资源内容

000pdf+src00预告

01课程安排

02深度学习介绍

03安装

04数据操作＋数据预处理

05线性代数

06矩阵计算

07自动求导

08线性回归＋基础优化算法

09 Softmax回归＋损失函数＋图片分类数据集

09A Windows下安装CUDA和Pytorch跑深度学习

09B使用AWS最便宜的GPU实例

10多层感知机＋代码实现

10行代码战胜90%数据科学家?

11模型选择＋过拟合和欠拟合12权重衰退

13丢弃法

14数值稳定性＋模型初始化和激活函数

15实战: Kaggle房价预测＋课程竞赛:加州2020年房价预测

16 PyTorch神经网络基础

17使用和购买GPU

18预测房价竞赛总结

19卷积层

20卷积层里的填充和步幅

21卷积层里的多输入多输出通道

22池化层

23经典卷积神经网络LeNet

24深度卷积神经网络AlexNet

25使用块的网络VGG

26网络中的网络NiN

27含并行连结的网络GoogLeNet lnception v3

28批量归一化

29残差网络ResNet

29.2 ResNet为什么能训练出1000层的模型

30第二部分完结竞赛:图片分类

31深度学习硬件:CPU和GPU

32深度学习硬件:TPU和其他

33单机多卡并行

34多GPU训练实现

35分布式训练

36数据增广

37微调

38第二次竟赛树叶分类结果

39实战Kaggle比赛:图像分类(CIFAR-10)

40实战Kaggle比赛:狗的品种识别(ImageNet Dogs)

41物体检测和数据集

42锚框

43树叶分类竞赛技术总结

44物体检测算法:R-CNN,SSD, YOLo

45 SSD实现

46语义分割和数据集47转置卷积

47.2转置卷积是一种卷积

48全连接卷积神经网络FCN

49样式迁移

50课程竞赛:牛仔行头检测

51序列模型

52文本预处理

53语言模型

54循环神经网络RNN

55循环神经网络RNN的实现

56门控循环单元(GRU)

57长短期记忆网络(LSTM)

58深层循环神经网络

59双向循环神经网络

60机器翻译数据集

61编码器-解码器架构

62序列到序列学习(seq2seq)

63束搜索

64注意力机制

65注意力分数

66使用注意力机制的seq2seq

67自注意力

69 BERT预训练

70 BERT微调

71目标检测竞赛总结

72优化算法

73课程总结和进阶学习【完结】