📝课程简介
从零开始，掌握深度学习的核心原理与PyTorch实战技能。课程专为初学者设计，无需数学或编程背景，通过通俗易懂的讲解和丰富的案例，带你轻松跨越AI入门门槛。
内容系统覆盖深度学习三大核心架构：从神经网络基础、卷积神经网络（CNN）到循环神经网络（RNN）与注意力机制（包括Transformer和BERT原理）。同时，课程以当前主流的PyTorch框架为工具，手把手教学员完成图像分类、文本处理、模型部署等多个实战项目。学员将不仅理解前向传播、反向传播、损失函数等关键概念，更能独立完成数据加载、网络搭建、模型训练与调优的全流程。
无论你是希望转行进入AI领域，还是寻求技能提升，本课程都将为你构建坚实的理论与实践基础，开启人工智能学习与应用的大门。
💾课程下载地址
📄课程目录
- 001-课程介绍.mp4 89.30M
- 002-1-神经网络要完成的任务分析.mp4 33.97M
- 003-2-模型更新方法解读.mp4 21.63M
- 004-3-损失函数计算方法.mp4 28.57M
- 005-4-前向传播流程解读.mp4 22.56M
- 006-5-反向传播演示.mp4 22.66M
- 007-6-神经网络整体架构详细拆解.mp4 43.76M
- 008-7-神经网络效果可视化分析.mp4 61.31M
- 009-8-神经元个数的作用.mp4 22.59M
- 010-9-预处理与dropout的作用.mp4 32.22M
- 011-1-卷积神经网络概述分析.mp4 40.19M
- 012-2-卷积要完成的任务解读.mp4 27.94M
- 013-3-卷积计算详细流程演示.mp4 59.98M
- 014-4-层次结构的作用.mp4 20.90M
- 015-5-参数共享的作用.mp4 20.04M
- 016-6-池化层的作用与效果.mp4 33.28M
- 017-7-整体网络结构架构分析.mp4 46.17M
- 018-8-经典网络架构概述.mp4 44.49M
- 019-1-RNN网络结构原理与问题.mp4 17.37M
- 020-2-注意力结构历史故事介绍.mp4 32.15M
- 021-3-self-attention要解决的问题.mp4 26.50M
- 022-4-QKV的来源与作用.mp4 27.32M
- 023-5-多头注意力机制的效果.mp4 29.07M
- 024-6-位置编码与解码器.mp4 28.88M
- 025-7-整体架构总结.mp4 26.54M
- 026-8-BERT训练方式分析.mp4 19.06M
- 027-1-PyTorch框架与其他框架区别分析.mp4 33.67M
- 028-2-CPU与GPU版本安装方法解读.mp4 78.84M
- 029-1-数据集与任务概述.mp4 39.06M
- 030-2-基本模块应用测试.mp4 40.36M
- 031-3-网络结构定义方法.mp4 51.04M
- 032-4-数据源定义简介.mp4 33.32M
- 033-5-损失与训练模块分析.mp4 35.74M
- 034-6-训练一个基本的分类模型.mp4 44.08M
- 035-7-参数对结果的影响.mp4 42.79M
- 036-1-任务与数据集解读.mp4 34.34M
- 037-2-参数初始化操作解读.mp4 39.52M
- 038-3-训练流程实例.mp4 40.51M
- 039-4-模型学习与预测.mp4 53.96M
- 040-1-输入特征通道分析.mp4 38.90M
- 041-2-卷积网络参数解读.mp4 28.27M
- 042-3-卷积网络模型训练.mp4 49.51M
- 043-1-任务分析与图像数据基本处理.mp4 36.60M
- 044-2-数据增强模块.mp4 39.06M
- 045-3-数据集与模型选择.mp4 36.18M
- 046-4-迁移学习方法解读.mp4 42.47M
- 047-5-输出层与梯度设置.mp4 53.80M
- 048-6-输出类别个数修改.mp4 43.77M
- 049-7-优化器与学习率衰减.mp4 44.11M
- 050-8-模型训练方法.mp4 44.56M
- 051-9-重新训练全部模型.mp4 41.78M
- 052-10-测试结果演示分析.mp4 99.73M
- 053-4-实用Dataloader加载数据并训练模型.mp4 58.27M
- 054-1-Dataloader要完成的任务分析.mp4 28.63M
- 055-2-图像数据与标签路径处理.mp4 42.04M
- 056-3-Dataloader中需要实现的方法分析.mp4 43.40M
- 057-1-数据集与任务目标分析.mp4 41.96M
- 058-2-文本数据处理基本流程分析.mp4 52.02M
- 059-3-命令行参数与DEBUG.mp4 32.80M
- 060-4-训练模型所需基本配置参数分析.mp4 38.21M
- 061-5-预料表与字符切分.mp4 30.05M
- 062-6-字符预处理转换ID.mp4 32.17M
- 063-7-LSTM网络结构基本定义.mp4 31.71M
- 064-8-网络模型预测结果输出.mp4 35.63M
- 065-9-模型训练任务与总结.mp4 40.98M
- 066-1-基本结构与训练好的模型加载.mp4 18.97M
- 067-2-服务端处理与预测函数.mp4 40.03M
- 068-3-基于Flask测试模型预测结果.mp4 40.69M
- 069-1-视觉transformer要完成的任务解读.mp4 30.20M
- 070-1-项目源码准备.mp4 41.74M
- 071-2-源码DEBUG演示.mp4 31.47M
- 072-3-Embedding模块实现方法.mp4 42.08M
- 073-4-分块要完成的任务.mp4 34.79M
- 074-5-QKV计算方法.mp4 39.92M
- 075-6-特征加权分配.mp4 39.65M
- 076-7-完成前向传播.mp4 36.92M
- 077-8-损失计算与训练.mp4 45.44M
⚠️ 本站所有数据均来源于互联网公开分享链接，仅供交流学习，请于24小时内删除，请支持正版。如有侵犯您的权益，请联系作者进行屏蔽删除处理！谢谢。