飞豹客 · 课能看,资料也能带走
飞豹客AI

神经网络基础入门视频课程(C/C++/Python3语言实现)

这门课解决什么问题 很多上班族和转行者学人工智能,最怕被框架和黑盒接口绕晕:调通了一个模型,却说不清前向传播里张量到底怎么变化,反向传播的梯度怎么更新。这门课的主题就是剥掉封装,用最底层的 C/C++ 和 Python3 把一个基础神经网络从零写出来。它解决的具体工作场景是:当你需要在嵌入式设备、边

单课价¥39.00新品 上架
会员价¥7.80开通会员,全站课程按会员价下载套餐详情
0 人关注 更新于 2026-10-21 永久有效
发货

网盘链接 · 支付成功后自动发货

保障

永久有效 · 链接失效免费补发

客服

每日 9:00-21:00 在线客服 联系客服

购买本课销量 0 · 永久有效
会员价 · 单课标价 ¥39.00

会员 · 按档位

永久¥19.505折
年¥23.406折
月¥27.307折

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

正版保障 极速发货 售后无忧

这门课解决什么问题

很多上班族和转行者学人工智能,最怕被框架和黑盒接口绕晕:调通了一个模型,却说不清前向传播里张量到底怎么变化,反向传播的梯度怎么更新。这门课的主题就是剥掉封装,用最底层的 C/C++ 和 Python3 把一个基础神经网络从零写出来。它解决的具体工作场景是:当你需要在嵌入式设备、边缘计算节点或老旧系统里部署一个轻量级模型,不能依赖庞大的外部库时,你得自己用原生代码实现矩阵运算、归一化和权重更新。资料里的理论章节只讲最核心的多层前向计算和基于反向传播的 BPNN,没有堆砌花哨的注意力机制,适合用来补齐“知其然且知其所以然”的底层逻辑。

适合什么基础与建议先看哪几块

这门资料不适合零基础小白。它默认你已经能看懂基本的 C/C++ 语法和 Python3 脚本,了解数组、循环和函数封装,如果懂一点线性代数里的矩阵乘法会更好。对于怕踩坑的转行者,建议直接跳过开头冗长的环境搭建,先看第二部分的理论推导,重点看多层神经元前向计算和反向传播这两块。把这两个推导过程在纸上手算一遍,确认自己能理解损失函数如何通过链式法则回传给每一层的权重。理清思路后,再回头去对照看 BPNN 的 C++ 代码实现和 Python 语言实现。把这两段代码作为主线去啃,其他关于归一化操作的内容可以当作数据预处理的辅助模块,在跑通主流程后再穿插进去看。

学完能独立做什么与资料怎么配合练习

学完这套资料,你不会立刻变成能搭建大模型的算法专家,但你能独立做一件非常踏实的事:不依赖任何第三方机器学习框架,纯靠原生代码写出一个能跑通前向预测和反向训练的多层神经网络。这意味着你以后在排查模型不收敛、梯度消失或者数据分布不均的问题时,能直接深入到代码底层去打断点调试,而不是对着框架报错干瞪眼。配合练习的方法是:不要只盯着视频看,必须开着编辑器同步敲代码。先用 Python 把前向计算跑通,喂一组简单的数据进去,打印出预测值;接着把 C++ 版本的代码敲进编译器,自己手动构造一个微型数据集,观察每一轮迭代后损失值是否在下降。如果发现数值没有收敛,就回去翻数据归一化的章节,检查输入特征有没有做缩放。把这套“写代码、喂数据、看损失、调参数”的闭环走完,这门课才算真正学到了自己手里。

课程目录

课程目录66 集
  • 1-1 [神经网络简介] 1.1 神经网络课程介绍 (04:50).mp4
  • 1-2 [神经网络简介] 1.2 c_cpp编程IDE操作入门 (35:27).mp4
  • 2-1 [神经网络基础理论] 2.1 人工神经网络理论基础 (15:47).mp4
  • 2-2 [神经网络基础理论] 2.2 多层神经元前向计算 (16:46).mp4
  • 2-3 [神经网络基础理论] 2.3 基于反向传播的神经网络BPNN (20:51).mp4
  • 2-4 [神经网络基础理论] 2.4 BPNN的Cpp代码实现 (07:10).mp4
  • 2-5 [神经网络基础理论] 2.5 数据预处理的归一化操作 (10:49).mp4
  • 2-6 [神经网络基础理论] 2.6 归一化操作代码实现 (12:30).mp4
  • 2-7 [神经网络基础理论] 2.7 BPNN的Python语言实现 (11:01).mp4
  • 3-1 [卷积神经网络基础理论] 3.1 神经网络的快速发展所带来的问题 (04:42).mp4
  • 3-2 [卷积神经网络基础理论] 3.2 卷积神经网络基本概念 (07:50).mp4
  • 3-3 [卷积神经网络基础理论] 3.3 自编码器 (06:30).mp4
  • 3-4 [卷积神经网络基础理论] 3.4 卷积运算理论与代码实现 (16:15).mp4
  • 3-5 [卷积神经网络基础理论] 3.5 卷积神经网络的代码实现 (07:24).mp4
  • 3-6 [卷积神经网络基础理论] 3.6 自编码器的代码实现 (06:40).mp4
  • 4-1 [卷积神经网络实操--MNIST手写字识别(主讲C++)] 4.1 MNIST手写体数据集简介 (12:47).mp4
  • 4-2 [卷积神经网络实操--MNIST手写字识别(主讲C++)] 4.2 MNIST数据集的数据读取 (05:31).mp4
  • 4-3 [卷积神经网络实操--MNIST手写字识别(主讲C++)] 4.3 MNIST数据的卷积操作 (15:55).mp4
  • 4-4 [卷积神经网络实操--MNIST手写字识别(主讲C++)] 4.4 MNIST数据的卷积反向操作与测试 (15:35).mp4
  • 4-5 [卷积神经网络实操--MNIST手写字识别(主讲C++)] 4.5 使用Python和Tensorflow处理MNIST (06:01).mp4
  • 5-1 [了解循环神经网络(RNN)与长短记忆神经网络(LSTM)] 5.1 循环神经网络RNN简介 (04:48).mp4
  • 5-2 [了解循环神经网络(RNN)与长短记忆神经网络(LSTM)] 5.2 长短记忆神经网络LSTM简介 (07:59).mp4
  • 6-1 [DarkNet使用入门] 1.darnet简单介绍 (07:12).mp4
  • 6-2 [DarkNet使用入门] 2.win10_cmake编译opencv (03:44).mp4
  • 6-3 [DarkNet使用入门] 3.opencv_vs2017工程配置测试 (02:36).mp4
  • 6-4 [DarkNet使用入门] 4.CUDA的安装与配置 (02:25).mp4
  • 6-5 [DarkNet使用入门] 5.编译darnet_yolo_v3成dll (06:01).mp4
  • 6-6 [DarkNet使用入门] 6.darnet_yolo_v3_vs2017工程化测试 (05:36).mp4
  • 6-7 [DarkNet使用入门] 7.Ubuntu_Linux编译与配置opencv (05:17).mp4
  • 6-8 [DarkNet使用入门] 8.Ubunut_Linux的Darknet编译与Qt测试 (03:47).mp4
  • 7-1 [opencv与dlib库的使用入门] 1.本节课程简单介绍 (04:25).mp4
  • 7-2 [opencv与dlib库的使用入门] 2.win10_opencv_vs2017的编译 (04:22).mp4
  • 7-3 [opencv与dlib库的使用入门] 3.win10_opencv_Qt的编译 (06:57).mp4
  • 7-4 [opencv与dlib库的使用入门] 4.配置Qt的Android开发环境 (05:53).mp4
  • 7-5 [opencv与dlib库的使用入门] 5.Qt上的opencv测试 (02:08).mp4
  • 7-6 [opencv与dlib库的使用入门] 6.dlib库的简介 (01:40).mp4
  • 7-7 [opencv与dlib库的使用入门] 7.dlib库的编译For_Qt (03:46).mp4
  • 7-8 [opencv与dlib库的使用入门] 8.dlib库的编译For_VS2017 (02:13).mp4
  • 7-9 [opencv与dlib库的使用入门] 9.opencv_dlib_vs2017的工程化配置 (12:29).mp4
  • 7-10 [opencv与dlib库的使用入门] 10.在VS2017中配置Qt开发环境 (04:39).mp4
  • 8-1 [DarkNet入门提高] 0.Darknet深度学习入门课程简介 (02:11).mp4
  • 8-2 [DarkNet入门提高] 1.cuda和cudnn的安装与配置 (04:10).mp4
  • 8-3 [DarkNet入门提高] 2.opencv的安装与配置 (05:24).mp4
  • 8-4 [DarkNet入门提高] 3.vs2017的下载与安装 (01:28).mp4
  • 8-5 [DarkNet入门提高] 4.win10_darknet的编译 (03:47).mp4
  • 8-6 [DarkNet入门提高] 5.voc数据集的准备 (06:17).mp4
  • 8-7 [DarkNet入门提高] 6.voc数据集模型训练前的相关配置文件修改 (05:07).mp4
  • 8-8 [DarkNet入门提高] 7.voc数据集的模型训练 (04:17).mp4
  • 8-9 [DarkNet入门提高] 8.自定义数据集的准备 (06:59).mp4
  • 8-10 [DarkNet入门提高] 9.自定义数据集模型训练前的相关配置文件修改 (01:43).mp4
  • 8-11 [DarkNet入门提高] 10.自定义数据集的模型训练 (01:32).mp4
  • 8-12 [DarkNet入门提高] 11.测试模型训练效果 (03:51).mp4
  • 8-13 [DarkNet入门提高] 12.opencv中调用自定义训练模型进行测试 (04:35).mp4
  • 9-1 [pyTorch学习入门] pytorch简介 (11:06).mp4
  • 9-2 [pyTorch学习入门] pytorch_win10_离线安装 (03:28).mp4
  • 9-3 [pyTorch学习入门] opencv-python的安装 (02:43).mp4
  • 9-4 [pyTorch学习入门] pycharm的安装 (03:30).mp4
  • 9-5 [pyTorch学习入门] python第三方包的离线下载方法讲解 (01:21).mp4
  • 9-6 [pyTorch学习入门] 训练数据cifar-10的准备 (01:27).mp4
  • 9-7 [pyTorch学习入门] 搭建AlexNet网络 (13:18).mp4
  • 9-8 [pyTorch学习入门] AlexNet网络模型训练 (01:20).mp4
  • 9-9 [pyTorch学习入门] pytorch模型转换成libtorch模型 (01:28).mp4
  • 9-10 [pyTorch学习入门] 下载libtorch文件 (02:06).mp4
  • 9-11 [pyTorch学习入门] cmake编译libtorch和opencv (08:50).mp4
  • 9-12 [pyTorch学习入门] 测试libtorch模型 (04:11).mp4
  • 9-13 [pyTorch学习入门] libtorch_vs2019_win10配置 (04:22).mp4