系统入门深度学习，直击算法工程师[完结]

┣━mksz547-系统入门深度学习，直击算法工程师[完结](1)

┣━第8章 数据不够怎么办？迁移学习来帮忙

┣━8-1 本章内容介绍.mp4

┣━8-4 怎么实施迁移学习？.mp4

┣━8-5 基于ResNet迁移学习的姿势识别.mp4

┣━8-2 什么是迁移学习.mp4

┣━8-8 inference.mp4

┣━8-7 工程代码（下）.mp4

┣━8-3 迁移学习分类.mp4

┣━8-6 工程代码（上）.mp4

┣━8-9 本章总结.mp4

┣━第5章 为序列数据而生：RNN系列

┣━5-12 基于双层、双向GRU的命令词识别模型搭建（2）.mp4

┣━5-10 GRU实现唤醒词识别.mp4

┣━5-4 循环神经网络原理.mp4

┣━5-15 基于双层、双向GRU的命令词识别模型搭建（5）.mp4

┣━5-13 基于双层、双向GRU的命令词识别模型搭建（3）.mp4

┣━5-2 什么是序列模型.mp4

┣━5-3 不同的RNN应用类型：OvM, MvM.mp4

┣━5-11 基于双层、双向GRU的命令词识别模型搭建（1）.mp4

┣━5-17 本章总结.mp4

┣━5-6 两个重要的变体：LSTMGRU（上）.mp4

┣━5-14 基于双层、双向GRU的命令词识别模型搭建（4）.mp4

┣━5-16 模型评估和选择.mp4

┣━5-9 典型应用范式：Encoder-Decoder.mp4

┣━5-5 用BPTT 训练RNN.mp4

┣━5-7 两个重要的变体：LSTMGRU（下）.mp4

┣━5-8 利用双向、多层RNN增强模型.mp4

┣━5-1 本章内容介绍.mp4

┣━资料

┣━课程资料.zip

┣━第6章 深度学习新思路： GAN网络

┣━6-11 超参和dataset编写.mp4

┣━6-9 GAN的一些变体之：text-to-image.mp4

┣━6-4 GAN的原理（下）.mp4

┣━6-6 GAN的一些变体之：StyleGAN（上）.mp4

┣━6-16 trainer 编写（3）.mp4

┣━6-2 什么是生成式模型？.mp4

┣━6-19 本章总结.mp4

┣━6-7 GAN的一些变体之：StyleGAN（下）.mp4

┣━6-5 GAN的一些变体之：CycleGAN.mp4

┣━6-10 用DCGAN生成人脸照片.mp4

┣━6-8 GAN的一些变体之：DCGAN.mp4

┣━6-12 generator编写.mp4

┣━6-14 trainer 编写（1）.mp4

┣━6-17 trainer 编写（4）.mp4

┣━6-1 本章内容介绍.mp4

┣━6-18 怎么检查GAN的训练过程？.mp4

┣━6-13 discriminator编写.mp4

┣━6-3 GAN的原理（上）.mp4

┣━6-15 trainer 编写（2）.mp4

┣━第2章 入门必修：单、多层感知机

┣━2-10 项目构建和模型训练（1）.mp4

┣━2-5 逻辑回归示例.mp4

┣━2-9 数据集及特征分析.mp4

┣━2-4 逻辑回归损失函数.mp4

┣━2-13 项目构建和模型训练（4）.mp4

┣━2-8 基于多层DNN假钞识别.mp4

┣━2-11 项目构建和模型训练（2）.mp4

┣━2-7 pytorch 构建单多层感知机.mp4

┣━2-3 逻辑回归.mp4

┣━2-2 深度学习实施的一般过程.mp4

┣━2-14 模型评估和选择.mp4

┣━2-15 本章总结.mp4

┣━2-12 项目构建和模型训练（3）.mp4

┣━2-6 单层、多层感知机.mp4

┣━2-1 本章内容介绍.mp4

┣━第3章 深度学习基础组件精讲

┣━3-9 本章总结.mp4

┣━3-4 激活函数选择.mp4

┣━3-6 Normalization 增强模型训练（上）.mp4

┣━3-1 本章内容介绍.mp4

┣━3-5 优化器选择.mp4

┣━3-3 正确的初始化模型参数.mp4

┣━3-2 如何划分和处理你的数据集.mp4

┣━3-7 Normalization 增强模型训练（下）.mp4

┣━3-8 使用正则提升模型表现.mp4

┣━第7章 赋予模型认知能力：注意力机制

┣━7-12 Multi-head attention（上）.mp4

┣━7-2 什么是注意力机制？.mp4

┣━7-4 几种典型的注意力机制 hard、soft、local attention.mp4

┣━7-14 Pointwise FeedForward.mp4

┣━7-16 transformer（上）.mp4

┣━7-9 g2p dataset 编写.mp4

┣━7-20 inference和attention map展示（上）.mp4

┣━7-7 用Transformer实现G2P（上）.mp4

┣━7-13 Multi-head attention（下）.mp4

┣━7-1 本章内容介绍.mp4

┣━7-22 本章总结.mp4

┣━7-18 trainer脚本编写.mp4

┣━7-10 model结构和位置编码.mp4

┣━7-5 自注意力机制：self-attention.mp4

┣━7-21 inference和attention map展示（下）.mp4

┣━7-17 transformer（下）.mp4

┣━7-8 用Transformer实现G2P（下）.mp4

┣━7-6 Transformer.mp4

┣━7-19 infer推理函数编写.mp4

┣━7-15 decoder.mp4

┣━7-11 encoder.mp4

┣━7-3 注意力机制的一般性原理.mp4

┣━第4章 图像处理利器：卷积神经网络

┣━4-12 手势识别应用来源和项目分析.mp4

┣━4-20 本章总结.mp4

┣━4-13 模型设计.mp4

┣━4-15 MoocTrialNet模型搭建（2）.mp4

┣━4-5 卷积运算是怎样的过程（下）.mp4

┣━4-17 MoocTrialNet模型搭建（4）.mp4

┣━4-1 本章内容介绍.mp4

┣━4-6 用池化进行下采样.mp4

┣━4-2 人类视觉和卷积神经网络关系.mp4

┣━4-16 MoocTrialNet模型搭建（3）.mp4

┣━4-3 卷积神经网络的应用.mp4

┣━4-10 Vgg介绍及实现.mp4

┣━4-9 利用残差搭建更深的网络.mp4

┣━4-11 图片的数据增广.mp4

┣━4-19 模型评估和选择.mp4

┣━4-14 MoocTrialNet模型搭建（1）.mp4

┣━4-8 几种卷积的变体（下）.mp4

┣━4-18 MoocTrialNet模型搭建（5）.mp4

┣━4-4 卷积运算是怎样的过程（上）.mp4

┣━4-7 几种卷积的变体（上）.mp4

┣━第1章 初识深度学习

┣━1-4 深度学习路线图.mp4

┣━1-2 本章内容介绍.mp4

┣━1-5 深度学习应用.mp4

┣━1-3 神经网络&深度学习.mp4

┣━1-1 系统入门深度学习，从这里轻松开始.mp4

┣━1-6 本章总结.mp4

┣━第9章 深度学习新范式：半监督学习

┣━9-1 本章内容介绍.mp4

┣━9-10 utils编写（3）.mp4

┣━9-14 trainer 编写（1）.mp4

┣━9-11 utils编写（4）.mp4

┣━9-18 本章总结.mp4

┣━9-2 半监督学习是什么？.mp4

┣━9-8 utils编写（1）.mp4

┣━9-4 几种典型的半监督学习方法（上）.mp4

┣━9-13 loss 编写.mp4

┣━9-9 utils编写（2）.mp4

┣━9-17 trainer 编写（4）.mp4

┣━9-5 几种典型的半监督学习方法（下）.mp4

┣━9-6 在Cifar10上实现MixMatch半监督学习-论文拆解.mp4

┣━9-7 超参和dataset.mp4

┣━9-12 model编写.mp4

┣━9-3 半监督学习能解决什么问题？.mp4

┣━9-15 trainer 编写（2）.mp4

┣━9-16 trainer 编写（3）.mp4