【九天菜菜】深度学习实战

├─【九天菜菜】深度学习实战
├─01_Lesson-0.1-GPU购买与GPU白嫖指南.mp4
├─02_Lesson-0.2-PyTorch安装与部署（CPU版本）.mp4
├─03_Lesson-0.3-PyTorch安装与配置（GPU版本）.mp4
├─04_Lesson-1-张量的创建与常用方法.mp4
├─05_Lesson-2-张量的索引、分片、合并及维度调整.mp4
├─06_Lesson-3-张量的广播和科学运算.mp4
├─07_Lesson-4-张量的线性代数运算.mp4
├─08_Lesson-5-基本优化方法与最小二乘法.mp4
├─09_Lesson-6-动态计算图与梯度下降入门.mp4
├─10_Lesson-7.1-神经网络的诞生与发展_batch.mp4
├─11_Lesson-7.2-机器学习中的基本概念.mp4
├─12_Lesson-7.3-深入理解PyTorch框架.mp4
├─13_Lesson-8.1单层回归神经网络-&-Tensor新手避坑指南.mp4
├─14_Lesson-8.2-torch.nn.Linear实现单层回归网络的正向传播.mp4
├─15_Lesson-8.3-二分类神经网络的原理与实现.mp4
├─16_Lesson-8.4-torch.nn.functional实现单层二分类网络的正向传播.mp4
├─17_Lesson-8.5-多分类神经网络.mp4
├─18_Lesson-9.1-从异或门问题认识多层神经网络.mp4
├─19_Lesson-9.2-黑箱：深度神经网络的不可解释性.mp4
├─20_Lesson-9.3-&-9.4-层与激活函数.mp4
├─21_Lesson-9.5-从0实现深度神经网络的正向传播.mp4
├─22_Lesson-10.1-SSE与二分类交叉熵损失.mp4
├─23_Lesson-10.2-二分类交叉熵的原理与实现.mp4
├─24_Lesson-10.3-多分类交叉熵的原理与实现.mp4
├─25_Lesson-11.1-梯度下降中的两个关键问题.mp4
├─26_Lesson-11.2.1-反向传播的原理.mp4
├─27_Lesson-11.2.2-反向传播的实现.mp4
├─28_Lesson-11.3-走出第一步：动量法Momentum.mp4
├─29_Lesson-11.4-开始迭代：batch与epochs.mp4
├─30_Lesson-11.5.1-在Fashion-MNIST数据集上实现完整的神经网络（上）.mp4
├─31_Lesson-11.5.2-在Fashion-MNIST数据集上实现完整的神经网络（下）.mp4
├─32_Lesson-12.0-深度学习基础网络手动搭建与快速实现.mp4
├─33_Lesson-12.1-深度学习建模实验中数据集生成函数的创建与使用.mp4
├─34_Lesson-12.2-可视化工具TensorBoard的安装与使用.mp4
├─35_Lesson-12.3-线性回归建模实验.mp4
├─36_Lesson-12.4-逻辑回归建模实验.mp4
├─37_Lesson-12.5-softmax回归建模实验.mp4
├─38_Lesson-13.1-深度学习建模目标与性能评估理论.mp4
├─39_Lesson-13.2.1-模型拟合度概念介绍与欠拟合模型的结构调整策略.mp4
├─40_Lesson-13.2.2-【加餐】损失函数的随机创建现象详解.mp4
├─41_Lesson-13.3.1-梯度不平稳性与Glorot条件（1）.mp4
├─42_Lesson-13.3.2-梯度不平稳性与Glorot条件（2）.mp4
├─43_Lesson-13.3.3-梯度不平稳性与Glorot条件（3）.mp4
├─44_Lesson-13.4-Dead-ReLU-Problem与学习率优化.mp4
├─45_Lesson-13.5-Xavier方法与kaiming方法（HE初始化）.mp4
├─46_Lesson-14.1-数据归一化与Batch-Normalization基础理论.mp4
├─47_Lesson-14.2-Batch-Normalization在PyTorch中的实现.mp4
├─48_Lesson-14.3-Batch-Normalization综合调参实战.mp4
├─49_Lesson-15.1-学习率调度基本概念与手动实现方法.mp4
├─50_Lesson-15.2-学习率调度在PyTorch中的实现方法.mp4
├─51_Lesson-16.1-配置环境，计算机视觉行业综述.mp4
├─52_Lesson-16.2-图像的基本操作.mp4
├─53_Lesson-16.3-卷积操作与边缘检测.mp4
├─54_Lesson-16.4-卷积遇见深度学习.mp4
├─55_Lesson-16.5.1-在Pytorch中实现卷积网络：卷积核、输入通与特征图.mp4
├─56_Lesson-16.5.2-在PyTorch中实现卷积网络：步长与填充.mp4
├─57_Lesson-16.5.3-在PyTorch中实现卷积网络：池化层，BN与Dropout.mp4
├─58_Lesson-16.6.1-复现经典架构(1)：LeNet5.mp4
├─59_Lesson-16.6.2-复现经典架构(2)：AlexNet.mp4
├─60_Lesson-16.7-如何拓展网络深度：VGG架构.mp4
├─61_Lesson-16.8.1-感受野（上）：定义与性质.mp4
├─62_Lesson-16.8.2-感受野（下）：膨胀卷积，计算感受野大小.mp4
├─63_Lesson-16.9-平移不变性.mp4
├─64_Lesson-16.10-卷积层的参数量计算，1×1卷积核.mp4
├─65_Lesson-16.11-分组卷积与深度可分离卷积.mp4
├─66_Lesson-16.12-全连接层的参数，用nn.Sequential复现VGG16.mp4
├─67_Lesson-16.13-全局平均池化，NiN网络的复现.mp4
├─68_Lesson-16.14-GoogLeNet：思想与具体架构.mp4
├─69_Lesson-16.15-GoogLeNet的复现.mp4
├─70_Lesson-16.16-残差网络：思想与具体架构.mp4
├─71_Lesson-16.17.1-ResNet的复现-(1)-：架构中的陷阱.mp4
├─72_Lesson-16.17.2-ResNet的复现-(2)-：卷积块、残差块、瓶颈架构.mp4
├─73_Lesson-16.17.3-ResNet的复现-(3)：完整的残差网络.mp4
├─74_Lesson-17.1-计算机视觉中的三种基本任务.mp4
├─75_Lesson-17.2.1-经典数据集(1)：入门数据集，新手读数据踩坑指南.mp4
├─76_Lesson-17.2.2-经典数据集(2)：竞赛数据与其他常用数据.mp4
├─77_Lesson-17.3.1-使用自己的图像创造数据集.mp4
├─78_Lesson-17.3.2-将二维表及其他结构转化为四维tensor.mp4
├─79_Lesson-17.4-图像数据的数据预处理.mp4
├─80_Lesson-17.5-数据增强.mp4
├─81_【直播加餐】01-LSTM的原理与基本架构_v.mp4
├─82_【直播加餐】02-深度原理：LSTM是如何解决梯度问题的？.mp4
├─83_【直播加餐】03-PyTorch中的LSTM参数简介_v.mp4
├─84_【直播加餐】04-LSTM在股价数据集上的预测实战_v.mp4
├─85_【直播加餐】05-时间序列卷积的运算流程与操作v.mp4
├─86_【直播加餐】06-时序卷积网络TCN架构解析与复现-v.mp4
├─87_【直播加餐】07-Transformer中的注意力机制_v.mp4
├─88_【直播加餐】08-Transformer中的Embedding与位置编码v.mp4
├─89_【直播加餐】09-Transformer在Pytorch中的参数与实现v.mp4
├─90_【直播加餐】10-Huggingface入门：bert-gpt调用_v.mp4
├─91_Lesson-17.6.1-更强大的优化算法-(1)-AdaGrad.mp4
├─92_Lesson-17.6.2-更强大的优化算法(2)-RMSprop与Adam.mp4
├─93_Lesson-17.7-调用经典架构.mp4
├─94_Lesson-17.8.1-基于ResNet与VGG16自建架构.mp4
├─95_Lesson-17.8.2-基于普通卷积层和池化层自建架构.mp4
├─96_Lesson-17.9-有监督算法的预训练.迁移学习.mp4
├─97_Lesson-17.10-深度学习中的模型选择.mp4
├─98_Lesson-17.11(1)-案例1：项目背景.完整流程概述.mp4
├─99_Lesson-17.11(2)-案例1：数据与架构.mp4
├─100_Lesson-17.11(3)-案例1：提前停止.mp4
├─101_Lesson-17.11(4)-案例1：一个完整的训练函数.mp4
├─102_Lesson-17.11(5)-准备训练函数所需的全部参数.mp4
├─103_Lesson-17.11(6)-GPU内存管理机制、训练函数的GPU版本.mp4
├─104_Lesson-17.11(7)-初步训练：模型选择.mp4
├─105_Lesson-17.11(8)-模型调优(1)：增加迭代次数，让迭代更稳定.mp4
├─106_Lesson-17.11(9)-模型调优(2)：对抗过拟合，其他可探索的方向.mp4
├─107_Lesson-18.1-生成对抗网络的基本原理与损失函数.mp4
├─108_Lesson-18.2.1-(1)-从0实现GAN的反向传播与训练.mp4
├─109_Lesson-18.2.2-(2)-判别器的反向传播.mp4
├─110_Lesson-18.2.3-(3)-生成器的反向传播.mp4
├─111_Lesson-18.3.1-转置卷积层与DCGAN(1)：基本原理与实现.mp4
├─112_Lesson-18.3.2-转置卷积层与DCGAN(2)：带步长与填充的转置卷积层（上.mp4
├─113_Lesson-18.3.2-转置卷积层与DCGAN(2)：带步长与填充的转置卷积层（下.mp4
├─114_Lesson-18.3.2-转置卷积层与DCGAN(3)：DCGAN架构复现-(上).mp4
├─115_Lesson-18.3.2-转置卷积层与DCGAN(3)：DCGAN架构复现-(下).mp4
├─116_Lesson-18.3.2-转置卷积层与DCGAN(4)：从DCGAN到pix2pix.mp4
├─117_Lesson-18.3.3-cGAN与InfoGAN(1)：基本运行原理.mp4
├─118_Lesson-18.3.3-cGAN与InfoGAN(2)-标签输入与Embed技巧.mp4
├─119_Lesson-18.3.3-cGAN与infoGAN-(3)-从0复现一个cGAN架构.mp4
├─120_Lesson-18.4.1-自动编码器家族(1)：认识自动编码器.mp4
├─121_Lesson-18.4.1-自动编码器家族(2)：三大类自动编码器.mp4
├─122_Lesson-18.4.1-自动编码器家族(3)：自动编码器的应用场景.mp4
├─123_Lesson-18.4.2-变分自动编码器(1)：数据流与细节梳理.mp4
├─124_Lesson-18.4.2-变分自动编码器(2)：损失函数详解.mp4
├─125_Lesson-18.4.2-变分自动编码器(3)：重参数化技巧.mp4
├─126_Lesson-18.5.1-分割架构必备基础.mp4
├─127_Lesson-18.5.2-Unet架构复现.mp4
├─128_Lesson-19.1.1-欢迎来到NLP的世界.mp4
├─129_Lesson-19.1.2-大模型的行业影响与发展.mp4
├─130_Lesson-19.2.1-深度学习中的时间序列数据.mp4
├─131_Lesson-19.2.2-文字序列数据—结构与分词操作.mp4
├─132_Lesson-19.2.3-文字序列数据—Token与编码.mp4
├─133_Lesson-19.3.1~3.2-RNN的架构与数据流.mp4
├─134_Lesson-19.3.3-各类NLP任务下循环神经网络的输入与输出.mp4
├─135_Lesson-19.3.4.1-认识PyTorch中nn.RNN层.mp4
├─136_Lesson-19.3.4.2-在PyTorch中实现RNN.mp4
├─137_Lesson-19.3.4.3-深度神经网络的实现.mp4
├─138_Lesson-19.3.4.4-自定义循环层中的循环数据流.mp4
├─139_Lesson-19.3.4.5-双向循环神经网络.mp4
├─140_Lesson-19.3.4.6【加餐】手动实现RNN执行情感分类任务.mp4
├─141_Lesson-19.3.4.7【加餐】手动实现RNN执行文本生成任务.mp4
├─142_Lesson-19.3.5.1-RNN反向传播的数学流程.mp4
├─143_Lesson-19.3.5.2-RNN各类缺陷的数学本质.mp4
├─144_Lesson-20.1.0-LSTM开篇与学习路径.mp4
├─145_Lesson-20.1.1.1-LSTM的起源：权重冲突.mp4
├─146_Lesson-20.1.1.2-LSTM治理权重冲突问题的基本思路.mp4
├─147_Lesson-20.1.2.1-LSTM的架构：信息分割与门控单元.mp4
├─148_Lesson-20.1.2.2-LSTM的架构：解决权重冲突与输出门.mp4
├─149_Lesson-20.1.2.3-LSTM中的浅层数学讨论.mp4
├─150_Lesson-20.1.3.1-nn.LSTM层的参数群-(上).mp4
├─151_Lesson-20.1.3.1-nn.LSTM层的参数群-(下)：Proj_size.mp4
├─152_Lesson-20.1.3.2-nn.LSTM层的输入与输出.mp4
├─153_Lesson-20.1.3.3-在PyTorch中实现完整LSTM网络.mp4
├─154_Lesson-20.1.4.1-LSTM在单变量数据集上的预测实战（上）.mp4
├─155_Lesson-20.1.4.1-LSTM在单变量数据集上的预测实战（下）.mp4
├─156_Lesson-24.1.1-谷歌邮箱Gmail注册.mp4
├─157_Lesson-24.1.2-OpenAI账号注册.mp4
├─158_Lesson-24.1.3-ChatGPT-Plus升级流程.mp4
├─159_Lesson-24.1.4-ChatGPT防封指南.mp4
├─160_Lesson-24.2.1-大模型技术学习目标和内容规划.mp4
├─161_Lesson-24.2.2-OpenAI在线大模型生态介绍.mp4
├─162_Lesson-24.2.3-开源大模型生态与ChatGLM-6B大模型介绍.mp4
├─163_Lesson-24.3.1-大语言模型的基本深度学习概念补充讲解.mp4
├─164_Lesson-24.3.2-OpenAI-Fine-tuning-API简介.mp4
├─165_Lesson-24.3.3-开源微调框架入门介绍.mp4
├─166_Lesson-24.4-大模型课程硬件要求说明.mp4
├─167_Lesson-24.5-LangChain入门介绍.mp4
├─168_Lesson-24.6.1-OpenAI官网使用说明.mp4
├─169_Lesson-24.6.2-本地调用OpenAI-API方法.mp4
├─170_Lesson-24.7.1-Completion模型与Chat模型介绍.mp4
├─171_Lesson-24.7.2-Completion.create函数参数详解.mp4
├─172_Lesson-24.7.3-Completion.create函数调参数实践.mp4
├─173_Lesson-24.7.4-手动创建可调节对话风格的对话机器人.mp4
├─174_Lesson-24.8.1-大语言模型原生能力与涌现能力介绍.mp4
├─175_Lesson-24.8.2-提示工程技术入门.mp4
├─176_Lesson-24.9.1-One-shot&Few-shot提示方法.mp4
├─177_Lesson-24.9.2-Zero-shot-CoT提示法.mp4
├─178_Lesson-24.9.3-Few-shot-CoT提示法.mp4
├─179_Lesson-24.9.4-LtM提示方法.mp4
├─180_Lesson-24.10.1-SCAN指令翻译项目介绍与数据集准备.mp4
├─181_Lesson-24.10.2-针对SCAN数据集的Few-shot-LtM提示工程流程.mp4
├─182_Lesson-24.10.3-SCAN指令翻译项目完整建模流程.mp4
├─183_Lesson-24.11.1-Chat-Completion模型背景介绍.mp4
├─184_Lesson-24.11.2-Chat-Completion模型发展现状.mp4
├─185_Lesson-24.12.1-Chat-Completion模型API详解.mp4
├─186_Lesson-24.12.2-Messages参数设置技巧.mp4
├─187_Lesson-24.12.3-基于特定知识的简易问答机器人创建方法.mp4
├─188_Lesson-20.1.5.1-多变量时序数据与面板数据.mp4
├─189_Lesson-20.1.5.2-多变量序列的特征滑窗法.mp4
├─190_Lesson-20.1.5.3-多变量序列的带标签滑窗法.mp4
├─191_Lesson-20.1.5.4-面板数据的带标签滑窗法.mp4
├─192_Lesson-20.1.5.5-【Q&A】时序数据滑窗分割的Q&A.mp4
├─193_Lesson-20.1.5.6-单步预测、多步预测与递归预测.mp4
├─194_Lesson-20.1.5.7-多步预测的代码实现（上）滑窗与标签的分割.mp4
├─195_Lesson-20.1.5.8-多步预测的代码实现（下）：早停机制与预测值去重.mp4
├─196_Lesson-20.1.5.9-【Q&A】关于多步预测的Q&A.mp4
├─197_Lesson-20.1.5.10-时间序列的多步递归预测.mp4
├─198_Lesson-20.1.5.11【Q&A】多步递归预测的Q&A.mp4
├─199_Lesson-20.1.5.12-股价数据中影响建模的关键业务特征.mp4
├─200_Lesson-20.1.5.13-股票业务指导数据预处理（上）.mp4
├─201_Lesson-20.1.5.14-股票业务指导数据预处理（下）.mp4
├─202_Lesson-20.1.5.15-股票数据特征工程-(1)-滞后、差分及其衍生特征.mp4
├─203_Lesson-20.1.5.16-【Q&A】时序预处理与特征衍生的Q&A.mp4
├─204_Lesson-20.1.5.17-股票数据特征工程-(2)-窗口统计的基本逻辑.mp4
├─205_Lesson-20.1.5.18-股票数据特征工程-(3)-窗口统计的代码实现与效果展示.mp4
├─206_Lesson-20.1.5.19-金融业务指标与业务特征衍生.mp4
├─207_Lesson-20.1.5.20-简单时间特征与Q&A.mp4
├─208_Lesson-20.1.5.21-股价数据批量特征衍生函数（1）三层循环逻辑.mp4
├─209_Lesson-20.1.5.22-股价数据批量特征衍生函数（2）衍生中的陷阱与函数使用.mp4
├─210_Lesson-20.1.5.23-股价数据的完整预处理&特征衍生流程.mp4
├─211_Lesson-20.1.5.24-适用于LSTM的混合模型特征筛选法.mp4
├─212_Lesson-20.1.5.25-LSTM的建模与股价预测结果分析.mp4
├─213_LSTM股价预测实战（6）LSTM训练参数全解与调参实战（直播2024.03.21）.mp4
├─214【Transformer】 Transformer与注意力机制入门.mp4
├─215【Transformer】Attention注意力机制的本质.mp4
├─216【Transformer】Transformer中的注意力计算流程 & 多头注意力机制.mp4
├─217【Transformer】 Transformer的基本架构.mp4
├─218【Transformer】Embedding与位置编码.mp4
├─219【Transformer】正余弦编码的数学与实用意义.mp4
├─220【Transformer】正余弦编码的实际计算与高维空间可视化.mp4
├─221【Transformer】 编码器结构详解之残差链接.mp4
├─222【Transformer】 编码器结构详解之Layer Normalization.mp4
├─223【Transformer】编码器结构详解之前馈神经网络FFN.mp4
├─224【Transformer】完整Transformer结构下的解码器Decoder.mp4
├─225【Transformer】Decoder的输入与teacher forcing.mp4
├─226【Transformer】掩码与掩码注意力机制 v2.mp4
├─227【Transformer】 填充掩码与前瞻掩码的实现.mp4
├─228【Transformer】 编码-解码注意力层.mp4
├─229【Transformer】Decoder-Only结构下的Decoder.mp4