課程名稱:Dive into Deep Learning培訓

        4401 人關注
        (78637/99817)
        課程大綱:

        Dive into Deep Learning培訓

         

         

        1 基礎數學知識

        2 多層感知機

        3 卷積神經網絡

        4 線性神經網絡

        5 深度學習計算

        6 前沿神經網絡

        階段 1 預備知識

        1
        課程說明
        2
        數據操作
        3
        Pandas 數據預處理
        4
        線性代數
        5
        微分、偏導數、梯度和鏈式法則
        6
        自動求梯度
        7
        概率的簡單介紹
        8
        查閱文檔

        階段 2 線性神經網絡

        9
        線性回歸介紹
        10
        線性回歸從零實現
        11
        線性回歸簡潔實現
        12
        Fashion-MNIST 圖像分類
        13
        Softmax 回歸從零實現
        14
        Softmax 回歸簡潔實現

        階段 3 多層感知機

        15
        多層感知機介紹
        16
        多層感知機從零實現
        17
        多層感知機簡潔實現
        18
        模型選擇,欠擬合和過擬合
        19
        權重衰減
        20
        Dropout 機制
        21
        數值穩定性和模型初始化
        22
        Kaggle 預測房價實戰項目

        階段 4 深度學習計算

        23
        模型的構造
        24
        參數訪問、初始化和共享
        25
        自定義網絡層
        26
        文件讀取和存儲

        階段 5 卷積神經網絡

        27
        卷積層介紹
        28
        填充和步幅
        29
        多通道輸入和輸出卷積層
        30
        池化層介紹
        31
        LeNet 卷積神經網絡

        階段 6 前沿卷積神經網絡

        32
        AlexNet 深度卷積神經網絡
        33
        VGG 使用重復元素網絡
        34
        NiN 網絡中的網絡
        35
        GoogleNet 擁有并行連接的網絡
        36
        批量歸一化
        37
        ResNet 殘差網絡
        38
        DenseNet 稠密連接網絡

        第一部分:會簡單介紹 PyTorch 的使用和一些學習深度學習基礎的數學知識。

        第二部分:會應用之前學到的知識,從零開始實現線性回歸和分類問題,同時也會使用 PyTorch 中的高級 API 進行實現。

        第三部分:會接觸深度神經網絡,會實現多層感知機,以及學習什么是過擬合,以及如何進行處理。

        第四部分:會介紹如何使用 PyTorch 搭建深度模型,更進一步對 PyTorch 進行說明。

        第五部分:介紹卷積網絡的相關知識,包括卷積層的基礎知識,池化層。后會實現 LeNet。

        第六部分:關注前沿的卷積網絡,會講到新的卷積網絡殘差網絡 ResNet,稠密連接網絡 DenseNet 的實現。


        登錄 后發表評論
        新評論
        全部 第1節 第2節 第3節 第4節 第5節 第6節 第7節 第8節 第9節 第10節 第11節 第12節 第13節 第14節 第15節 第16節 第17節
        我的報告 / 所有報告