6年口碑积累，120+小时超丰富内容体系大课，完整涵盖“深度神经网络+计算机视觉(生成对抗网络+卷积网络)+自然语言处理(循环网络+Transformer)+大语言模型+深度架构落地技巧+企业级实战案例”【6大模块】，零基础直达论文发水平，就业&毕设&竞赛一步到位！
资源目录：
01_Lesson-0.1-GPU购买与GPU白嫖指南_ev.mp4
02_Lesson-0.2-PyTorch安装与部署（CPU版本）_ev.mp4
03_Lesson-0.3-PyTorch安装与配置（GPU版本）_ev.mp4
04_Lesson-1-张量的创建与常用方法_ev.mp4
05_Lesson-2-张量的索引、分片、合并及维度调整_ev.mp4
06_Lesson-3-张量的广播和科学运算_ev.mp4
07_Lesson-4-张量的线性代数运算_ev.mp4
08_Lesson-5-基本优化方法与最小二乘法_ev.mp4
09_Lesson-6-动态计算图与梯度下降入门_ev.mp4
10_Lesson-7.1-神经网络的诞生与发展_ev.mp4
11_Lesson-7.2-机器学习中的基本概念_ev.mp4
12_Lesson-7.3-深入理解PyTorch框架_ev.mp4
13_Lesson-8.1单层回归神经网络-&-Tensor新手避坑指南_ev.mp4
14_Lesson-8.2-torch.nn.Linear实现单层回归网络的正向传播_ev.mp4
15_Lesson-8.3-二分类神经网络的原理与实现_ev.mp4
16_Lesson-8.4-torch.nn.functional实现单层二分类网络的正向传播_ev.mp4
17_Lesson-8.5-多分类神经网络_ev.mp4
18_Lesson-9.1-从异或门问题认识多层神经网络_ev.mp4
19_Lesson-9.2-黑箱：深度神经网络的不可解释性_ev.mp4
20_Lesson-9.3-&-9.4-层与激活函数_ev.mp4
21_Lesson-9.5-从0实现深度神经网络的正向传播_ev.mp4
22_Lesson-10.1-SSE与二分类交叉熵损失_ev.mp4
23_Lesson-10.2-二分类交叉熵的原理与实现_ev.mp4
24_Lesson-10.3-多分类交叉熵的原理与实现_ev.mp4
25_Lesson-11.1-梯度下降中的两个关键问题_ev.mp4
26_Lesson-11.2.1-反向传播的原理_ev.mp4
27_Lesson-11.2.2-反向传播的实现_ev.mp4
28_Lesson-11.3-走出第一步：动量法Momentum_ev.mp4
29_Lesson-11.4-开始迭代：batch与epochs_ev.mp4
30_Lesson-11.5.1-在Fashion-MNIST数据集上实现完整的神经网络（上）_ev.mp4
31_Lesson-11.5.2-在Fashion-MNIST数据集上实现完整的神经网络（下）_ev.mp4
32_Lesson-12.0-深度学习基础网络手动搭建与快速实现_ev.mp4
33_Lesson-12.1-深度学习建模实验中数据集生成函数的创建与使用_ev.mp4
34_Lesson-12.2-可视化工具TensorBoard的安装与使用_ev.mp4
35_Lesson-12.3-线性回归建模实验_ev.mp4
36_Lesson-12.4-逻辑回归建模实验_ev.mp4
37_Lesson-12.5-softmax回归建模实验_ev.mp4
38_Lesson-13.1-深度学习建模目标与性能评估理论_ev.mp4
39_Lesson-13.2.1-模型拟合度概念介绍与欠拟合模型的结构调整策略_ev.mp4
40_Lesson-13.2.2-【加餐】损失函数的随机创建现象详解_ev.mp4
41_Lesson-13.3.1-梯度不平稳性与Glorot条件（1）_ev.mp4
42_Lesson-13.3.2-梯度不平稳性与Glorot条件（2）_ev.mp4
43_Lesson-13.3.3-梯度不平稳性与Glorot条件（3）_ev.mp4
44_Lesson-13.4-Dead-ReLU-Problem与学习率优化_ev.mp4
45_Lesson-13.5-Xavier方法与kaiming方法（HE初始化）_ev.mp4
46_Lesson-14.1-数据归一化与Batch-Normalization基础理论_ev.mp4
47_Lesson-14.2-Batch-Normalization在PyTorch中的实现_ev.mp4
48_Lesson-14.3-Batch-Normalization综合调参实战_ev.mp4
49_Lesson-15.1-学习率调度基本概念与手动实现方法_ev.mp4
50_Lesson-15.2-学习率调度在PyTorch中的实现方法_ev.mp4
51_Lesson-16.1-配置环境，计算机视觉行业综述_ev.mp4
52_Lesson-16.2-图像的基本操作_ev.mp4
53_Lesson-16.3-卷积操作与边缘检测_ev.mp4
54_Lesson-16.4-卷积遇见深度学习_ev.mp4
55_Lesson-16.5.1-在Pytorch中实现卷积网络：卷积核、输入通与特征图_ev.mp4
56_Lesson-16.5.2-在PyTorch中实现卷积网络：步长与填充_ev.mp4
57_Lesson-16.5.3-在PyTorch中实现卷积网络：池化层，BN与Dropout_ev.mp4
58_Lesson-16.6.1-复现经典架构(1)：LeNet5_ev.mp4
59_Lesson-16.6.2-复现经典架构(2)：AlexNet_ev.mp4
60_Lesson-16.7-如何拓展网络深度：VGG架构_ev.mp4
61_Lesson-16.8.1-感受野（上）：定义与性质_ev.mp4
62_Lesson-16.8.2-感受野（下）：膨胀卷积，计算感受野大小_ev.mp4
63_Lesson-16.9-平移不变性_ev.mp4
64_Lesson-16.10-卷积层的参数量计算，1×1卷积核_ev.mp4
65_Lesson-16.11-分组卷积与深度可分离卷积_ev.mp4
66_Lesson-16.12-全连接层的参数，用nn.Sequential复现VGG16_ev.mp4
67_Lesson-16.13-全局平均池化，NiN网络的复现_ev.mp4
68_Lesson-16.14-GoogLeNet：思想与具体架构_ev.mp4
69_Lesson-16.15-GoogLeNet的复现_ev.mp4
70_Lesson-16.16-残差网络：思想与具体架构_ev.mp4
71_Lesson-16.17.1-ResNet的复现-(1)-：架构中的陷阱_ev.mp4
72_Lesson-16.17.2-ResNet的复现-(2)-：卷积块、残差块、瓶颈架构_ev.mp4
73_Lesson-16.17.3-ResNet的复现-(3)：完整的残差网络_ev.mp4
74_Lesson-17.1-计算机视觉中的三种基本任务_ev.mp4
75_Lesson-17.2.1-经典数据集(1)：入门数据集，新手读数据踩坑指南_ev.mp4
76_Lesson-17.2.2-经典数据集(2)：竞赛数据与其他常用数据_ev.mp4
77_Lesson-17.3.1-使用自己的图像创造数据集_ev.mp4
78_Lesson-17.3.2-将二维表及其他结构转化为四维tensor_ev.mp4
79_Lesson-17.4-图像数据的数据预处理_ev.mp4
80_Lesson-17.5-数据增强_ev.mp4
81_Lesson-17.6.1-更强大的优化算法-(1)-AdaGrad_ev.mp4
82_Lesson-17.6.2-更强大的优化算法(2)-RMSprop与Adam_ev.mp4
83_Lesson-17.7-调用经典架构_ev.mp4
84_Lesson-17.8.1-基于ResNet与VGG16自建架构_ev.mp4
85_Lesson-17.8.2-基于普通卷积层和池化层自建架构_ev.mp4
86_Lesson-17.9-有监督算法的预训练.迁移学习_ev.mp4
87_Lesson-17.10-深度学习中的模型选择_ev.mp4
88_Lesson-17.11(1)-案例1：项目背景.完整流程概述_ev.mp4
89_Lesson-17.11(2)-案例1：数据与架构_ev.mp4
90_Lesson-17.11(3)-案例1：提前停止_ev.mp4
91_Lesson-17.11(4)-案例1：一个完整的训练函数_ev.mp4
92_Lesson-17.11(5)-准备训练函数所需的全部参数_ev.mp4
93_Lesson-17.11(6)-GPU内存管理机制、训练函数的GPU版本_ev.mp4
94_Lesson-17.11(7)-初步训练：模型选择_ev.mp4
95_Lesson-17.11(8)-模型调优(1)：增加迭代次数，让迭代更稳定_ev.mp4
96_Lesson-17.11(9)-模型调优(2)：对抗过拟合，其他可探索的方向_ev.mp4
97_Lesson-18.1-案例背景与benchmark建立_ev.mp4
98_Lesson-18.2.1-使用OpenCV批量分片高像素图像（上）_ev.mp4
99_Lesson-18.2.2-使用OpenCV批量分片高像素图像（下）_ev.mp4100_Lesson-18.3.1-数据探索（上）：数据结构与病理图像可视化_ev.mp4
101_Lesson-18.3.2-数据探索（下）：标签探索与恶性率可视化_ev.mp4
102_Lesson-18.4.1-自定义数据集导入类与数据集分割_ev.mp4
103_Lesson-18.4.2.1-医疗数据的数据增强-(1)-10项色彩增强手段_ev.mp4
104_Lesson-18.4.2.2-医疗数据的数据增强-(2)-生成对抗网络与染色标准化_ev.mp4
105_Lesson-18.4.3.1-实现色彩增强-(1)-认识imgaug与skimage_ev.mp4
106_Lesson-18.4.3.2-实现色彩增强-(2)-imgaug中的仿射变换与随机增强_ev.mp4
107_Lesson-18.4.3.3-实现色彩增强-(3)-imgaug中的线性变换与色彩加乘_ev.mp4
108_Lesson-18.4.3.4-实现色彩增强-(4)-基于苏木素H与伊红E的色彩空间转换_ev.mp4
109_Lesson-18.4.3.5-数据增强方案-(5)：imgaug与skimage嵌入运行_ev.mp4
110_Lesson-18.4.3.6-数据增强方案-(6)：基于HED通道的单通道操作嵌入运行_ev.mp4
111_Lesson-18.4.4.1-生成对抗网络的基本原理与损失函数_ev.mp4
112_Lesson-18.4.4.2-(1)-从0实现GAN的反向传播与训练_ev.mp4
113_Lesson-18.4.4.2-(2)-判别器的反向传播_ev.mp4
114_Lesson-18.4.4.2-(3)-生成器的反向传播_ev.mp4
115_Lesson-18.4.4.3-转置卷积层与DCGAN(1)：基本原理与实现_ev.mp4
116_Lesson-18.4.4.3-转置卷积层与DCGAN(2)：带步长与填充的转置卷积层（上_ev.mp4
117_Lesson-18.4.4.3-转置卷积层与DCGAN(2)：带步长与填充的转置卷积层（下_ev.mp4
118_Lesson-18.4.4.3-转置卷积层与DCGAN(3)：DCGAN架构复现-(上)_ev.mp4
119_Lesson-18.4.4.3-转置卷积层与DCGAN(3)：DCGAN架构复现-(下)_ev.mp4
120_Lesson-18.4.4.3-转置卷积层与DCGAN(4)：从DCGAN到pix2pix_ev.mp4
121_Lesson-18.4.4.4-cGAN与InfoGAN(1)：基本运行原理_ev.mp4
122_Lesson-18.4.4.4-cGAN与InfoGAN(2)-标签输入与Embed技巧_ev.mp4
123_Lesson-18.4.4.4-cGAN与infoGAN-(3)-从0复现一个cGAN架构_ev.mp4
124_Lesson-18.4.5.1-自动编码器家族(1)：认识自动编码器_ev.mp4
125_Lesson-18.4.5.1-自动编码器家族(2)：三大类自动编码器_ev.mp4
126_Lesson-18.4.5.1-自动编码器家族(3)：自动编码器的应用场景_ev.mp4
127_Lesson-18.4.5.2【加餐】变分自动编码器(1)：数据流与细节梳理_ev.mp4
128_Lesson-18.4.5.2【加餐】变分自动编码器(2)：损失函数详解_ev.mp4
129_Lesson-18.4.5.2【加餐】变分自动编码器(3)：重参数化技巧_ev.mp4
130_Lesson-18.4.6.1-分割架构必备基础_ev.mp4
131_Lesson-18.4.6.2-Unet架构复现_ev.mp4
132_Lesson-19.1.1-欢迎来到NLP的世界_ev.mp4
133_Lesson-19.1.2-大模型的行业影响与发展_ev.mp4
134_Lesson-19.2.1-深度学习中的时间序列数据_ev.mp4
135_Lesson-19.2.2-文字序列数据—结构与分词操作_ev.mp4
136_Lesson-19.2.3-文字序列数据—Token与编码_ev.mp4
137_Lesson-19.3.1~3.2-RNN的架构与数据流_ev.mp4
138_Lesson-19.3.3-各类NLP任务下循环神经网络的输入与输出_ev.mp4
139_Lesson-19.3.4.1-认识PyTorch中nn.RNN层_ev.mp4
140_Lesson-19.3.4.2-在PyTorch中实现RNN_ev.mp4
141_Lesson-19.3.4.3-深度神经网络的实现_ev.mp4
142_Lesson-19.3.4.4-自定义循环层中的循环数据流_ev.mp4
143_Lesson-19.3.4.5-双向循环神经网络_ev.mp4
144_LESSON-19.3.4.6【加餐】手动实现RNN执行文本生成任务_ev.mp4
145_LESSON-19.3.4.6【加餐】手动实现RNN执行情感分类任务_ev.mp4
146_Lesson-19.3.5.1-RNN反向传播的数学流程_ev.mp4
147_Lesson-19.3.5.2-RNN各类缺陷的数学本质_ev.mp4
暂无评论内容