本课程专为零基础学员设计，从深度学习的基本概念出发，逐步深入到实际案例的实战演练。课程涵盖神经网络的基本原理，包括前向传播、反向传播以及卷积神经网络（CNN）、循环神经网络（RNN）等模型的构建与优化技巧。通过具体示例，如图像识别、自然语言处理等，帮助学员理解和掌握深度学习在实际应用中的工作流程。课程还介绍了PyTorch框架的使用方法，包括环境搭建、模型定义、训练流程等，并通过构建分类模型、使用迁移学习、调整优化器等实践环节，强化学员动手能力。此外，课程还包括如何利用Flask框架部署模型，实现从理论学习到实际应用的完整闭环。无论你是跨专业的学习者还是希望提升技能的在职人员，本课程都将为你提供一条清晰的学习路径。
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.mp4
002-1-神经网络要完成的任务分析.mp4
003-2-模型更新方法解读.mp4
004-3-损失函数计算方法.mp4
005-4-前向传播流程解读.mp4
006-5-反向传播演示.mp4
007-6-神经网络整体架构详细拆解.mp4
008-7-神经网络效果可视化分析.mp4
009-8-神经元个数的作用.mp4
010-9-预处理与dropout的作用.mp4
011-1-卷积神经网络概述分析.mp4
012-2-卷积要完成的任务解读.mp4
013-3-卷积计算详细流程演示.mp4
014-4-层次结构的作用.mp4
015-5-参数共享的作用.mp4
016-6-池化层的作用与效果.mp4
017-7-整体网络结构架构分析.mp4
018-8-经典网络架构概述.mp4
019-1-RNN网络结构原理与问题.mp4
020-2-注意力结构历史故事介绍.mp4
021-3-self-attention要解决的问题.mp4
022-4-QKV的来源与作用.mp4
023-5-多头注意力机制的效果.mp4
024-6-位置编码与解码器.mp4
025-7-整体架构总结.mp4
026-8-BERT训练方式分析.mp4
027-1-PyTorch框架与其他框架区别分析.mp4
028-2-CPU与GPU版本安装方法解读.mp4
029-1-数据集与任务概述.mp4
030-2-基本模块应用测试.mp4
031-3-网络结构定义方法.mp4
032-4-数据源定义简介.mp4
033-5-损失与训练模块分析.mp4
034-6-训练一个基本的分类模型.mp4
035-7-参数对结果的影响.mp4
036-1-任务与数据集解读.mp4
037-2-参数初始化操作解读.mp4
038-3-训练流程实例.mp4
039-4-模型学习与预测.mp4
040-1-输入特征通道分析.mp4
041-2-卷积网络参数解读.mp4
042-3-卷积网络模型训练.mp4
043-1-任务分析与图像数据基本处理.mp4
044-2-数据增强模块.mp4
045-3-数据集与模型选择.mp4
046-4-迁移学习方法解读.mp4
047-5-输出层与梯度设置.mp4
048-6-输出类别个数修改.mp4
049-7-优化器与学习率衰减.mp4
050-8-模型训练方法.mp4
051-9-重新训练全部模型.mp4
052-10-测试结果演示分析.mp4
053-4-实用Dataloader加载数据并训练模型.mp4
054-1-Dataloader要完成的任务分析.mp4
055-2-图像数据与标签路径处理.mp4
056-3-Dataloader中需要实现的方法分析.mp4
057-1-数据集与任务目标分析.mp4
058-2-文本数据处理基本流程分析.mp4
059-3-命令行参数与DEBUG.mp4
060-4-训练模型所需基本配置参数分析.mp4
061-5-预料表与字符切分.mp4
062-6-字符预处理转换ID.mp4
063-7-LSTM网络结构基本定义.mp4
064-8-网络模型预测结果输出.mp4
065-9-模型训练任务与总结.mp4
066-1-基本结构与训练好的模型加载.mp4
067-2-服务端处理与预测函数.mp4
068-3-基于Flask测试模型预测结果.mp4
069-1-视觉transformer要完成的任务解读.mp4
070-1-项目源码准备.mp4
071-2-源码DEBUG演示.mp4
072-3-Embedding模块实现方法.mp4
073-4-分块要完成的任务.mp4
074-5-QKV计算方法.mp4
075-6-特征加权分配.mp4
076-7-完成前向传播.mp4
077-8-损失计算与训练.mp4
