资源名称：零基础AI入门实战 (深度学习+Pytorch)

资源简介：一套关于深度学习和PyTorch入门的课程，涵盖了深度学习的核心概念和PyTorch框架的使用方法，助学习者在AI领域迅速提升自己的技能水平。

链接：【百度网盘】https://pan.baidu.com/share/init?surl=j36H_mTgCYOwam3n15otvA&pwd=v8ja

目录：

001-课程介绍.mp4，89.3M

002-1-神经网络要完成的任务分析.mp4，34M

003-2-模型更新方法解读.mp4，21.6M

004-3-损失函数计算方法.mp4，28.6M

005-4-前向传播流程解读.mp4，22.6M

006-5-反向传播演示.mp4，22.7M

007-6-神经网络整体架构详细拆解.mp4，43.8M

008-7-神经网络效果可视化分析.mp4，61.3M

009-8-神经元个数的作用.mp4，22.6M

010-9-预处理与dropout的作用.mp4，32.2M

011-1-卷积神经网络概述分析.mp4，40.2M

012-2-卷积要完成的任务解读.mp4，27.9M

013-3-卷积计算详细流程演示.mp4，60M

014-4-层次结构的作用.mp4，20.9M

015-5-参数共享的作用.mp4，20M

016-6-池化层的作用与效果.mp4，33.3M

017-7-整体网络结构架构分析.mp4，46.2M

018-8-经典网络架构概述.mp4，44.5M

019-1-RNN网络结构原理与问题.mp4，17.4M

020-2-注意力结构历史故事介绍.mp4，32.2M

021-3-self-attention要解决的问题.mp4，26.5M

022-4-QKV的来源与作用.mp4，27.3M

023-5-多头注意力机制的效果.mp4，29.1M

024-6-位置编码与解码器.mp4，28.9M

025-7-整体架构总结.mp4，26.5M

026-8-BERT训练方式分析.mp4，19.1M

027-1-PyTorch框架与其他框架区别分析.mp4，33.7M

028-2-CPU与GPU版本安装方法解读.mp4，78.8M

029-1-数据集与任务概述.mp4，39.1M

030-2-基本模块应用测试.mp4，40.4M

031-3-网络结构定义方法.mp4，51M

032-4-数据源定义简介.mp4，33.3M

033-5-损失与训练模块分析.mp4，35.7M

034-6-训练一个基本的分类模型.mp4，44.1M

035-7-参数对结果的影响.mp4，42.8M

036-1-任务与数据集解读.mp4，34.3M

037-2-参数初始化操作解读.mp4，39.5M

038-3-训练流程实例.mp4，40.5M

039-4-模型学习与预测.mp4，54M

040-1-输入特征通道分析.mp4，38.9M

041-2-卷积网络参数解读.mp4，28.3M

042-3-卷积网络模型训练.mp4，49.5M

043-1-任务分析与图像数据基本处理.mp4，36.6M

044-2-数据增强模块.mp4，39.1M

045-3-数据集与模型选择.mp4，36.2M

046-4-迁移学习方法解读.mp4，42.5M

047-5-输出层与梯度设置.mp4，53.8M

048-6-输出类别个数修改.mp4，43.8M

049-7-优化器与学习率衰减.mp4，44.1M

050-8-模型训练方法.mp4，44.6M

051-9-重新训练全部模型.mp4，41.8M

052-10-测试结果演示分析.mp4，99.7M

053-4-实用Dataloader加载数据并训练模型.mp4，58.3M

054-1-Dataloader要完成的任务分析.mp4，28.6M

055-2-图像数据与标签路径处理.mp4，42M

056-3-Dataloader中需要实现的方法分析.mp4，43.4M

057-1-数据集与任务目标分析.mp4，42M

058-2-文本数据处理基本流程分析.mp4，52M

059-3-命令行参数与DEBUG.mp4，32.8M

060-4-训练模型所需基本配置参数分析.mp4，38.2M

061-5-预料表与字符切分.mp4，30.1M

062-6-字符预处理转换ID.mp4，32.2M

063-7-LSTM网络结构基本定义.mp4，31.7M

064-8-网络模型预测结果输出.mp4，35.6M

065-9-模型训练任务与总结.mp4，41M

066-1-基本结构与训练好的模型加载.mp4，19M

067-2-服务端处理与预测函数.mp4，40M

068-3-基于Flask测试模型预测结果.mp4，40.7M

069-1-视觉transformer要完成的任务解读.mp4，30.2M

070-1-项目源码准备.mp4，41.7M

071-2-源码DEBUG演示.mp4，31.5M

072-3-Embedding模块实现方法.mp4，42.1M

073-4-分块要完成的任务.mp4，34.8M

074-5-QKV计算方法.mp4，39.9M

075-6-特征加权分配.mp4，39.7M

076-7-完成前向传播.mp4，36.9M

077-8-损失计算与训练.mp4，45.4M

关键词：#深度学习 #PyTorch #AI #教程