想要系统入门深度学习的同学。对深度学习掌握不够深入的学生或从业者。希望进阶学习深度学习的用户。
该教程涵盖的内容包括但不限于：
1. 深度学习的核心算法，例如反向传播、梯度下降等。
2. 理解并应用深度学习模型训练的基本逻辑与技术细节。
3. 探索与实践CNN（卷积神经网络）架构及其在图像处理中的具体应用。
4. 学习有关损失函数的设计和优化，以及如何利用极大似然估计方法提升模型效果。
课程详情
完结时间: 2026年1月初
总课时数: 共计115节课
配套资料：包含详细的笔记、练习题及实验指导等资源，辅助学习和复习。
AI技术正在迅速发展，掌握深度学习成为每位科技工作者必备的技能之一。本课程不仅致力于提供全面的基础知识入门教学，还深入探讨了多项高级生成模型，包括变分自编码器（VAE）与生成对抗网络（GAN），以帮助学员快速达到专业水平。
1-1 课程介绍.mp4
1-2 课程特色.mp4
1-3 线性变换的学习.mp4
1-4 维度不变的线性变换.mp4
1-5 降维线性变换.mp4
1-6 升维线性变换.mp4
2-1 线性二分类问题的引入.mp4
2-2 线性二分类问题推导神经网络.mp4
3-1 复杂的图像分割思路.mp4
3-2 神经网络解决复杂分割问题.mp4
3-3 激活函数的理解.mp4
3-4 求解深度神经网络.mp4
3-5 万能近似定理.mp4
4-1 单双层感知器效果差异.mp4
4-2 理解多层感知器的本质.mp4
4-3 双层感知器的单层表达.mp4
5-1 多层感知器的训练效果对比.mp4
5-2 多层感知器的优缺点.mp4
5-3 多层隐藏层的收敛速度.mp4
5-4 多层感知器的参数效率.mp4
6-1 全连接层的角色.mp4
6-2 注意力机制中的全连接层.mp4
7-1 FNN识别局部特征的难点.mp4
7-2 卷积神经网络计算过程.mp4
7-3 pytorch实现卷积神经网络.mp4
7-4 复杂特征的卷积核大小设置.mp4
7-5 卷积和常用大小为什么是3X3.mp4
7-6 图像识别为什么无法精确.mp4
7-7 MNIST手写识别.mp4
7-8 CNN的发展历史.mp4
7-9 CNN的理论依据-LeNet-5.mp4
7-10 CNN的成功实践-AlexNet.mp4
7-11 CNN架构设计思路-VGG.mp4
7-12 堆叠的CNN更具判别能力.mp4
7-13 如何提升CNN的深度-ResNet.mp4
7-14 CNN遇到Transformer的挑战.mp4
8-1 深度学习中的困难点有什么.mp4
8-2 什么是性能指标.mp4
8-3 准确率指标适合场景.mp4
8-4 精确率能解决的问题场景.mp4
8-5 召回率的场景和F1指标.mp4
8-6 模型预测的阈值对召回率和精确率的影响.mp4
8-7 PR曲线的应用场景.mp4
8-8 ROC曲线和模型性能.mp4
9-1 损失函数的定义.mp4
9-2 梯度下降法详解.mp4
9-3 损失函数选择的原则.mp4
9-4 交叉熵的设计原则.mp4
9-5 加权交叉熵解决的问题.mp4
9-6 带标签平滑的交叉熵损失.mp4
9-7 分类难易问题-焦点损失.mp4
9-8 回归任务的三大损失函数.mp4
9-9 存在上限和下限的损失.mp4
9-10 泊松分布能做什么.mp4
9-11 深度学习中的泊松损失.mp4
9-12 分位损失和Huber和LogCosh损失.mp4
9-13 极大似然估计-损失函数的母体.mp4
9-14 回归任务的母体函数-高斯分布.mp4
9-15 回归任务为什么使用高斯分布.mp4
9-16 分类任务的母体函数.mp4
9-17 其他特定任务的损失函数.mp4
10-1 正则化现象是什么.mp4
10-2 L2正则化解决的问题.mp4
10-3 L1正则化解决了什么问题.mp4
10-4 过拟合问题如何定义.mp4
10-5 dropout解决的问题.mp4
10-6 早停与批量归一化.mp4
11-1 损失曲线挑战是什么.mp4
11-2 Hession矩阵是什么.mp4
11-3 参数的梯度相互影响如何判断.mp4
11-4 Hession矩阵的使用思考.mp4
11-5 线性变换后Hession矩阵失效.mp4
11-6 Hession为什么要使用特征值.mp4
11-7 应对挑战的各种方法.mp4
12-1 7大生成模型.mp4
12-2 图像的生成法则是什么.mp4
12-3 潜空间指的是什么.mp4
12-4 潜空间与概率分布.mp4
12-5 图片生成思路-可逆函数.mp4
12-6 图片生成难点-文字生成图片.mp4
12-7 潜空间为什么不可控.mp4
12-8 潜空间的平滑性连续性.mp4
12-9 什么样的潜空间是连续平滑的.mp4
12-10 高斯潜空间及其演示.mp4
12-11 模拟上帝掷骰子生成图片.mp4
12-12 标准化流模型训练和总结.mp4
13-1 标准化流模型的缺点.mp4
13-2 流匹配模型的处理思路.mp4
13-3 流匹配模型的路径分解思路.mp4
13-4 能量场及其作用.mp4
13-5 流匹配模型的潜空间特点.mp4
13-6 潜空间使用高斯采样的好处.mp4
13-7 概率分布视角理解流匹配模型.mp4
14-1 扩散模型-流匹配模型前身.mp4
14-2 扩散模型训练的方式.mp4
14-3 从概率分布视角理解.mp4
14-4 加噪过程为什么要越来越强.mp4
14-5 加噪为什么是等差数列.mp4
14-6 训练为什么不需要逐步迭代.mp4
14-7 DDPM和DDIM的区别.mp4
14-8 扩散模型的平滑性如何保证.mp4
14-9 扩散模型生成图片关键细节.mp4
15-1 VAE的使用场景.mp4
15-2 VAE混合风格的本质.mp4
15-3 怎么理解图片的抗噪能力.mp4
15-4 VAE的训练算法.mp4
15-5 怎么解码出原始特征.mp4
15-6 VAE是怎么做异常检测的.mp4
16-1 能量模型的特征.mp4
16-2 不好拟合的曲线.mp4
16-3 Lipschitz规则.mp4
16-4 使用Lipschitz判断技巧.mp4
16-5 能量函数的定义.mp4
深度学习算法.rar