深度学习

白天 夜间 首页 下载 阅读记录
  我的书签   添加书签   移除书签

2.预备知识

浏览 75 扫码 分享 2022-07-09 05:52:33
  • 2.1 环境配置
  • 2.2 数据操作
  • 2.3 自动求梯度

若有收获，就点个赞吧

0 人点赞

上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 《深度学习与Pytorch》
    • 课程视频
    • PyTorch初见
    • 开发环境安装
    • 简单回归案例
    • 手写数字问题
    • Tensor初级（创建、索引、维度变换、合并分割与运算）
    • Tensor高阶
    • 什么是梯度
    • 常见函数的梯度
    • 激活函数与Loss的梯度
    • 感知机的梯度推导
    • 链式法则
    • MLP反向传播推导
    • 优化小实例
    • Logistic Regression
    • 交叉熵
    • LR多分类实战
    • MLP网络层
    • 激活函数与GPU加速
    • MNIST测试
    • Visdom可视化
    • 过拟合与欠拟合
    • Train-Val-Test-交叉验证
    • regularization
    • 动量与lr衰减
    • Early-stopping-Dropout
    • CNN
      • 什么是卷积
      • 卷积神经网络
      • Pooling-Sampling
      • BatchNorm
      • 经典卷积网络
    • Resnet
      • ResNet
      • nn.Module
      • 数据增强
      • Cifar10与ResNet18实战
    • RNN
      • 时间序列表示
      • RNN原理
      • RNN-Layer使用
      • 时间序列预测
      • RNN训练难题
    • LSTM
      • LSTM原理
      • LSTM-Layer使用
      • 情感分类实战
    • AutoEncoder自编码器
    • VAE实战
    • GAN原理
    • WGAN实战
    • 图卷积网络GCN
    • 迁移学习-自定义数据集实战
  • 《动手学深度学习》
    • 2.预备知识
      • 2.1 环境配置
      • 2.2 数据操作
      • 2.3 自动求梯度
    • 3.Pytorch基础
      • 3.1 线性回归
      • 3.2 线性回归的从零开始实现
      • 3.3 线性回归的简洁实现
      • 3.4 softmax回归
      • 3.5 图像分类数据集（Fashion-MNIST）
      • 3.6 softmax回归的从零开始实现
      • 3.7 softmax回归的简洁实现
      • 3.8 多层感知机
      • 3.9 多层感知机的从零开始实现
      • 3.10 多层感知机的简洁实现
      • 3.11 模型选择、欠拟合和过拟合
      • 3.12 权重衰减
      • 3.13 丢弃法
      • 3.14 正向传播、反向传播和计算图
      • 3.15 数值稳定性和模型初始化
      • 3.16 实战Kaggle比赛：房价预测
    • 4.模型构造
      • 4.1 模型构造
      • 4.2 模型参数的访问、初始化和共享
      • 4.3 模型参数的延后初始化
      • 4.4 自定义层
      • 4.5 读取和存储
      • 4.6 GPU计算
    • 5.CNN
      • 5.1 二维卷积层
      • 5.2 填充和步幅
      • 5.3 多输入通道和多输出通道
      • 5.4 池化层
      • 5.5 卷积神经网络（LeNet）
      • 5.6 深度卷积神经网络（AlexNet）
      • 5.7 使用重复元素的网络（VGG）
      • 5.8 网络中的网络（NiN）
      • 5.9 含并行连结的网络（GoogLeNet）
      • 5.10 批量归一化
      • 5.11 残差网络（ResNet）
      • 5.12 稠密连接网络（DenseNet）
    • 6.RNN
      • 6.1 语言模型
      • 6.2 循环神经网络
      • 6.3 语言模型数据集（周杰伦专辑歌词）
      • 6.4 循环神经网络的从零开始实现
      • 6.5 循环神经网络的简洁实现
      • 6.6 通过时间反向传播
      • 6.7 门控循环单元（GRU）
      • 6.8 长短期记忆（LSTM）
      • 6.9 深度循环神经网络
      • 6.10 双向循环神经网络
    • 7.优化
      • 7.1 优化与深度学习
      • 7.2 梯度下降和随机梯度下降
      • 7.3 小批量随机梯度下降
      • 7.4 动量法
      • 7.5 AdaGrad算法
      • 7.6 RMSProp算法
      • 7.7 AdaDelta算法
      • 7.8 Adam算法
    • 8.计算性能
      • 8.1 命令式和符号式混合编程
      • 8.2 异步计算
      • 8.3 自动并行计算
      • 8.4 多GPU计算
    • 9.机器视觉
      • 9.1 图像增广
      • 9.2 微调
      • 9.3 目标检测和边界框
      • 9.4 锚框
      • 9.5 多尺度目标检测
      • 9.6 目标检测数据集（皮卡丘）
      • 9.8 区域卷积神经网络（R-CNN）系列
      • 9.9 语义分割和数据集
      • 9.11 样式迁移
    • 10.自然语言处理
      • 10.1 词嵌入（word2vec）
      • 10.2 近似训练
      • 10.3 word2vec的实现
      • 10.4 子词嵌入（fastText）
      • 10.5 全局向量的词嵌入（GloVe）
      • 10.6 求近义词和类比词
      • 10.7 文本情感分类：使用循环神经网络
      • 10.8 文本情感分类：使用卷积神经网络（textCNN）
      • 10.9 编码器—解码器（seq2seq）
      • 10.10 束搜索
      • 10.11 注意力机制
      • 10.12 机器翻译
暂无相关搜索结果！

    让时间为你证明

    展开/收起文章目录

    分享，让知识传承更久远

    文章二维码

    手机扫一扫，轻松掌上读

    文档下载

    请下载您需要的格式的文档，随时随地，享受汲取知识的乐趣！
    PDF文档 EPUB文档 MOBI文档

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度
        思维导图备注