動手學深度學習 | 目錄 | 00
阿新 • • 發佈:2021-09-16
目錄
- 安裝 | 01
- 資料操作+資料預處理 | 02
- 線性代數 | 03
- 矩陣計算 | 04
- 自動求導 | 05
- 線性迴歸+基礎優化演算法 | 06
- Softmax迴歸+損失函式+圖片分類資料集
- 多層感知機+程式碼實現
- 模型選擇+過擬合和欠擬合
- 權重衰退
- 丟棄法
- 數值穩定性+模型初始化和啟用函式
- 實戰:Kaggle房價預測+課程競賽:加州2020年房價預測
- PyTorch神經網路基礎
- 使用和購買GPU
- 預測房價競賽總結
- 卷積層
- 卷積層裡的填充和步幅
- 卷積層裡的多輸入多輸出通道
- 池化層
- 經典卷積神經網路LeNet
- 深度卷積神經網路AlexNet
- 使用塊的網路VGG
- 網路中的網路NiN
- 含並行連結的網路GoogLeNet/Inception V3
- 批量歸一化
- 殘差網路 ResNet
- ResNet為什麼能訓練出1000層的模型
- 第二部分完結競賽:圖片分類
- 深度學習硬體:CPU和GPU
- 深度學習硬體:TPU和其他
- 單機多卡並行
- 多GPU訓練實現
- 分散式訓練
- 資料增廣
- 微調
- 第二次競賽:樹葉分類結果
- 實戰Kaggle比賽:影象分類(CIFAR-10)
- 實戰Kaggle比賽:狗的品種識別(ImageNet Dogs)
- 物體檢測和資料集
- 錨框
- 樹葉分類競賽技術總結
- 物體檢測演算法:R-CNN、SSD、YOLO
- SSD實現
- 語義分割和資料集
- 轉置卷積
- 轉置卷積是一種卷積
- 全連線卷積神經網路FCN
- 樣式遷移
- 課程競賽:牛仔行頭檢測
- 序列模型
- 文字預處理
- 語言模型
- 迴圈神經網路RNN
- 迴圈神經網路RNN的實現
- 門控制迴圈單元(GRU)
- 長短期記憶網路(LSTM)
- 深層迴圈神經網路
- 雙向迴圈神經網路
- 機器翻譯資料集
- 編碼器-解碼器架構
- 序列到序列學習(seq2seq)
- 束搜尋
- 注意力機制
- 注意力分數
- 使用注意力機制的seq2seq
- 自注意力
- Transformer
- BERT預訓練
- BERT微調
- 目標檢測競賽總結
- 優化演算法