零基础AI入门实战(深度学习+Pytorch)，AI必备基础

通俗易懂

零基础入门

案例实战

跨专业提升

课程内容：

001-课程介绍

002-1-神经网络要完成的任务分析

003-2-模型更新方法解读

004-3-损失函数计算方法

005-4-前向传播流程解读

006-5-反向传播演示

007-6-神经网络整体架构详细拆解

008-7-神经网络效果可视化分析

009-8-神经元个数的作用

010-9-预处理与dropout的作用

011-1-卷积神经网络概述分析

012-2-卷积要完成的任务解读

013-3-卷积计算详细流程演示

014-4-层次结构的作用

015-5-参数共享的作用

016-6-池化层的作用与效果

017-7-整体网络结构架构分析

018-8-经典网络架构概述

019-1-RNN网络结构原理与问题

020-2-注意力结构历史故事介绍

021-3-self-attention要解决的问题

022-4-QKV的来源与作用

023-5-多头注意力机制的效果

024-6-位置编码与解码器

025-7-整体架构总结

026-8-BERT训练方式分析

027-1-PyTorch框架与其他框架区别分析

028-2-CPU与GPU版本安装方法解读

029-1-数据集与任务概述

030-2-基本模块应用测试

031-3-网络结构定义方法

032-4-数据源定义简介

033-5-损失与训练模块分析

034-6-训练一个基本的分类模型

035-7-参数对结果的影响

036-1-任务与数据集解读

037-2-参数初始化操作解读

038-3-训练流程实例

039-4-模型学习与预测

040-1-输入特征通道分析

041-2-卷积网络参数解读

042-3-卷积网络模型训练

043-1-任务分析与图像数据基本处理

044-2-数据增强模块

045-3-数据集与模型选择

046-4-迁移学习方法解读

047-5-输出层与梯度设置

048-6-输出类别个数修改

049-7-优化器与学习率衰减

050-8-模型训练方法

051-9-重新训练全部模型

052-10-测试结果演示分析

053-4-实用Dataloader加载数据并训练模型

054-1-Dataloader要完成的任务分析

055-2-图像数据与标签路径处理

056-3-Dataloader中需要实现的方法分析

057-1-数据集与任务目标分析

058-2-文本数据处理基本流程分析

059-3-命令行参数与DEBUG

060-4-训练模型所需基本配置参数分析

061-5-预料表与字符切分

062-6-字符预处理转换ID

063-7-LSTM网络结构基本定义

064-8-网络模型预测结果输出

065-9-模型训练任务与总结

066-1-基本结构与训练好的模型加载

067-2-服务端处理与预测函数

068-3-基于Flask测试模型预测结果

069-1-视觉transformer要完成的任务解读

070-1-项目源码准备

071-2-源码DEBUG演示

072-3-Embedding模块实现方法

073-4-分块要完成的任务

074-5-QKV计算方法

075-6-特征加权分配

076-7-完成前向传播

077-8-损失计算与训练