面向程序员的实用深度学习
第一部分
3: 神经网络基础
实用深度学习
第一部分
1: 入门
2: 部署
3: 神经网络基础
4: 自然语言 (NLP)
5: 从零开始构建模型
6: 随机森林
7: 协同过滤
8: 卷积 (CNN)
额外内容: 数据伦理
课程总结
第 1 课
第 2 课
第 3 课
第 4 课
第 5 课
第 6 课
第 7 课
第 8 课
第二部分
第二部分概述
9: Stable Diffusion
10: 深入探索
11: 矩阵乘法
12: 均值漂移聚类
13: 反向传播与 MLP
14: 反向传播
15: 自动编码器
16: Learner 框架
17: 初始化/归一化
18: 加速 SGD 与 ResNet
19: DDPM 和 Dropout
20: 混合精度
21: DDIM
22: Karras 等人 (2022)
23: 超分辨率
24: 注意力机制与 Transformer
25: 潜在扩散
额外内容: 第 9a 课
额外内容: 第 9b 课
资源
书籍
论坛
Kaggle
推荐语
本页内容
视频
资源
本课链接
报告问题
第一部分
3: 神经网络基础
3: 神经网络基础
今天我们将学习深度学习的数学基础:
随机梯度下降
(SGD),以及线性函数与非线性激活函数叠加的灵活性。我们将特别关注一种流行的组合,称为
修正线性单元
(ReLU)。
视频
本课程部分基于
这本书
的
第四章
。
资源
本课配套 Notebook
HuggingFace Spaces Pets 仓库
哪些图像模型表现最好?
神经网络到底是如何工作的?
本课其他资源
泰坦尼克号电子表格:请参阅
课程仓库
泰坦尼克号数据(训练集 CSV)可从
Kaggle
下载
书中第四章问题的
解答
本课链接
认识你的宠物
“第 0 课”
2: 部署
4: 自然语言 (NLP)