零基础AI入门实战课程（深度学习 + Pytorch）：易懂直观/零基础起步/实例操作/跨专业适用…

零基础AI实践课程（深度学习 + PyTorch）易懂生动/零基础适用/实战案例/跨专业提升

课程大纲

001-课程概述.mp4

002-1-神经网络任务分析.mp4

003-2-模型更新机制解析.mp4

004-3-损失函数的计算方法.mp4

005-4-前向传播过程解读.mp4

006-5-反向传播演示.mp4

007-6-神经网络总体结构详解.mp4

008-7-神经网络效果可视化探讨.mp4

009-8-神经元数量的影响.mp4

010-9-数据预处理和Dropout的功能.mp4

011-1-卷积神经网络概述.mp4

012-2-卷积的任务分析.mp4

013-3-卷积计算详细流程.mp4

014-4-层级结构的作用.mp4

015-5-参数共享的意义.mp4

016-6-池化层的作用及效果.mp4

017-7-整体网络架构分析.mp4

018-8-经典网络结构概述.mp4

019-1-RNN网络结构原理及问题.mp4

020-2-注意力机制的历史背景.mp4

021-3-Self-Attention要解决的挑战.mp4

022-4-KV的来源和功能解析.mp4

023-5-多头注意力机制的效果.mp4

024-6-位置编码与解码器解析.mp4

025-7-整体架构概述.mp4

026-8-BERT训练方法解析.mp4

027-1-PyTorch框架与其他框架的区别解读.mp4

028-2-CPU与GPU安装方法解析.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-网络结构定义的方式.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-训练基本分类模型.mp4

035-7-参数对结果影响的分析.mp4

036-1-任务与数据集解读.mp4

037-2-参数初始化操作说明.mp4

038-3-实例训练流程.mp4

039-4-模型学习及预测过程.mp4

040-1-输入特征通道分析.mp4

041-2-卷积网络参数解析.mp4

042-3-卷积网络模型训练过程.mp4

043-1-任务分析与图像数据处理.mp4

044-2-数据增强模块介绍.mp4

045-3-数据集及模型选择解析.mp4

046-4-迁移学习方法解析.mp4

047-5-输出层与阈值设置分析.mp4

048-6-修改输出类的数量.mp4

049-7-优化器及学习率调整.mp4

050-8-模型训练方法探讨.mp4

051-9-对所有模型重新训练.mp4

052-10-测试结果展示与解析.mp4

053-4-高效Dataloader数据加载与模型训练.mp4

054-1-Dataloader的任务分析.mp4

055-2-图像数据与标签路径处理.mp4

056-3-Dataloader中必备方法解析.mp4

057-1-数据集及任务目标分析.mp4

058-2-文本数据处理的基本流程.mp4

059-3-命令行参数与调试方法.mp4

060-4-模型训练所需配置分析.mp4

061-5-数据集与训练集划分分析.mp4

062-6-字符预处理与ID转换.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-模型训练任务回顾与总结.mp4

066-1-基础结构与已训练模型加载.mp4

067-2-服务器处理与预测结果呈现.mp4

068-3-基于Flask进行模型预测测试.mp4

069-1-视觉Transformer任务解析.mp4

070-1-项目源码准备工作.mp4

071-2-源码调试演示.mp4

072-3-Embedding模块的实现方法.mp4

073-4-分块处理的任务分析.mp4

074-5-QKV计算的方式.mp4

075-6-特征加权分配方法.mp4

076-7-前向传播的完成.mp4

077-8-损失计算与训练.mp4