本课程专为AI深度学习初学者设计，通过PyTorch框架，从神经网络基础到高级模型应用，全面覆盖深度学习核心技术。课程内容包括神经网络、卷积神经网络、循环神经网络、注意力机制等核心概念，以及PyTorch的安装、数据加载、模型训练与优化等实战技能。通过丰富的实战案例，帮助学员从零开始，逐步掌握深度学习的关键技术，最终能够独立完成复杂AI项目的开发与部署。适合希望快速入门AI深度学习领域的技术爱好者和专业人士。
以下云资源目录树快照生成于[11个月前]，该学习资料由夸克云用户[夸父*088]分享（只展示大部分文件和目录）
0基础掌握AI深度学习与PyTorch：实战视频教程2.92 GB(mp4视频77节；)
077-8-损失计算与训练.mp445.44MB076-7-完成前向传播.mp436.92MB075-6-特征加权分配.mp439.65MB074-5-QKV计算方法.mp439.92MB073-4-分块要完成的任务.mp434.79MB072-3-Embedding模块实现方法.mp442.08MB071-2-源码DEBUG演示.mp431.47MB070-1-项目源码准备.mp441.74MB069-1-视觉transformer要完成的任务解读.mp430.2MB068-3-基于Flask测试模型预测结果.mp440.69MB067-2-服务端处理与预测函数.mp440.03MB066-1-基本结构与训练好的模型加载.mp418.97MB065-9-模型训练任务与总结.mp440.98MB064-8-网络模型预测结果输出.mp435.63MB063-7-LSTM网络结构基本定义.mp431.71MB062-6-字符预处理转换ID.mp432.17MB061-5-预料表与字符切分.mp430.05MB060-4-训练模型所需基本配置参数分析.mp438.21MB059-3-命令行参数与DEBUG.mp432.8MB058-2-文本数据处理基本流程分析.mp452.02MB057-1-数据集与任务目标分析.mp441.96MB056-3-Dataloader中需要实现的方法分析.mp443.4MB055-2-图像数据与标签路径处理.mp442.04MB054-1-Dataloader要完成的任务分析.mp428.63MB053-4-实用Dataloader加载数据并训练模型.mp458.27MB052-10-测试结果演示分析.mp499.73MB051-9-重新训练全部模型.mp441.78MB050-8-模型训练方法.mp444.56MB049-7-优化器与学习率衰减.mp444.11MB048-6-输出类别个数修改.mp443.77MB047-5-输出层与梯度设置.mp453.8MB046-4-迁移学习方法解读.mp442.47MB045-3-数据集与模型选择.mp436.18MB044-2-数据增强模块.mp439.06MB043-1-任务分析与图像数据基本处理.mp436.6MB042-3-卷积网络模型训练.mp449.51MB041-2-卷积网络参数解读.mp428.27MB040-1-输入特征通道分析.mp438.9MB039-4-模型学习与预测.mp453.96MB038-3-训练流程实例.mp440.51MB037-2-参数初始化操作解读.mp439.52MB036-1-任务与数据集解读.mp434.34MB035-7-参数对结果的影响.mp442.79MB034-6-训练一个基本的分类模型.mp444.08MB033-5-损失与训练模块分析.mp435.74MB032-4-数据源定义简介.mp433.32MB031-3-网络结构定义方法.mp451.04MB030-2-基本模块应用测试.mp440.36MB029-1-数据集与任务概述.mp439.06MB028-2-CPU与GPU版本安装方法解读.mp478.84MB027-1-PyTorch框架与其他框架区别分析.mp433.67MB026-8-BERT训练方式分析.mp419.06MB025-7-整体架构总结.mp426.54MB024-6-位置编码与解码器.mp428.88MB023-5-多头注意力机制的效果.mp429.07MB022-4-QKV的来源与作用.mp427.32MB021-3-self-attention要解决的问题.mp426.5MB020-2-注意力结构历史故事介绍.mp432.15MB019-1-RNN网络结构原理与问题.mp417.37MB018-8-经典网络架构概述.mp444.49MB017-7-整体网络结构架构分析.mp446.17MB016-6-池化层的作用与效果.mp433.28MB015-5-参数共享的作用.mp420.04MB014-4-层次结构的作用.mp420.9MB013-3-卷积计算详细流程演示.mp459.98MB012-2-卷积要完成的任务解读.mp427.94MB011-1-卷积神经网络概述分析.mp440.19MB010-9-预处理与dropout的作用.mp432.22MB009-8-神经元个数的作用.mp422.59MB008-7-神经网络效果可视化分析.mp461.31MB007-6-神经网络整体架构详细拆解.mp443.76MB006-5-反向传播演示.mp422.66MB005-4-前向传播流程解读.mp422.56MB004-3-损失函数计算方法.mp428.57MB003-2-模型更新方法解读.mp421.63MB002-1-神经网络要完成的任务分析.mp433.97MB001-课程介绍.mp489.3MB
