投稿

Python 深度学习理论与Tensorflow Caffe实践

2777

2

2019-09-28 03:59:10

__rec 发消息

抱歉 , 私信不回 ;

seedance 2.0 限时即免！

7万人感兴趣

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