深度学习算法

1、学习到深度学习核心算法 2、学习到深度学习核心训练逻辑 3、学习到深度学习CNN 4、学习到深度

*   01 线性变换/

  *   01 课程介绍.mp4 34:01

  *   02 课程特色.mp4 31:32

  *   03 线性变换的学习.mp4 10:23

  *   04 维度不变的线性变换.mp4 15:56

  *   05 降维线性变换.mp4 07:01

  *   06 升维线性变换.mp4 09:55

*   02 线性二分类问题/

  *   01 线性二分类问题的引入.mp4 16:44

  *   02 线性二分类问题推导神经网络.mp4 21:38

*   03 非线性分类问题/

  *   01 复杂的图像分割思路.mp4 07:17

  *   02 神经网络解决复杂分割问题.mp4 12:31

  *   03 激活函数的理解.mp4 18:23

  *   04 求解深度神经网络.mp4 18:57

  *   05 万能近似定理.mp4 21:27

*   04 2层深度网络/

  *   01 单双层感知器效果差异.mp4 15:44

  *   02 理解多层感知器的本质.mp4 14:05

  *   03 双层感知器的单层表达.mp4 06:31

*   05 多层神经网络/

  *   01 多层感知器的训练效果对比.mp4 09:25

  *   02 多层感知器的优缺点.mp4 08:07

  *   03 多层隐藏层的收敛速度.mp4 06:44

  *   04 多层感知器的参数效率.mp4 10:48

*   06 FNN的角色/

  *   01 全连接层的角色.mp4 07:45

  *   02 注意力机制中的全连接层.mp4 05:44

*   07 CNN/

  *   01 FNN识别局部特征的难点.mp4 05:34

  *   02 卷积神经网络计算过程.mp4 13:38

  *   03 pytorch实现卷积神经网络.mp4 20:46

  *   04 复杂特征的卷积核大小设置.mp4 14:01

  *   05 卷积和常用大小为什么是3X3.mp4 18:01

  *   06 图像识别为什么无法精确.mp4 15:43

  *   07 MNIST手写识别.mp4 28:42

  *   08 CNN的发展历史.mp4 18:15

  *   09 CNN的理论依据-LeNet-5.mp4 14:11

  *   10 CNN的成功实践-AlexNet.mp4 13:45

  *   11 CNN架构设计思路-VGG.mp4 31:16

  *   12 堆叠的CNN更具判别能力.mp4 25:03

  *   13 如何提升CNN的深度-ResNet.mp4 11:12

  *   14 CNN遇到Transformer的挑战.mp4 32:01

*   08 模型效果衡量指标/

  *   01 深度学习中的困难点有什么.mp4 06:50

  *   02 什么是性能指标.mp4 06:08

  *   03 准确率指标适合场景.mp4 14:41

  *   04 精确率能解决的问题场景.mp4 15:24

  *   05 召回率的场景和F1指标.mp4 07:01

  *   06 模型预测的阈值对召回率和精确率的影响.mp4 08:40

  *   07 PR曲线的应用场景.mp4 17:19

  *   08 ROC曲线和模型性能.mp4 17:51

*   09 损失函数/

  *   01 损失函数的定义.mp4 07:26

  *   02 梯度下降法详解.mp4 04:48

  *   03 损失函数选择的原则.mp4 10:28

  *   04 交叉熵的设计原则.mp4 13:05

  *   05 加权交叉熵解决的问题.mp4 03:17

  *   06 带标签平滑的交叉熵损失.mp4 12:07

  *   07 分类难易问题-焦点损失.mp4 11:55

  *   08 回归任务的三大损失函数.mp4 08:14

  *   09 存在上限和下限的损失.mp4 04:15

  *   10 泊松分布能做什么.mp4 08:51

  *   11 深度学习中的泊松损失.mp4 07:31

  *   12 分位损失和Huber和LogCosh损失.mp4 06:53

  *   13 极大似然估计-损失函数的母体.mp4 18:23

  *   14 回归任务的母体函数-高斯分布.mp4 05:31

  *   15 回归任务为什么使用高斯分布.mp4 27:50

  *   16 分类任务的母体函数.mp4 12:17

  *   17 其他特定任务的损失函数.mp4 09:13

*   10 正则化/

  *   01 正则化现象是什么.mp4 04:22

  *   02 L2正则化解决的问题.mp4 15:23

  *   03 L1正则化解决了什么问题.mp4 08:49

  *   04 过拟合问题如何定义.mp4 08:19

  *   05 dropout解决的问题.mp4 10:46

  *   06 早停与批量归一化.mp4 10:56

*   11 损失曲线中的挑战/

  *   01 损失曲线挑战是什么.mp4 05:45

  *   02 Hession矩阵是什么.mp4 08:24

  *   03 参数的梯度相互影响如何判断.mp4 12:20

  *   04 Hession矩阵的使用思考.mp4 06:58

  *   05 线性变换后Hession矩阵失效.mp4 06:56

  *   06 Hession为什么要使用特征值.mp4 09:05

  *   07 应对挑战的各种方法.mp4 14:54

*   12 标准化流模型/

  *   01 7大生成模型.mp4 06:33

  *   02 图像的生成法则是什么.mp4 06:31

  *   03 潜空间指的是什么.mp4 07:51

  *   04 潜空间与概率分布.mp4 07:34

  *   05 图片生成思路-可逆函数.mp4 07:38

  *   06 图片生成难点-文字生成图片.mp4 16:31

  *   07 潜空间为什么不可控.mp4 10:45

  *   08 潜空间的平滑性连续性.mp4 11:13

  *   09 什么样的潜空间是连续平滑的.mp4 09:49

  *   10 高斯潜空间及其演示.mp4 12:17

  *   11 模拟上帝掷骰子生成图片.mp4 09:58

  *   12 标准化流模型训练和总结.mp4 08:05

*   13 流匹配模型/

  *   01 标准化流模型的缺点.mp4 08:05

  *   02 流匹配模型的处理思路.mp4 07:31

  *   03 流匹配模型的路径分解思路.mp4 08:50

  *   04 能量场及其作用.mp4 13:50

  *   05 流匹配模型的潜空间特点.mp4 09:22

  *   06 潜空间使用高斯采样的好处.mp4 18:59

  *   07 概率分布视角理解流匹配模型.mp4 06:57

*   14 扩散模型/

  *   01 扩散模型-流匹配模型前身.mp4 06:11

  *   02 扩散模型训练的方式.mp4 06:12

  *   03 从概率分布视角理解.mp4 05:14

  *   04 加噪过程为什么要越来越强.mp4 07:32

  *   05 加噪为什么是等差数列.mp4 11:42

  *   06 训练为什么不需要逐步迭代.mp4 15:10

  *   07 DDPM和DDIM的区别.mp4 14:16

  *   08 扩散模型的平滑性如何保证.mp4 19:34

  *   09 扩散模型生成图片关键细节.mp4 10:37

*   15 变分自编码器（VAE）/

  *   01 VAE的使用场景.mp4 07:26

  *   02 VAE混合风格的本质.mp4 12:55

  *   03 怎么理解图片的抗噪能力.mp4 06:46

  *   04 VAE的训练算法.mp4 09:08

  *   05 怎么解码出原始特征.mp4 08:04

  *   06 VAE是怎么做异常检测的.mp4 10:32

*   16 能量模型/

  *   01 能量模型的特征.mp4 03:44

  *   02 不好拟合的曲线.mp4 14:16

  *   03 Lipschitz规则.mp4 09:25

  *   04 使用Lipschitz判断技巧.mp4 08:37

  *   05 能量函数的定义.mp4 10:14

  *   06 玻尔兹曼与能量模型的损失.mp4 19:44

  *   07 自定义模型与蒸馏模型.mp4 03:54

  *   08 如何解配分函数Z及其原理.mp4 28:05

  *   09 蒙1特1卡1罗1采样.mp4 17:08

  *   10 MCMC蒙特卡洛马尔科夫采样.mp4 11:33

  *   11 从采样角度理解逼近概率分布.mp4 14:01

  *   12 模拟退火算法解决了什么问题.mp4 14:03

  *   13 郎之万采样解决了什么问题.mp4 16:05

  *   14 吉布斯采样解决了什么.mp4 19:04

*   17 生成对抗网络-GAN(更新中)/

  *   01 GAN与流匹配模型差异.mp4 09:37

  *   02 待更新

  *   03 为什么要分生成器和判别器.mp4 11:11

  *   04 GAN容易坍塌的本质是什么.mp4 11:21

  *   05 保证连续性和多样性的策略.mp4 10:55

*   18 自回归语言模型(更新中)/

  *   01 待更新