决胜AI-深度学习系列实战150讲

https://edu.csdn.net/course/play/8211/168728

第一章：深度学习必备基础知识点

• 01. 深度学习概述11:27
• 02. 挑战与常规套路9:40
• 03. 用K近邻来进行分类10:01
• 04. 超参数与交叉验证10:30
• 05. 线性分类9:34
• 06. 损失函数9:17
• 07. 正则化惩罚项7:19
• 08. softmax分类器13:38
• 09. 最优化形象解读6:46
• 10. 最优化问题细节11:48
• 11. 反向传播15:16
• 12. Alexnet加载训练好的参数11:23

第二章：探索神经网络整体架构

• 1. 整体架构10:11
• 2. 实例演示10:38
• 3. 过拟合解决方案15:53

第三章：卷积与递归神经网络

• 1. 卷积神经网络的应用14:55
• 2. 卷积层解释12:53
• 3. 卷积计算过程12:30
• 4. pading与stride13:13
• 5. 卷积参数共享8:09
• 6. 池化层原理8:24
• 7. 递归神经网络（RNN）概述8:39
• 8. RNN网络细节11:54
• 9. LSTM网络架构12:36

第四章：深度学习框架Tensorflow必备基础

• 1. Tensorflow安装与简介15:46
• 2. Tensorflow中的变量8:10
• 3. 变量常用操作13:38
• 4. Tensorflow实现线性回归15:14
• 5. Mnist数据集概述12:53
• 6. 逻辑回归15:26

第五章：Tensorflow实战卷积神经网络

• 01. 神经网络结构16:21
• 02. 卷积神经网络基本定义17:42
• 03. 卷积神经网络迭代13:53
• 04. 猫狗识别任务概述13:18
• 05. 猫狗识别数据读取12:03
• 06. 猫狗识别网络架构18:05
• 07. 猫狗迭代训练网络16:44
• 08. 猫狗测试网络效果8:39
• 09. Cifar-10图像分类任务16:17
• 10. Alexnet环境配置15:19
• 11. Alexnet数据读取与参数设置11:56
• 12. Alexnet网络结构定义10:14
• 13. CNN应用于文本分类任务13:28
• 14. 文本分类任务特征定义15:55
• 15. 卷积网络定义8:20
• 16. 完成预测分类任务15:10
• 17. resnet网络原理13:21
• 18. resnet网络流程设计11:46
• 19. 残差网络实现细节16:52

第六章：Tensorflow实战递归神经网络

• 01. RNN网络基本架构11:58
• 02. 实现RNN网络架构13:27
• 03. RNN实现自己的小demo13:54
• 04. RNN预测时间序列18:49
• 05. 可视化展示-Tensorboard可视化展示12:15
• 06. 可视化展示-Tensorboard展示效果13:39
• 07. 可视化展示-Tensorboard统计可视展示10:16
• 08. 可视化展示-Tensorboard参数对结果影响展示17:14
• 09. 构建数据集-tfrecord生成自己的数据集12:39
• 10. 构建数据集-tfrecord读取数据11:55
• 11. 构建数据集-tfrecord生成数据源18:13
• 12. 构建数据集-加载tfrecord进行分类任务24:26

第七章：图像识别项目实战

• 01. 验证码识别-验证码数据生成10:43
• 02. 验证码识别-构造网络的输入数据和标签11:57
• 03. 验证码识别-卷积网络模型定义13:24
• 04. 验证码识别-迭代及测试网络效果10:56
• 05. 对抗生成网络-对抗生成网络原理概述10:24
• 06. 对抗生成网络-GAN网络结构定义10:07
• 07. 对抗生成网络-Gan迭代生成11:53
• 08. 对抗生成网络-DCGAN网络特性7:38
• 09. 对抗生成网络-DCGAN训练11:53
• 10. 风格转换-style-transfer基本原理7:35
• 11. 风格转换-风格生成网络结构原理7:06
• 12. 风格转换-风格生成网络细节11:52
• 13. 风格转换-风格转换效果展示10:14
• 14. 风格转换-参数解释与配置9:38
• 15. 风格转换-数据加载10:51
• 16. 风格转换-特征提取网络12:40
• 17. 风格转换-网络训练18:49
• 18. 风格转换-视频与图像测试模块13:18
• 19. 图像补全-论文概述10:02
• 20. 图像补全-网络架构11:03
• 21. 图像补全-细节设计8:01
• 22. 图像补全-论文总结9:19
• 23. 图像补全-数据与项目概述10:07
• 24. 图像补全-参数基本设计9:15
• 25. 图像补全-网络结构配置12:21
• 26. 图像补全-网络迭代训练16:54
• 27. 图像补全-测试模块5:24
• 28. 超分辨率重构-论文概述5:17
• 29. 超分辨率重构-网络架构8:48
• 30. 超分辨率重构-数据与环境配置7:49
• 31. 超分辨率重构-数据加载与配置8:34
• 32. 超分辨率重构-生成模块7:32
• 33. 超分辨率重构-判别模块6:57
• 34. 超分辨率重构-VGG特征提取网络6:18
• 35. 超分辨率重构-损失函数与训练11:47
• 36. 超分辨率重构-测试模块7:59

第八章：自然语言处理项目实战

• 01. 行为识别-任务概述6:51
• 02. 行为识别-数据与网络设计13:17
• 03. 行为识别-网络迭代训练8:47
• 04. 情感分析-RNN网络架构12:21
• 05. 情感分析-LSTM网络架构12:00
• 06. 情感分析-案例：使用LSTM进行情感分类13:13
• 07. 情感分析-情感数据集处理13:06
• 08. 情感分析-基于word2vec的LSTM模型17:14
• 09. 对话机器人-效果演示8:27
• 10. 对话机器人-参数配置与数据加载12:55
• 11. 对话机器人-数据处理8:52
• 12. 对话机器人-词向量与投影9:18
• 13. 对话机器人-seq网络8:23
• 14. 对话机器人-网络训练6:55
• 15. word2vec-数据与任务流程10:36
• 16. word2vec-数据清洗6:34
• 17. word2vec-batch数据制作12:24
• 18. word2vec-网络训练12:36
• 19. word2vec-可视化展示6:19

第九章：物体检测-Faster-Rcnn实战

• 01. 物体检测概述13:27
• 02. 经典检测方法17:11
• 03. faster-rcnn概述11:21
• 04. 论文概述16:07
• 05. RPN网络结构18:32
• 06. 损失函数定义20:26
• 07. 网络细节16:10
• 08. 环境配置19:16
• 09. 项目概述13:29
• 10. 数据处理12:59
• 11. 数据变换9:35
• 12. 完成数据读取18:57
• 13. 特征提取12:27
• 14. RPN网络层17:45
• 15. 提取网络细节16:13
• 16. 网络训练迭代17:44

第一十章：机器学习翻译框架NMT实战

• 01. 网络架构7:16
• 02. Seq2Seq网络基本架构9:10
• 03. Seq2Seq网络应用9:10
• 04. Attention机制13:02
• 05. 构建自己的输入法-数据准备17:08
• 06. 构建自己的输入法-网络结构概述8:53
• 07. 3-加载数据11:01
• 08. 4-训练测试模型14:31
• 09. 1-机器翻译框架概述16:59
• 10. 机器翻译框架NMT-参数设置14:34
• 11. 机器翻译框架NMT-数据加载19:09
• 12. 机器翻译框架NMT-网络结构定义20:26
• 13. 机器翻译框架NMT-训练模型