咕泡-人工智能深度学习系统班第六期|完结

这门课解决什么问题？适合什么基础？深度学习是当前人工智能应用落地的核心技术底座，广泛存在于推荐系统、内容审核、智能客服等场景。这门课程并非碎片化的技巧分享，而是一套从数学原理到工程实现的完整训练体系。它主要解决的是：如何从零构建能够处理图像、文本等复杂数据的人工神经网络，并理解反向传播这一核心机制

单课价¥53.00新品上架

会员价 会员免费开通会员后本篇可直接下载套餐详情

0 人关注更新于 2026-10-07 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

会员可免费下载本篇月会员可免费领取。

开通会员 ›

购买本课销量 0 · 永久有效

会员价 · 单课标价 ¥53.00

会员 · 按档位

永久免费可领

年免费可领

月免费可领

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？适合什么基础？

深度学习是当前人工智能应用落地的核心技术底座，广泛存在于推荐系统、内容审核、智能客服等场景。这门课程并非碎片化的技巧分享，而是一套从数学原理到工程实现的完整训练体系。它主要解决的是：如何从零构建能够处理图像、文本等复杂数据的人工神经网络，并理解反向传播这一核心机制是如何让模型自我优化的。

关于门槛，课程适合已经掌握 Python 基础语法，且对矩阵运算有基本认知的学习者。如果你从未接触过机器学习，建议先补齐线性代数和概率论的基础，否则在理解梯度下降算法时会感到吃力。课程设计上，它假设你具备独立编程能力，重点在于打通从理论推导到代码落地的最后一步。

建议先看哪几块？学完能独立做什么？

建议的学习路径是：先深入理解单神经元模型及常见的激活函数，这是所有复杂网络的细胞；接着重点攻克反向传播算法，务必结合代码手动推导一遍链式法则，这是区分“调包侠”与工程师的分水岭；随后进入卷积神经网络（CNN）和循环神经网络（RNN）的经典架构学习，理解它们分别如何处理空间特征和时间序列。最后再接触现代的优化策略和正则化手段。

完成学习后，你将具备独立设计小规模深度学习模型的能力。具体表现为：能够根据业务场景选择合适的网络结构，使用主流框架完成数据的预处理、模型训练及参数调优，并具备分析 Loss 曲线以排查过拟合或欠拟合问题的能力。你不再只是调用现成的 API，而是真正理解模型内部的数据流向。

资料如何配合练习才能生效？

深度学习是一门极度依赖实践的学科，光看视频无法形成肌肉记忆。资料包中的示例代码和数据集是你最好的陪练。建议采用“复现—修改—重构”三步法：首先，完整跑通课程提供的示例代码，确保能正常输出结果；其次，尝试修改关键超参数（如学习率、层数），观察模型性能的变化并记录差异；最后，找一个与你工作相关的小型公开数据集，从零开始构建一个完整的解决方案。只有通过亲手调整参数、亲眼看到误差下降，知识才算真正内化。不要跳过练习环节，那是检验是否掌握的唯一标准。

课程介绍

咕泡-人工智能深度学习系统班第六期，。人工智能深度学习系统班第六期，深度学习是机器学习的一个子领域，它是处理受人脑结构和功能或许多神经元互连启发的算法。这些算法被称为模拟大脑生物结构的人工神经网络 (ANN)。

课程目录

├── 01 直播课回放/@更多IT资源www.
│ ├── 01 开班典礼/
│ ├── 02 Pycharm环境配置与Debug演示(没用过的同学必看)/
│ ├── 03 直播1：深度学习核心算法-神经网络与卷积网络/
│ ├── 04 直播2：卷积神经网络/
│ ├── 05 直播3：Transformer架构/
│ ├── 06 直播4：Transfomer在视觉任务中的应用实例/
│ ├── 07 直播5：YOLO系列（V7）算法解读/
│ ├── 08 直播6：分割模型Maskformer系列/
│ ├── 09 补充：Mask2former源码解读/
│ ├── 10 直播7：半监督物体检测/
│ ├── 11 直播8：基于图模型的时间序列预测/
│ ├── 12 直播9：图像定位与检索/
│ ├── 13 直播10：近期内容补充/
│ ├── 14 直播11：文本生成GPT系列/
│ ├── 15 直播12：异构图神经网络/
│ ├── 16 直播13：BEV特征空间/
│ ├── 17 补充：BevFormer源码解读/
│ ├── 18 直播14：知识蒸馏/
│ └── 19 直播15：六期总结与论文简历/
├── 02 深度学习必备核心算法/
│ ├── 01 神经网络算法解读/
│ ├── 02 卷积神经网络算法解读/
│ └── 03 递归神经网络算法解读/
├── 03 深度学习核心框架PyTorch/
│ ├── 01 PyTorch框架介绍与配置安装/
│ ├── 02 使用神经网络进行分类任务/
│ ├── 03 神经网络回归任务-气温预测/
│ ├── 04 卷积网络参数解读分析/
│ ├── 05 图像识别模型与训练策略（重点）/
│ ├── 06 DataLoader自定义数据集制作/
│ ├── 07 LSTM文本分类实战/
│ └── 08 PyTorch框架Flask部署例子/
├── 04 MMLAB实战系列/
│ ├── 01 MMCV安装方法/
│ ├── 02 第一模块：分类任务基本操作/
│ ├── 03 第一模块：训练结果测试与验证/
│ ├── 04 第一模块：模型源码DEBUG演示/
│ ├── 05 第二模块：使用分割模块训练自己的数据集/
│ ├── 06 第二模块：基于Unet进行各种策略修改/
│ ├── 07 第二模块：分割任务CVPR最新Backbone设计及其应用/
│ ├── 08 第三模块：mmdet训练自己的数据任务/
│ ├── 09 第三模块：DeformableDetr物体检测源码分析/
│ ├── 10 补充：Mask2former源码解读/
│ ├── 11 第三模块：DeformableDetr算法解读/
│ ├── 12 KIE关键信息抽取与视频超分辨率重构/
│ ├── 13 第四模块：DBNET文字检测/
│ ├── 14 第四模块：ANINET文字识别/
│ ├── 15 第四模块：KIE基于图模型的关键信息抽取/
│ ├── 16 第五模块：stylegan2源码解读/
│ ├── 17 第六模块：BasicVSR++视频超分辨重构源码解读/
│ ├── 18 第七模块：多模态3D目标检测算法源码解读/
│ ├── 19 第八模块：模型蒸馏应用实例/
│ ├── 20 第八模块：模型剪枝方法概述分析/
│ ├── 21 第九模块：mmaction行为识别/
│ ├── 22 OCR算法解读/
│ └── 23 额外补充-在源码中加入各种注意力机制方法/
├── 05 Opencv图像处理框架实战/
│ ├── 01 课程简介与环境配置/
│ ├── 02 图像基本操作/
│ ├── 03 阈值与平滑处理/
│ ├── 04 图像形态学操作/
│ ├── 05 图像梯度计算/
│ ├── 06 边缘检测/
│ ├── 07 图像金字塔与轮廓检测/
│ ├── 08 直方图与傅里叶变换/
│ ├── 09 项目实战-信用卡数字识别/
│ ├── 10 项目实战-文档扫描OCR识别/
│ ├── 11 图像特征-harris/
│ ├── 12 图像特征-sift/
│ ├── 13 案例实战-全景图像拼接/
│ ├── 14 项目实战-停车场车位识别/
│ ├── 15 项目实战-答题卡识别判卷/
│ ├── 16 背景建模/
│ ├── 17 光流估计/
│ ├── 18 Opencv的DNN模块/
│ ├── 19 项目实战-目标追踪/
│ ├── 20 卷积原理与操作/
│ └── 21 项目实战-疲劳检测/
├── 06 综合项目-物体检测经典算法实战/
│ ├── 01 深度学习经典检测方法概述/
│ ├── 02 YOLO-V1整体思想与网络架构/
│ ├── 03 YOLO-V2改进细节详解/
│ ├── 04 YOLO-V3核心网络模型/
│ ├── 05 项目实战-基于V3版本进行源码解读（建议直接跑V5版本）/
│ ├── 06 基于YOLO-V3训练自己的数据集与任务（建议直接跑V5版本）/
│ ├── 07 YOLO-V4版本算法解读/
│ ├── 08 V5版本项目配置/
│ ├── 09 V5项目工程源码解读/
│ ├── 10 V7源码解读/
│ ├── 11 EfficientNet网络/
│ ├── 12 EfficientDet检测算法/
│ ├── 13 基于Transformer的detr目标检测算法/
│ └── 14 detr目标检测源码解读/
├── 07 图像分割实战/
│ ├── 01 图像分割及其损失函数概述/
│ ├── 02 卷积神经网络原理与参数解读/
│ ├── 03 Unet系列算法讲解/
│ ├── 04 unet医学细胞分割实战/
│ ├── 05 U2NET显著性检测实战/
│ ├── 06 deeplab系列算法/
│ ├── 07 基于deeplabV3+版本进行VOC分割实战/
│ ├── 08 医学心脏视频数据集分割建模实战/
│ ├── 09 物体检测框架-MaskRcnn项目介绍与配置/
│ ├── 10 MaskRcnn网络框架源码详解/
│ └── 11 基于MASK-RCNN框架训练自己的数据与任务/
├── 08 行为识别实战/
│ ├── 01 slowfast算法知识点通俗解读/
│ ├── 02 slowfast项目环境配置与配置文件/
│ ├── 03 slowfast源码详细解读/
│ ├── 04 基于3D卷积的视频分析与动作识别/
│ ├── 05 视频异常检测算法与元学习/
│ ├── 06 视频异常检测CVPR2021论文及其源码解读/
│ └── 07 基础补充-Resnet模型及其应用实例/
├── 09 2022论文必备-Transformer实战系列/
│ ├── 01 课程介绍/
│ ├── 02 自然语言处理通用框架BERT原理解读/
│ ├── 03 Transformer在视觉中的应用VIT算法/
│ ├── 04 VIT算法模型源码解读/
│ ├── 05 swintransformer算法原理解析/
│ ├── 06 swintransformer源码解读/
│ ├── 07 基于Transformer的detr目标检测算法/
│ ├── 08 detr目标检测源码解读/
│ ├── 09 MedicalTrasnformer论文解读/
│ ├── 10 MedicalTransformer源码解读/
│ ├── 11 商汤LoFTR算法解读/
│ ├── 12 局部特征关键点匹配实战/
│ ├── 13 项目补充-谷歌开源项目BERT源码解读与应用实例/
│ └── 14 项目补充-基于BERT的中文情感分析实战/
├── 10 图神经网络实战/
│ ├── 01 图神经网络基础/
│ ├── 02 图卷积GCN模型/
│ ├── 03 图模型必备神器PyTorch Geometric安装与使用/
│ ├── 04 使用PyTorch Geometric构建自己的图数据集/
│ ├── 05 图注意力机制与序列图模型/
│ ├── 06 图相似度论文解读/
│ ├── 07 图相似度计算实战/
│ ├── 08 基于图模型的轨迹估计/
│ └── 09 图模型轨迹估计实战/
├── 11 3D点云实战/
│ ├── 01 3D点云实战 3D点云应用领域分析/
│ ├── 02 3D点云PointNet算法/
│ ├── 03 PointNet++算法解读/
│ ├── 04 Pointnet++项目实战/
│ ├── 05 点云补全PF-Net论文解读/
│ ├── 06 点云补全实战解读/
│ ├── 07 点云配准及其案例实战/
│ └── 08 基础补充-对抗生成网络架构原理与实战解析/
├── 12 目标追踪与姿态估计实战/
│ ├── 01 课程介绍/
│ ├── 02 姿态估计OpenPose系列算法解读/
│ ├── 03 OpenPose算法源码分析/
│ ├── 04 deepsort算法知识点解读/
│ ├── 05 deepsort源码解读/
│ ├── 06 YOLO-V4版本算法解读/
│ ├── 07 V5版本项目配置/
│ └── 08 V5项目工程源码解读/
├── 13 面向深度学习的无人驾驶实战/
│ ├── 01 深度估计算法原理解读/
│ ├── 02 深度估计项目实战/
│ ├── 03 车道线检测算法与论文解读/
│ ├── 04 基于深度学习的车道线检测项目实战/
│ ├── 05 商汤LoFTR算法解读/
│ ├── 06 局部特征关键点匹配实战/
│ ├── 07 三维重建应用与坐标系基础/
│ ├── 08 NeuralRecon算法解读/
│ ├── 09 NeuralRecon项目环境配置/
│ ├── 10 NeuralRecon项目源码解读/
│ ├── 11 TSDF算法与应用/
│ ├── 12 TSDF实战案例/
│ ├── 13 轨迹估计算法与论文解读/
│ ├── 14 轨迹估计预测实战/
│ └── 15 特斯拉无人驾驶解读/
├── 14 对比学习与多模态任务实战/
│ ├── 01 对比学习算法与实例/
│ ├── 02 CLIP系列/
│ ├── 03 多模态3D目标检测算法源码解读/
│ ├── 04 多模态文字识别/
│ └── 05 ANINET源码解读/
├── 15 缺陷检测实战/
│ ├── 01 课程介绍/
│ ├── 02 物体检框架YOLO-V4版本算法解读/
│ ├── 03 物体检测框架YOLOV5版本项目配置/
│ ├── 04 物体检测框架YOLOV5项目工程源码解读/
│ ├── 05 基于YOLOV5的钢材缺陷检测实战/
│ ├── 06 Semi-supervised布料缺陷检测实战/
│ ├── 07 Opencv图像常用处理方法实例/
│ ├── 08 Opencv梯度计算与边缘检测实例/
│ ├── 09 Opencv轮廓检测与直方图/
│ ├── 10 基于Opencv缺陷检测项目实战/
│ ├── 11 基于视频流水线的Opencv缺陷检测项目/
│ ├── 12 图像分割deeplab系列算法/
│ ├── 13 基于deeplabV3+版本进行VOC分割实战/
│ └── 14 Deeplab铁质材料缺陷检测与开源项目应用流程/
├── 16 行人重识别实战/
│ ├── 01 行人重识别原理及其应用/
│ ├── 02 基于注意力机制的Reld模型论文解读/
│ ├── 03 基于Attention的行人重识别项目实战/
│ ├── 04 AAAI2020顶会算法精讲/
│ ├── 05 项目实战-基于行人局部特征融合的再识别实战/
… 其余 130 项略，目录共 330 项