视频选集
（41/86）
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
10:31
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
15:17
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
08:52
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
13:48
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
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
顶部