你将学到的
  • 基础数学知识
  • 多层感知机
  • 卷积神经网络
  • 线性神经网络
  • 深度学习计算
  • 前沿神经网络
预备知识
共8个章节
实验 3 Pandas 数据预处理
实验 5 微分、偏导数、梯度和链式法则
实验 6 自动求梯度
实验 7 概率的简单介绍
线性神经网络
共6个章节
实验 9 线性回归介绍
实验 10 线性回归从零实现
实验 11 线性回归简洁实现
实验 12 Fashion-MNIST 图像分类
实验 13 Softmax 回归从零实现
实验 14 Softmax 回归简洁实现
多层感知机
共8个章节
实验 15 多层感知机介绍
实验 16 多层感知机从零实现
实验 17 多层感知机简洁实现
实验 18 模型选择,欠拟合和过拟合
实验 20 Dropout 机制
实验 21 数值稳定性和模型初始化
实验 22 Kaggle 预测房价实战项目
深度学习计算
共4个章节
实验 23 模型的构造
实验 24 参数访问、初始化和共享
实验 25 自定义网络层
实验 26 文件读取和存储
卷积神经网络
共5个章节
实验 27 卷积层介绍
实验 28 填充和步幅
实验 29 多通道输入和输出卷积层
实验 30 池化层介绍
实验 31 LeNet 卷积神经网络
前沿卷积神经网络
共7个章节
实验 32 AlexNet 深度卷积神经网络
实验 33 VGG 使用重复元素网络
实验 34 NiN 网络中的网络
实验 35 GoogleNet 拥有并行连接的网络
实验 36 批量归一化
实验 37 ResNet 残差网络
实验 38 DenseNet 稠密连接网络
课程介绍

课程根据知名开源项目 Dive into Deep Learning 改编。课程将原实验的代码都使用 PyTorch 库来完成而非原内容自封装库。此外,课程针对深度学习的部分配置了云主机环境,保证可以在线上环境顺利完成学习。因中文版权限制,课程以开源英文内容提供。

整个课程目前分为 6 个部分:

  • 第一部分:会简单介绍 PyTorch 的使用和一些学习深度学习基础的数学知识。
  • 第二部分:会应用之前学到的知识,从零开始实现线性回归和分类问题,同时也会使用 PyTorch 中的高级 API 进行实现。
  • 第三部分:会接触深度神经网络,会实现多层感知机,以及学习什么是过拟合,以及如何进行处理。
  • 第四部分:会介绍如何使用 PyTorch 搭建深度模型,更进一步对 PyTorch 进行说明。
  • 第五部分:介绍卷积网络的相关知识,包括卷积层的基础知识,池化层。最后会实现 LeNet。
  • 第六部分:关注前沿的卷积网络,会讲到最新的卷积网络残差网络 ResNet,稠密连接网络 DenseNet 的实现。

整个课程的安排从易到难,所有理论模型都有对应的代码可以亲自动手实践,可以更加深入浅出的学习深度学习的知识。

先学课程

版权声明

课程教师

WMN7 共发布过 2 门课程

查看老师的所有课程 >
会员
开通会员,即刻开始学习
加入编程交流社群👇