深度学习理论解析与实战应用_小报童_
深度学习理论解析与实战应用介绍
有句名言：“站在风口，猪都能飞”！谁能抢先学会深度学习，谁就能在 AI 时代飞起来！\n\n如果你是：深度学习初学者/对深度学习感兴趣的学生/IT
从业人员，本专栏非常适合你。\n\n原价 199，首发特价 20 元，永久买断！每满 100 人，涨价 10 元。\n\n🔥 本专栏对每一位订阅者开放
60% 的分销报酬 🔥\n\n本专栏配备【深度学习交流社群】，订阅者可进入社群，与更多大牛交流、学习。\n\n订阅后，带上支付截图，添加助手微信
AI_helper01\n\n添加微信备注：深度学习，获取 AI 资源工具箱。
| 名称 | 作者 | 读者数量 | 内容数量 | 更新时间 |
|---|---|---|---|---|
| 深度学习理论解析与实战应用 | 红色石头 | 136人 | 19篇 | 2023-12-14 |
最近更新
19. 练习课程
《深度学习 Python 入门与实战》课程总共有 18 课时。结构划分包括三个部分：
第一部分（第01-04课），主要介绍一些深度学习的预备知识。对深度学习进行简要概述......
18：项目实战：利用 PyTorch 构建 RNN 模型
上一章我们主要介绍了基本的 RNN 模型和 LSTM。本文将通过一个实战项目来带大家使用 PyTorch 搭建一个 RNN 模型。
本项目将构建一个 RNN 模型来对 ......
17：循环神经网络（RNN）
本文将介绍另一种功能强大、应用非常广泛的神经网络模型：循环神经网络（Recurrent Neural Networks，RNN）。
为什么使用 RNN
生活......
16：项目实战：利用 PyTorch 构建 CNN 模型
上一章我们主要介绍了 CNN 的基本概念和模型结构。本文将带领大家使用 PyTorch 一步一步搭建一个 CNN 模型，进行数字图片的识别，我们使用的是 MNIST 数据集。
15：卷积神经网络（CNN）
之前的章节中，我们介绍的都是传统的神经网络结构，也称为全连接层神经网络。传统的神经网络在许多应用中都有着不错的表现和性能。但是在某些领域问题中，其性能受限，表现却并不完美。因此，本......
14：项目实战——深度优化你的神经网络模型
上一章我们主要介绍了在构建神经网络模型一些实用建议，包括：如何评估模型、训练 / 验证 / 测试集、训练 / 验证 / 测试集、贝叶斯最优误差和人类表现水平、错误分析。掌握这些对优化神经网络模型......
13：构建神经网络模型的实用建议
上一章我们主要介绍了优化神经网络中的一些常用技巧，包括：输入标准化、权重 W 初始化、批归一化 Batch Normalization、超参数调试等。这些技巧和方法在实际应用中非常有用，能够大大......
12：优化神经网络——网络初始化技巧与超参数调试
上一章我们主要介绍了神经网络中几种常见的梯度下降优化算法，包括 Mini-Batch、Momentum、Nesterov Momentum、AdaGrad、RMSprop、Adam、Learni......
11：优化神经网络——梯度优化
上一章我们主要介绍了如何防止在神经网络模型中出现过拟合问题。常用的方法是使用 L1、L2 正则化，dropout 正则化，data augmentation，early stopping 等。本......
10：优化神经网络——如何防止过拟合
上一章我们一步一步搭建了一个深层的神经网络来实现对图片的分类。结果显示，随着网络层数加深，隐藏层数增加，网络性能会有所提升。但是，单纯地通过增加网络层数也不一定能取得很好的效果，且模型容易发生过......
返回 首页