视频选集
（181/192）
1-神经网络案例-cifar分类任务
16:02
2-神经网络案例-分模块构造神经网络
13:34
3-神经网络案例-训练神经网络完成分类任务
13:27
4-神经网络架构-感受神经网络的强大
11:31
1-线性分类
09:35
2-损失函数
09:18
3-正则化惩罚项
07:20
4-softmax分类器
13:39
1-深度学习概述
11:28
2-挑战与常规套路
09:41
3-用K近邻来进行分类
10:02
4-超参数与交叉验证-1
10:32
1-整体架构
10:12
2-实例演示
10:39
3-过拟合解决方案
15:54
1-最优化形象解读
06:47
2-最优化问题细节
11:49
3-反向传播
15:18
1-使用Gensim库构造词向量
06:22
2-维基百科中文数据处理
10:27
3-Gensim构造word2vec模型
08:53
4-测试模型相似度结果
07:43
1-卷积池化反向传播
14:44
2-卷积网络代码1
10:20
3-卷积网络代码2
12:01
1-影评情感分类
17:49
2-基于词袋模型训练分类器
11:09
3-准备word2vec输入数据
10:47
4-使用gensim构建word2vec词向量
16:36
1-pading与stride
13:14
2-卷积参数共享
08:10
3-池化层原理
08:25
1-卷积神经网络的应用
14:56
2-卷积层解释
12:54
3-卷积计算过程
12:31
0-开篇
04:37
1-自然语言处理与深度学习
11:59
2-语言模型
06:16
3-N-gram模型
08:33
4-词向量
09:28
5-神经网络模型
10:03
6-Hierarchical Softmax
10:02
7-CBOW模型实例
11:21
8-CBOW求解目标
05:40
9-锑度上升求解
10:11
10-负采样模型
07:16
1-卷积神经网络模型架构
10:57
2-卷积神经网络模型参数
17:15
3-模型的保存和读取
15:31
1-使用RNN处理Mnist数据集
11:51
2-RNN网络模型
10:43
3-训练RNN网络
10:05
1-加载训练好的VGG网络模型
10:57
2-使用VGG模型进行测试
10:48
1-构造线性回归模型
13:33
2-Mnist数据集简介
06:30
3-逻辑回归框架
12:25
4-迭代完成逻辑回归模型
13:49
1-神经网络模型架构
07:49
2-训练神经网络
11:24
1-Tensorflow简介
00:39
2-Tensorflow安装
07:10
3-基本计算单元-变量
08:33
4- 常用基本操作
14:41
1-经典网络架构
10:30
2-分类与回归任务
18:11
3-三代物体检测算法
20:39
1-数据增强策略
10:44
2-TransferLearning
08:10
3-巧妙设计神经网络
21:52
1-验证码数据生成
10:44
2-构造网络的输入数据和标签
11:58
3-卷积网络模型定义
13:25
4-迭代及测试网络效果-1
10:57
1-生成网络配置文件
10:21
2-对训练的网络模型绘制LOSS曲线
11:59
3-对训练结果进行分类任务
19:34
1-使用命令行训练网络
12:58
2-使用python定义自己的层
19:56
3-绘制网络结构图
12:43
1-制作LMDB数据源
32:00
2-多label问题之HDF5数据源
21:33
1-CAFFE简介
11:15
2-网络配置文件-数据层
18:15
3-网络配置文件-计算层
25:36
4-超参数solver文件
19:55
1-第二三阶段数据源制作-1
23:41
2-第二三阶段网络模型训练
10:53
3-网络模型参数初始化
11:48
4-完成全部测试结果
16:23
5-人脸关键点检测效果
08:05
6-项目总结分析
17:00
7-算法框架分析
19:12
0-人脸关键点算法概述
10:48
1-多标签数据源制作及其坐标转换
22:15
2-对数据进行增强
10:42
3-完成第一阶段数据源制作
15:02
4-第一阶段网络训练
09:15
0-项目概述
01:56
1-数据获取
11:21
2-正负样本数据裁剪
13:41
3-TXT数据制作
13:43
4-LMDB脚本文件
07:45
5-制作LMDB数据源
09:25
6-网络配置文件
11:50
7-超参数和训练网络
15:40
1-检测框架
13:19
2-scale变换和预处理
16:36
3-坐标变换
14:09
4-NMS完成代码
07:37
5-测试效果及改进
10:42
6-矫正过程
05:19
7-如何提高精度
08:09
8-项目总结
09:06
0-开场_RNN
01:22
1-递归神经网络（RNN）概述
08:40
2-RNN网络细节
11:55
3-LSTM网络架构
12:37
4-任务概述与环境配置
04:19
5-参数配置
11:18
6-数据预处理模块
14:11
7-batch数据制作
12:40
8-RNN模型定义
08:54
9-完成训练模块
12:46
10-训练唐诗生成模型
04:36
11-测试唐诗生成效果
09:33
1-开场
03:11
2-数据任务简介
04:15
3-使用CNN进行文本分类原理
13:09
4-使用tensorflow配置参数
15:03
5-数据读取
11:02
6-数据切分
11:27
1-DeepQnetwork原理
06:39
2-DQN网络细节
11:01
3-DQN网络参数配置
08:24
4-搭建DQN网络模型
11:31
1-RNN网络架构
12:22
2-LSTM网络架构
12:01
3-案例：使用LSTM进行情感分类
13:14
4-情感数据集处理
13:07
5-基于word2vec的LSTM模型
17:15
1-对抗生成网络原理概述
10:25
2-GAN网络结构定义
10:08
3-Gan迭代生成
11:54
4-Dcgan网络特性-1
07:39
5-DCGAN训练
11:54
1-强化学习概念（开场）
09:34
2-强化学习基本概念
09:55
3-马尔科夫决策过程
09:06
4-Bellman方程
12:23
5-值迭代求解
08:13
6-完成值迭代代码
11:15
7-求解流程详解
11:43
8-QLearning基本原理
10:01
9-QLearning迭代计算实例
11:08
10-QLearning效果演示
09:00
1-课程简介
04:54
2-style-transfer基本原理
07:36
3风格生成
07:07
4-风格生成网络细节
11:53
5-风格转换效果
05:38
6-风格转换参数配置
12:46
7-数据读取操作-1
09:58
8-VGG体征提取网络结构
10:17
1-内容与风格特征提取
09:21
2-生成网络结构定义
05:34
3-生成网络计算操作
11:12
4-参数初始化
08:51
5-Content损失计算
05:53
6-Style损失计算
08:42
7-完成训练模块-1
11:03
8-模型保存与打印结果
08:25
9-完成测试代码
12:02
0-开场_seq2seq
02:12
1-机器翻译技术发展
09:14
2-Seq2Seq网络基本架构
07:17
3-Seq2Seq网络应用
09:11
4-Attention机制
13:03
1-环境配置
06:01
2-数据预处理
11:27
3-编码层与词向量
10:22
4-完成解码模块
10:06
5-模型迭代
08:27
6-数据预处理
11:42
7-使用构建好的词向量模型
09:03
8-完成解码操作
08:45
9-任务总结
10:57
1
16:26
2
12:32
3
15:42
4
17:42
5-1
14:00
顶部