如何在B站读一个深度学习的研究生？

最新推荐文章于 2024-08-06 22:27:00 发布
最新推荐文章于 2024-08-06 22:27:00 发布
阅读量1.4k 收藏 16
点赞数 9
分类专栏： NLP 文章标签： 深度学习 人工智能 机器学习 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Raki_J/article/details/122638130
版权

随着深度学习的爆炸性发展，越来越多人涌入这个领域，同时市面上的资料也是百花齐放，但是真正有价值的资料其实并不多，并且出品于大佬们的手

这篇blog将会带领你在b站读一个深度学习的研究生

保姆级清单，喜欢的话请点个赞~

机器学习入门：

机器学习的入门阶段，建议吴恩达的两门课和李宏毅的课二选一（喜欢哪个看哪个，都是很棒的课程）

李宏毅的课里面包括的深度学习，一课通

深度学习入门

在这里插入图片描述

本课程还在更新ing…
在这里插入图片描述

深度学习前沿进展

猛男必看

给菜b们的一些数理基础课程（没错就是我）

在这里插入图片描述

爱睡觉的Raki
关注
  • 9
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
知乎大牛网友推荐几个靠谱老师及课程
ctrigger的专栏
08-05 1022
知乎大牛网友推荐： 吴恩达->cs229（机器学习）、Deep learning； 林轩田->机器学习基石 机器学习技法 李宏毅-> 机器学习 深度学习 李沐->手把手教你深度学习； 李飞飞 -> cs231n 面向视觉识别的卷积神经网络 Chris manning -> cs224 自然语言处理 michael collins->NLP jeremy ...
深度学习 —— 个人学习笔记14（ResNet、DenseNet）
Springer的博客
08-06 128
本文章为个人学习使用，版面观感若有不适请谅解，文中知识仅代表个人观点，若出现错误，欢迎各位批评指正。文中部分知识参考：B 站 —— 跟李沐学AI；
【深度学习】【语音TTS】OpenVoice: Versatile Instant Voice Cloning，论文
q742971636的博客
08-02 158
我们介绍了OpenVoice，一种多功能的即时语音克隆方法，只需参考说话者的短音频片段即可复制其声音，并生成多语言的语音。OpenVoice在解决以下领域开放挑战方面取得了重要进展：1）灵活的声音风格控制。OpenVoice允许对声音风格进行细粒度控制，包括情感、口音、节奏、停顿和语调，除了复制参考说话者的音色外。这些声音风格并不直接复制并受限于参考说话者的风格。之前的方法在克隆后无法灵活操控声音风格。2）零-shot跨语言语音克隆。
人工智能深度学习系列—GANs的对抗博弈：深入解析Adversarial Loss
u013889591的专栏
08-05 1428
生成对抗网络（GANs）作为深度学习中的一大突破，其核心机制是通过对抗性训练生成逼真的数据。Adversarial Loss，即对抗性损失，是GANs中用于训练判别器，以区分真实数据与生成数据的关键技术。本文将详细介绍Adversarial Loss的背景、计算公式、使用场景、代码实现及总结。生成对抗网络（GANs）由Goodfellow等人于2014年提出，它包含两个关键组件：生成器（Generator）和判别器（Discriminator）。
【深度学习】【框架】【基本结构】激活函数
andeyeluguo的博客
08-03 113
优点： 它既有 ReLU（Rectified Linear Unit）激活函数的一些优点（例如，能够缓解梯度消失问题），又能解决 ReLU 函数的一些缺点（例如，ReLU 函数不是零中心的，且在负数部分的梯度为零）。此外，Swish 函数还是平滑函数，这意味着它在整个定义域内都有导数，这有利于优化。函数：f(x) = x * sigmoid(x)
人工智能深度学习系列—深度学习中的相似性追求：Triplet Loss 全解析
u013889591的专栏
08-03 562
在机器学习和模式识别领域，相似性度量是核心问题之一。Triplet Loss，作为一种特殊的损失函数，被设计用来学习数据的相对距离，从而使得相似样本更接近，不同样本更疏远。本文将详细介绍Triplet Loss的背景、计算方法、使用场景、代码实现及总结。Triplet Loss最早由Schroff等人在2015年提出，用于改进深度学习中的度量学习任务。它通过。
LSTM长短时记忆网络【数学+图解】
逐梦苍穹的博客
08-06 726
LSTM长短时记忆网络【数学+图解】
深度学习读书笔记（1）--机器学习、人工智能、深度学习的关系
qiaoxinyu1989的博客
08-03 917
（1）传统软件传统软件是「if-then」的基本逻辑，人类通过自己的经验总结出一些有效的规则，然后让计算机自动的运行这些规则。传统软件永远不可能超越人类的知识边界，因为所有规则都是人类制定的。简单的说：传统软件是「基于规则」的，需要人为的设定条件，并且告诉计算机符合这个条件后该做什么。图2 传统软件的逻辑这种逻辑在处理一些简单问题时非常好用，因为规则明确，结果都是可预期的，程序员就是软件的上帝。
【自学深度学习梳理3】卷积神经网络
qq_52048052的博客
08-06 439
李宏毅深度学习第四章CNN卷积神经网络，包括卷积专为图像设计，图像如何输入输出，卷积层的组成感受野加参数共享；池化层，最大池化，平均池化。经典的图像识别CNN
简单的基于LSTM的黄金价格预测（Python）
weixin_39402231的博客
08-03 194
简单的基于LSTM的黄金价格预测（Python）
深度学习--图像分割UNet介绍及代码分析
最新发布
Young_Zn_Cu
08-06 586
U-net 架构（以最低分辨率为 32x32 像素为例），每个蓝色框对应一个多通道特征图。通道数显示在框的顶部。x-y 大小位于框的左下边缘。白框表示复制的特征图。箭头表示不同的操作。深蓝色箭头：利用3×3的卷积核对图片进行卷积后，通过ReLU激活函数输出特征通道；灰色箭头：对左边下采样过程中的图片进行裁剪复制；红色箭头：通过最大池化对图片进行下采样，池化核大小为2×2；绿色箭头：反卷积，对图像进行上采样，卷积核大小为2×2；青色箭头：使用1×1的卷积核对图片进行卷积。
【深度学习】【语音TTS】vits 论文，Variational Inference Text-to-Speech（1）
q742971636的博客
08-02 158
最近提出了几种支持单阶段训练和并行采样的端到端文本到语音（TTS）模型，但其样本质量不如两阶段TTS系统。在这项工作中，我们提出了一种并行端到端TTS方法，其生成的音频比当前的两阶段模型更自然。我们的方法采用了变分推理，并结合了正规化流和对抗训练过程，提高了生成模型的表达能力。我们还提出了一个随机时长预测器，用于从输入文本中合成具有不同节奏的语音。通过对潜在变量的不确定性建模和随机时长预测器，我们的方法能够表达文本输入可以以多种方式、不同音高和节奏发音的自然一对多关系。
深度学习人脸表情识别结课作业留存
weixin_75067193的博客
08-06 105
摆烂才是王道
使用Deeplearning4j进行深度学习
weixin_53840353的博客
08-06 364
Deeplearning4j 是一个开源的、分布式的深度学习库，适用于JVM语言（如Java、Scala等）。它为研究人员和开发人员提供了构建、训练和部署深度学习模型的工具。DL4J的设计目标是与Hadoop和Spark等大数据工具无缝集成，以支持大规模数据处理。
【深度学习】【语音TTS】OpenVoice v2，测评，中英文语料，Docker镜像，对比GPT-SoVITS、FishAudio、BertVITS2
q742971636的博客
08-02 790
速度很快，3090显卡上，16秒就可以推理出2分钟的语音。语音流畅，无明显吞字。说话流畅，就里面用了别的项目切分句子，很省心，这一点值得学习。
深度学习——优化器
qq_50737873的博客
08-02 585
深度学习优化器
使用 MRI 构建的大脑连接网络预测帕金森病萎缩进展模式| 文献速递-基于深度学习的乳房、前列腺疾病诊断系统
weixin_38594676的博客
08-06 535
(A) 显示了1年时的DE指数与2年时的GM萎缩的部分相关性，以及 (B) 显示了1年（紫色）和2年（橙色）时的DE指数与3年时的GM萎缩的部分相关性。(A) 显示了1年时的DE指数与2年时的GM萎缩的部分相关性，以及 (B) 显示了1年（紫色）和2年（橙色）时的DE指数与3年时的GM萎缩的部分相关性。图3: 轻度帕金森病（PD）参与者的灰质萎缩模式 (A) 基线时与健康对照组（HC）相比（FreeSurfer中的一般线性模型调整了年龄）和 (B) 1年、2年和3年随访时的情况。PD = 帕金森病。
卷积神经网络 - 结构化输出篇
绎岚科技的博客
08-06 1331
卷积神经网络（CNN）作为深度学习领域的重要分支，凭借其强大的特征提取与学习能力，在图像和视频处理领域取得了显著成就。其结构化输出的特性，更是为复杂任务的解决提供了有力支持。本文旨在简要概述卷积神经网络的结构化输出机制，探讨其如何通过精细设计的网络架构，实现对输入数据的深度理解和高效处理。
【课程总结】Day17（上）：NLP自然语言处理及RNN网络
Deadwalk的专栏
08-03 729
在机器学习章节【课程总结】Day6（上）：机器学习项目实战–外卖点评情感分析预测中，我们曾借助sklearn进行了外卖点评的情感分析预测；接下来，我们将深入了解自然语言处理的基本概念、RNN模型以及借助RNN重新进行外卖点评的情感分析预测。循环神经网络（Recurrent Neural Network，简称RNN）是一种能够处理序列数据的神经网络模型。
论文写作与博士研究指南：前沿科技与招生策略
"《论文写作与计算机前沿等(2020.11.03)B》是一份涵盖了科技论文写作指导、博士...整体来看，《论文写作与计算机前沿等(2020.11.03)B》提供了一个全面的视角，帮助读者在学术道路上取得进步，尤其是在计算机科学领域。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值