人工精选深度学习算法（）
这门课讲的是深度学习里最底层的那套算法逻辑，不是调库跑通一个模型就完事。它要解决的问题很具体：很多人用过框架、跑过几段示例代码，但一遇到损失不下降、梯度爆炸、参数更新方向不对，就不知道从哪查起。课程把反向传播、梯度下降这些核心机制拆开讲，目的就是让你在模型出问题时能定位到是哪一环出了偏差，而不是只会
会员可免费下载本篇月会员可免费领取。
开通会员 ›会员 · 按档位
游客按标价购买，不享受上表折扣。
支付成功后自动发放网盘链接，链接失效可找客服免费补
这门课讲的是深度学习里最底层的那套算法逻辑，不是调库跑通一个模型就完事。它要解决的问题很具体：很多人用过框架、跑过几段示例代码，但一遇到损失不下降、梯度爆炸、参数更新方向不对，就不知道从哪查起。课程把反向传播、梯度下降这些核心机制拆开讲，目的就是让你在模型出问题时能定位到是哪一环出了偏差，而不是只会换超参数碰运气。
适合什么基础，不适合什么基础
如果你已经会一门编程语言，能看懂基本的矩阵运算和求导符号，学这门课会比较顺。数学部分它没有从零推公式，但默认你知道什么是偏导、什么是向量内积。完全没写过代码、或者连 Python 都没碰过的人，直接上会卡在实现环节。另外，如果你只是想让现成模型跑起来做个 demo，这门课偏重原理和手写实现，投入产出比不一定划算。它更适合那些准备转算法方向、或者已经在做开发但想补上模型内部机制的人。
建议先看哪几块，学完能做什么
开头的反向传播和梯度下降部分值得慢看，这是后面所有内容的地基，计算图怎么传、链式法则怎么落到每一层，这里没弄懂后面会一直糊。接着看参数初始化、学习率调整和正则化那几块，它们直接对应训练中最常见的几类失败现象。综合实战章节建议放在最后，等前面手推过一遍再去看完整实现，感受会不一样。学完之后，你应该能独立写出一个不依赖高层封装的小型网络，自己实现前向和反向过程，并针对训练不收敛的情况做出有依据的调整，而不是随机试。这个能力在面试里比“用过某框架”更能说明问题。
资料怎么配合练习
配套的章节笔记适合在两个时间点用：一是每看完两三节，合上视频凭记忆把推导和代码结构写一遍，再对照笔记补漏；二是面试前快速过一遍，把当时卡住的点重新推一次。练习不要只跟着视频敲，试着改一处结构或换一个激活函数，观察输出变化，再回头解释为什么。最终拿一个自己感兴趣的小数据集，从零复现一遍完整流程，把代码和踩坑记录整理出来，这比单纯刷完一百多节视频更有说服力。
视频目录（113 节）
深度学习算法（价值599元）
课程目录
* 1-1 课程介绍.mp4
* 1-2 课程特色.mp4
* 1-3 线性变换的学习.mp4
* 1-4 维度不变的线性变换.mp4
* 1-5 降维线性变换.mp4
* 1-6 升维线性变换.mp4
* 2-1 线性二分类问题的引入.mp4
* 2-2 线性二分类问题推导神经网络.mp4
* 3-1 复杂的图像分割思路.mp4
* 3-2 神经网络解决复杂分割问题.mp4
* 3-3 激活函数的理解.mp4
* 3-4 求解深度神经网络.mp4
* 3-5 万能近似定理.mp4
* 4-1 单双层感知器效果差异.mp4
* 4-2 理解多层感知器的本质.mp4
* 4-3 双层感知器的单层表达.mp4
* 5-1 多层感知器的训练效果对比.mp4
* 5-2 多层感知器的优缺点.mp4
* 5-3 多层隐藏层的收敛速度.mp4
* 5-4 多层感知器的参数效率.mp4
* 6-1 全连接层的角色.mp4
* 6-2 注意力机制中的全连接层.mp4
* 7-1 FNN识别局部特征的难点.mp4
* 7-2 卷积神经网络计算过程.mp4
* 7-3 pytorch实现卷积神经网络.mp4
* 7-4 复杂特征的卷积核大小设置.mp4
* 7-5 卷积和常用大小为什么是3X3.mp4
* 7-6 图像识别为什么无法精确.mp4
* 7-7 MNIST手写识别.mp4
* 7-8 CNN的发展历史.mp4
* 7-9 CNN的理论依据-LeNet-5.mp4
* 7-10 CNN的成功实践-AlexNet.mp4
* 7-11 CNN架构设计思路-VGG.mp4
* 7-12 堆叠的CNN更具判别能力.mp4
* 7-13 如何提升CNN的深度-ResNet.mp4
* 7-14 CNN遇到Transformer的挑战.mp4
* 8-1 深度学习中的困难点有什么.mp4
* 8-2 什么是性能指标.mp4
* 8-3 准确率指标适合场景.mp4
* 8-4 精确率能解决的问题场景.mp4
* 8-5 召回率的场景和F1指标.mp4
* 8-6 模型预测的阈值对召回率和精确率的影响.mp4
* 8-7 PR曲线的应用场景.mp4
* 8-8 ROC曲线和模型性能.mp4
* 9-1 损失函数的定义.mp4
* 9-2 梯度下降法详解.mp4
* 9-3 损失函数选择的原则.mp4
* 9-4 交叉熵的设计原则.mp4
* 9-5 加权交叉熵解决的问题.mp4
* 9-6 带标签平滑的交叉熵损失.mp4
* 9-7 分类难易问题-焦点损失.mp4
* 9-8 回归任务的三大损失函数.mp4
* 9-9 存在上限和下限的损失.mp4
* 9-10 泊松分布能做什么.mp4
* 9-11 深度学习中的泊松损失.mp4
* 9-12 分位损失和Huber和LogCosh损失.mp4
* 9-13 极大似然估计-损失函数的母体.mp4
* 9-14 回归任务的母体函数-高斯分布.mp4
* 9-15 回归任务为什么使用高斯分布.mp4
* 9-16 分类任务的母体函数.mp4
* 9-17 其他特定任务的损失函数.mp4
* 10-1 正则化现象是什么.mp4
* 10-2 L2正则化解决的问题.mp4
* 10-3 L1正则化解决了什么问题.mp4
* 10-4 过拟合问题如何定义.mp4
* 10-5 dropout解决的问题.mp4
* 10-6 早停与批量归一化.mp4
* 11-1 损失曲线挑战是什么.mp4
* 11-2 Hession矩阵是什么.mp4
* 11-3 参数的梯度相互影响如何判断.mp4
* 11-4 Hession矩阵的使用思考.mp4
* 11-5 线性变换后Hession矩阵失效.mp4
* 11-6 Hession为什么要使用特征值.mp4
* 11-7 应对挑战的各种方法.mp4
* 12-1 7大生成模型.mp4
* 12-2 图像的生成法则是什么.mp4
* 12-3 潜空间指的是什么.mp4
* 12-4 潜空间与概率分布.mp4
* 12-5 图片生成思路-可逆函数.mp4
* 12-6 图片生成难点-文字生成图片.mp4
* 12-7 潜空间为什么不可控.mp4
* 12-8 潜空间的平滑性连续性.mp4
* 12-9 什么样的潜空间是连续平滑的.mp4
* 12-10 高斯潜空间及其演示.mp4
* 12-11 模拟上帝掷骰子生成图片.mp4
* 12-12 标准化流模型训练和总结.mp4
* 13-1 标准化流模型的缺点.mp4
* 13-2 流匹配模型的处理思路.mp4
* 13-3 流匹配模型的路径分解思路.mp4
* 13-4 能量场及其作用.mp4
* 13-5 流匹配模型的潜空间特点.mp4
* 13-6 潜空间使用高斯采样的好处.mp4
* 13-7 概率分布视角理解流匹配模型.mp4
* 14-1 扩散模型-流匹配模型前身.mp4
* 14-2 扩散模型训练的方式.mp4
* 14-3 从概率分布视角理解.mp4
* 14-4 加噪过程为什么要越来越强.mp4
* 14-5 加噪为什么是等差数列.mp4
* 14-6 训练为什么不需要逐步迭代.mp4
* 14-7 DDPM和DDIM的区别.mp4
* 14-8 扩散模型的平滑性如何保证.mp4
* 14-9 扩散模型生成图片关键细节.mp4
* 15-1 VAE的使用场景.mp4
* 15-2 VAE混合风格的本质.mp4
* 15-3 怎么理解图片的抗噪能力.mp4
* 15-4 VAE的训练算法.mp4
* 15-5 怎么解码出原始特征.mp4
* 15-6 VAE是怎么做异常检测的.mp4
* 16-1 能量模型的特征.mp4
* 16-2 不好拟合的曲线.mp4
* 16-3 Lipschitz规则.mp4
* 16-4 使用Lipschitz判断技巧.mp4
* 16-5 能量函数的定义.mp4
同类课程
和你正在看的这门一个方向
算法数学清华大学算法训练营蓝桥杯ACM信息竞赛视频教程合集
永久有效 · 网盘发货
算法数学Python深度学习与PyTorch实战教程（网易云课堂）
永久有效 · 网盘发货
算法数学深度学习神经网络（CNN、RNN、GAN）算法原理与实战教程（含源码课件）
永久有效 · 网盘发货
算法数学慕课网AI人工智能算法工程师2024|0源码+PDF课件+电子书
永久有效 · 网盘发货
算法数学「【九天菜菜】深度学习实战课
永久有效 · 网盘发货
算法数学高手内功必修课-ARM汇编系统入门与实践|已完结
永久有效 · 网盘发货