PyTorch深度学习
视频介绍
深度学习是实现强人工智能的技术途径之一，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。
视频目录 选集
- 001_课程简介
- 002_深度学习_概述
- 003_神经网络_基本概念和结构
- 004_神经网络_感知机和激活函数
- 005_激活函数_阶跃、Sigmoid和Tanh
- 006_激活函数_ReLU
- 007_激活函数_Softmax
- 008_其它激活函数
- 009_简单神经网络_信号传递
- 010_简单神经网络_代码实现
- 011_神经网络案例_手写数字识别_整体思路
- 012_神经网络案例_手写数字识别_具体实现
- 013_神经网络案例_手写数字识别_小批量计算
- 014_损失函数_MSE
- 015_损失函数_交叉熵误差
- 016_损失函数_分类和回归任务常见损失函数
- 017_数值微分_求导
- 018_数值微分_计算切线
- 019_数值微分_偏导数和梯度
- 020_数值微分_计算梯度
- 021_定义神经网络类
- 022_神经网络的梯度计算
- 023_梯度下降法_原理和代码实现
- 024_梯度下降法案例_求最小值
- 025_梯度下降法_超参数的影响
- 026_梯度下降法_训练相关概念
- 027_梯度下降法_SGD基本原理
- 028_梯度下降法_SGD案例_神经网络类实现
- 029_梯度下降法_SGD案例_加载数据和定义超参数
- 030_梯度下降法_SGD案例_模型训练和测试
- 031_反向传播_计算图和反向求导
- 032_反向传播_链式法则
- 033_反向传播_加法和乘法节点
- 034_反向传播_激活函数层_ReLU
- 035_反向传播_激活函数层_Sigmoid
- 036_反向传播_仿射层Affine
- 037_反向传播_输出层_基本介绍
- 038_反向传播_输出层_原理推导
- 039_反向传播_输出层_代码实现
- 040_综合应用案例_手写数字识别_定义网络类
- 041_综合应用案例_手写数字识别_模型训练和测试
- 042_深度神经网络
- 043_梯度消失和梯度爆炸
- 044_学习优化方法_SGD
- 045_学习优化方法_动量法
- 046_学习优化方法_学习率衰减
- 047_学习优化方法_AdaGrad
- 048_学习优化方法_RMSProp
- 049_学习优化方法_Adam
- 050_学习优化方法_综合对比
- 051_学习优化方法_超参数的调节
- 052_参数初始化_常数初始化及其问题
- 053_参数初始化_Xavier和He初始化
- 054_正则化_Batch Norm
- 055_正则化_权值衰减和Dropout
- 056_PyTorch_基本介绍
- 057_PyTorch_安装流程及CUDA介绍
- 058_PyTorch_安装完成验证
- 059_PyTorch_张量创建_按内容
- 060_PyTorch_张量创建_按形状
- 061_PyTorch_张量创建_按类型
- 062_PyTorch_张量创建_指定区间
- 063_PyTorch_张量创建_按数值填充
- 064_PyTorch_张量创建_随机生成
- 065_PyTorch_随机排列和随机数种子
- 066_PyTorch_张量转换_元素数据类型转换
- 067_PyTorch_张量转换_张量和ndarray的转换
- 068_PyTorch_张量转换_张量和标量的转换
- 069_PyTorch_张量数值计算_基本运算
- 070_PyTorch_张量数值计算_哈达玛积和矩阵乘法
- 071_PyTorch_节省内存
- 072_PyTorch_张量统计运算函数
- 073_PyTorch_张量索引操作_简单索引和范围索引
- 074_PyTorch_张量索引操作_列表索引
- 075_PyTorch_张量索引操作_布尔索引
- 076_PyTorch_张量形状操作_交换维度
- 077_PyTorch_张量形状操作_调整形状
- 078_PyTorch_张量形状操作_增减维度
- 079_PyTorch_张量拼接和堆叠
- 080_PyTorch_自动微分模块_计算梯度基本流程
- 081_PyTorch_自动微分模块_梯度计算原理
- 082_PyTorch_自动微分模块_分离张量
- 083_PyTorch_自动微分模块_detach对梯度计算的影响
- 084_PyTorch_自动微分模块_detach与data的区别
- 085_PyTorch_线性回归案例_模块和流程介绍
- 086_PyTorch_线性回归案例_代码实现
- 087_PyTorch深度学习_激活函数_Sigmoid
- 088_PyTorch深度学习_激活函数_Tanh
- 089_PyTorch深度学习_激活函数_ReLU
- 090_PyTorch深度学习_激活函数_Softmax
- 091_PyTorch深度学习_全连接层和参数初始化
- 092_PyTorch深度学习_Dropout层
- 093_PyTorch深度学习_神经网络搭建
- 094_PyTorch深度学习_查看模型参数
- 095_PyTorch深度学习_查看模型结构和参数数量
- 096_PyTorch深度学习_device设置
- 097_PyTorch深度学习_使用Sequential创建神经网络
- 098_PyTorch深度学习_损失函数_BCE
- 099_PyTorch深度学习_损失函数_CrossEntropyLoss
- 100_PyTorch深度学习_损失函数_回归任务损失函数
- 101_PyTorch深度学习_损失函数_综合测试
- 102_PyTorch深度学习_动量法
- 103_PyTorch深度学习_学习率衰减_等间隔
- 104_PyTorch深度学习_学习率衰减_指定间隔和指数衰减
- 105_PyTorch深度学习_AdaGrad和RMSProp
- 106_PyTorch深度学习_Adam
- 107_房价预测案例_数据分析和导入模块
- 108_房价预测案例_特征工程
- 109_房价预测案例_模型创建
- 110_房价预测案例_定义损失函数
- 111_房价预测案例_训练模型和测试
- 112_CNN_基本结构
- 113_CNN_卷积层_基本介绍
- 114_CNN_卷积层_数学上的卷积
- 115_CNN_卷积层_CNN的卷积运算
- 116_CNN_卷积层_填充
- 117_CNN_卷积层_步幅和输出形状计算
- 118_CNN_卷积层_3维数据卷积运算
- 119_CNN_卷积层_API调用和测试
- 120_CNN_池化层_基本概念和特点
- 121_CNN_池化层_API调用和测试
- 122_CNN_深度卷积神经网络
- 123_服装分类案例_加载数据集
- 124_服装分类案例_创建模型
- 125_服装分类案例_模型训练
- 126_服装分类案例_模型测试
- 127_NLP概述
- 128_词向量和词嵌入
- 129_嵌入层API使用
- 130_词嵌入应用和NLP模型
- 131_RNN_基本结构和原理
- 132_RNN_API调用
- 133_RNN_输入输出形状
- 134_古诗生成案例_数据预处理
- 135_古诗生成案例_创建数据集
- 136_古诗生成案例_创建模型
- 137_古诗生成案例_模型训练
- 138_古诗生成案例_生成新诗