 (17.58 MB)
├── 093_PyTorch深度学习_神经网络搭建.mp4 (53.84 MB)
├── 094_PyTorch深度学习_查看模型参数.mp4 (24.02 MB)
├── 095_PyTorch深度学习_查看模型结构和参数数量.mp4 (31.30 MB)
├── 096_PyTorch深度学习_device设置.mp4 (30.81 MB)
├── 097_PyTorch深度学习_使用Sequential创建神经网络.mp4 (42.02 MB)
├── 098_PyTorch深度学习_损失函数_BCE.mp4 (31.96 MB)
├── 099_PyTorch深度学习_损失函数_CrossEntropyLoss.mp4 (41.12 MB)
├── 100_PyTorch深度学习_损失函数_回归任务损失函数.mp4 (16.99 MB)
├── 101_PyTorch深度学习_损失函数_综合测试.mp4 (39.27 MB)
├── 102_PyTorch深度学习_动量法.mp4 (71.12 MB)
├── 103_PyTorch深度学习_学习率衰减_等间隔.mp4 (42.54 MB)
├── 104_PyTorch深度学习_学习率衰减_指定间隔和指数衰减.mp4 (24.89 MB)
├── 105_PyTorch深度学习_AdaGrad和RMSProp.mp4 (32.74 MB)
├── 106_PyTorch深度学习_Adam.mp4 (24.50 MB)
├── 107_房价预测案例_数据分析和导入模块.mp4 (50.08 MB)
├── 108_房价预测案例_特征工程.mp4 (74.91 MB)
├── 109_房价预测案例_模型创建.mp4 (22.18 MB)
├── 110_房价预测案例_定义损失函数.mp4 (25.86 MB)
├── 111_房价预测案例_训练模型和测试.mp4 (70.89 MB)
├── 112_CNN_基本结构.mp4 (16.70 MB)
├── 113_CNN_卷积层_基本介绍.mp4 (15.10 MB)
├── 114_CNN_卷积层_数学上的卷积.mp4 (56.78 MB)
├── 115_CNN_卷积层_CNN的卷积运算.mp4 (21.08 MB)
├── 116_CNN_卷积层_填充.mp4 (14.02 MB)
├── 117_CNN_卷积层_步幅和输出形状计算.mp4 (30.32 MB)
├── 118_CNN_卷积层_3维数据卷积运算.mp4 (26.74 MB)
├── 119_CNN_卷积层_API调用和测试.mp4 (56.36 MB)
├── 120_CNN_池化层_基本概念和特点.mp4 (25.77 MB)
├── 121_CNN_池化层_API调用和测试.mp4 (34.40 MB)
├── 122_CNN_深度卷积神经网络.mp4 (86.65 MB)
├── 123_服装分类案例_加载数据集.mp4 (47.66 MB)
├── 124_服装分类案例_创建模型.mp4 (43.07 MB)
├── 125_服装分类案例_模型训练.mp4 (62.96 MB)
├── 126_服装分类案例_模型测试.mp4 (46.70 MB)
├── 127_NLP概述.mp4 (64.33 MB)
├── 128_词向量和词嵌入.mp4 (28.47 MB)
├── 129_嵌入层API使用.mp4 (55.00 MB)
├── 130_词嵌入应用和NLP模型.mp4 (57.46 MB)
├── 131_RNN_基本结构和原理.mp4 (31.63 MB)
├── 132_RNN_API调用.mp4 (68.03 MB)
├── 133_RNN_输入输出形状.mp4 (38.96 MB)
├── 134_古诗生成案例_数据预处理.mp4 (67.49 MB)
├── 135_古诗生成案例_创建数据集.mp4 (56.52 MB)
├── 136_古诗生成案例_创建模型.mp4 (31.21 MB)
├── 137_古诗生成案例_模型训练.mp4 (46.40 MB)
└── 138_古诗生成案例_生成新诗.mp4 (70.49 MB)