微信
支付宝
【课程介绍】
Caffe、Tensorflow等框架灵活好用，但也屏蔽了很多技术细节，对我们的学习很不利！
本课程带领大家亲自动手写一个深度学习框架，理解常用技术的底层实现。具体安排如下：
1.板书完成数学推导，同时画图讲解；
2.基础：Python实现多层感知器；
3.进阶：C++实现深度学习框架；
4.穿插讲解重点的Python、C++知识。
Caffe、Tensorflow等框架灵活好用，但也屏蔽了很多技术细节，对我们的学习很不利！
本课程带领大家亲自动手写一个深度学习框架，理解常用技术的底层实现。具体安排如下：
1.板书完成数学推导，同时画图讲解；
2.基础：Python实现多层感知器；
3.进阶：C++实现深度学习框架；
4.穿插讲解重点的Python、C++知识。
【课程收益】
掌握深度学习技术的底层细节；
拥有属于自己的深度学习框架；
掌握Armadillo、protobuf等库的使用；
提高面试竞争力；
掌握深度学习技术的底层细节；
拥有属于自己的深度学习框架；
掌握Armadillo、protobuf等库的使用；
提高面试竞争力；
课程大纲
课件付费后打包下载
- 章节目录
-
- 01. 本课程介绍 14:56
- 02. 神经元、多层感知器和人工智能 课件付费后下载 13:44
- 03. 理论分析：梯度下降算法 15:20
- 04. 理论分析：反向传播算法 30:02
- 05. 思路分析：如何利用Python实现多层感知器？ 18:20
- 06. Anaconda环境搭建、数据准备 课件付费后下载 17:38
- 07. 代码实践：MLP的前向传播 课件付费后下载 21:59
- 08. 代码实践：MLP的反向传播 课件付费后下载 26:47
- 09. 代码实践：梯度检验 课件付费后下载 24:36
- 10. 代码实践：探索各种激活函数 课件付费后下载 23:12
- 11. 代码实践：探索各种权重初始化 课件付费后下载 19:44
- 12. 代码实践：探索各种优化算法 课件付费后下载 44:33
- 13. 理论分析：BatchNormalization 课件付费后下载 32:08
- 14. 代码实践：BatchNormalization 课件付费后下载 34:20
- 15. 理论分析：CNN的前向传播 课件付费后下载 27:52
- 16. 理论分析：CNN的反向传播 18:31
- 17. 深度学习框架Caffe基础入门 课件付费后下载 38:23
- 18. 思路分析：如何设计自己的框架？ 课件付费后下载 10:16
- 19. 环境准备：Json、Armadillo、Protobuf 课件付费后下载 17:11
- 20. 代码实践：利用json定义网络结构 课件付费后下载 45:39
- 21. 代码实践：设计内部数据结构——Blob 23:35
- 22. 代码实践：加载Mnist数据集到Blob 20:37
- 23. 代码实践：逐层构造数据Blob和梯度Blob 30:27
- 24. 代码实践：逐层初始化（上） 30:27
- 25. 代码实践：逐层初始化（下） 34:30
- 26. 代码实践：将Blob切割为mini-batch 22:46
- 27. 代码实践：卷积层的前向传播 30:26
- 28. 代码实践：激活层、池化层的前向传播 30:03
- 29. 代码实践：全连接层、损失层的前向传播 34:45
- 30. 代码实践：损失层、全连接层的反向传播 28:02
- 31. 代码实践：池化层、激活层的反向传播 27:13
- 32. 代码实践：卷积层的反向传播 23:30
- 33. 代码实践：模型参数优化和评估 28:46
- 34. 添砖加瓦：实现模型微调功能（fine-tune） 46:21
- 35. 添砖加瓦：实现SVM损失层 22:57
- 36. 添砖加瓦：实现更多的优化器 24:52
- 37. 添砖加瓦：实现对L2正则化的支持 30:07
- 38. 添砖加瓦：实现Dropout层 22:52
- 39. 添砖加瓦：实现BN层和Scale层 39:29
- 40. 添砖加瓦：实现通用的图片数据接口 36:54
- 41. 总结与展望 8:22
阅读更多
发布回复
