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stride 13:13
• 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demo 13:54
• 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 15:12