课件.exe 1.3GB

9.9如何实例化深度残差网络.mp4 110.0MB

9.8残差网络的维度变换.mp4 83.4MB

9.7在网络中引入残差层.mp4 81.8MB

9.6构建残差网络的每个子模块.mp4 104.0MB

9.51-1卷积的含义和效果（二）.mp4 113.3MB

9.41-1卷积的含义和效果（一）.mp4 60.7MB

9.3批标准化的效果展示.mp4 91.4MB

9.2在pytorch中引入批量正则化.mp4 76.1MB

9.1如何提取中间变量.mp4 109.1MB

8.4批量标准化的操作是怎么进行的.mp4 55.1MB

8.3阈值变换如何应对过拟合.mp4 49.8MB

8.2为什么批量标准化比标准化好.mp4 52.1MB

8.1批量标准化怎么做.mp4 40.9MB

7.5残差网络的数学原理.mp4 92.4MB

7.4残差网络的定义.mp4 82.8MB

7.3深度网络中的梯度消失问题.mp4 104.8MB

7.2VGG19.mp4 61.5MB

7.1AlexNet的技术细节.mp4 131.7MB

6.9CNN要调节的主要参数（二）.mp4 39.8MB

6.8CNN要调节的主要参数（一）.mp4 31.8MB

6.7PyTorch里的图像预处理与可视化.mp4 82.7MB

6.6PyTorch中的优化器选择.mp4 83.3MB

6.5Adam算法.mp4 53.1MB

6.4自适应的梯度下降及流平均改进法.mp4 100.9MB

6.3两个参数问题下的优化面临的问题.mp4 43.6MB

6.2动量化梯度下降的原理和实现.mp4 87.1MB

6.1梯度下降法在PyTorch中的实现.mp4 81.1MB

6.12神经网络的训练与测试及训练的效果展示.mp4 120.1MB

6.11卷积网络中的全连接层.mp4 83.6MB

6.10构建卷积网络的代码讲解.mp4 82.1MB

5.8Drop out在神经网络中的应用和实现.mp4 110.4MB

5.7多层网络的模型构建流程、神经网络的参数初始化.mp4 118.6MB

5.6用类的方法实现逻辑斯蒂回归.mp4 72.5MB

5.5逻辑回归的问题介绍.mp4 57.5MB

5.4PyTorch中的优化器和损失函数.mp4 82.8MB

5.3网络视角下的线性模型、PyTorch对神经网络的支持包.mp4 101.3MB

5.2PyTorch中的反向求导.mp4 74.9MB

5.1PyTorch中的基本概念—变量.mp4 106.5MB

4.9卷积神经网络的训练方法.mp4 77.1MB

4.8池化操作与层层抽象.mp4 84.5MB

4.7引入激活函数以提取非线性特征.mp4 87.4MB

4.6卷积是如何提取特征的、卷积网络的生物学机理.mp4 119.8MB

4.5图像识别的传统方法及其问题（二）.mp4 80.5MB

4.4图像识别的传统方法及其问题（一）.mp4 72.0MB

4.3卷积操作的代码展示.mp4 71.4MB

4.2图像识别中的滤镜与卷积.mp4 61.7MB

4.1卷积神经网络的历史.mp4 65.3MB

3.5反向传播算法在神经网络中的应用代码展示（二）.mp4 68.6MB

3.4反向传播算法在神经网络中的应用代码展示（一）.mp4 67.3MB

3.3链式法则.mp4 37.8MB

3.2反向传播算法的代码实现.mp4 57.0MB

3.1反向传播算法的数学推导.mp4 51.9MB

2.6梯度下降的变体—动量梯度下降法及代码实现.mp4 120.2MB

2.5从优化的层次到机器学习.mp4 39.5MB

2.4梯度实现的数学证明.mp4 30.8MB

2.3梯度下降的代码实现.mp4 65.5MB

2.2梯度下降的直观例子（二）.mp4 48.5MB

2.1梯度下降的直观例子（一）.mp4 45.6MB

18.5RNN和迁移学习.mp4 37.8MB