学习资料
动手学深度学习 (PyTorch版)
欢迎
学习资料
训练营 (DataWhale)
公开课
Task01: 初识深度学习
️安装 (on Apple Silicon)
引入
Task02:预备知识
1
数据操作
2
数据预处理
3
线性代数 (矩阵计算)
4
微积分
5
自动微分
6
概率
Task03: 线性神经网络
7
线性回归
8
线性回归的从零开始实现
9
线性回归的简洁实现
10
Softmax 回归
Task04: 多层感知机
11
多层感知机
12
模型选择、欠拟合和过拟合
13
权重衰减 (Weight Decay)
14
暂退法(Dropout)
15
前向传播、反向传播和计算图
16
数值稳定性和模型初始化
总结
References
Table of contents
链接
内容结构
教材目录
学习资料
链接
教材:《动手学深度学习》
中文版
英文版
(
Zhang et al. 2023
)
公开课: (含幻灯片, 代码, 以及 视频链接)
(
Li 2021
)
外部连接
https://courses.d2l.ai/zh-v2/
此网页也被内嵌与本站, 点击侧边栏, 选择 “公开课” 章节.
学员共享资源笔记:
https://github.com/MLNLP-World/DeepLearning-MuLi-Notes
(
Fang and Qin 2022
)
内容结构
教材目录
章节
中文版
英文版
1
前言
Introduction
2
预备知识
Preliminaries
3
线性神经网络
Linear Neural Networks
4
多层感知机
Multilayer Perceptrons
5
深度学习计算
Deep Learning Computation
6
卷积神经网络
Convolutional Neural Networks
7
现代卷积神经网络
Modern Convolutional Neural Networks
8
循环神经网络
Recurrent Neural Networks
9
现代循环神经网络
Modern Recurrent Neural Networks
10
注意力机制
Attention Mechanisms
11
优化算法
Optimization Algorithms
12
计算性能
Computational Performance
13
计算机视觉
Computer Vision
14
自然语言处理:预训练
Natural Language Processing: Pretraining
15
自然语言处理:应用
Natural Language Processing Applications
16
推荐系统
Recommender Systems
17
生成对抗网络
Generative Adversarial Networks
18
附录: 深度学习中的数学基础
Appendix: Mathematics for Deep Learning
19
附录: 深度学习工具
Appendix: Tools for Deep Learning
Fang, Ye, and Libo Qin. 2022.
《动手学习深度学习》
. MLNLP.
https://github.com/MLNLP-World/DeepLearning-MuLi-Notes
.
Li, Mu. 2021.
《动手学深度学习》v2 课程
. Dive into Deep Learning (D2L.ai).
https://github.com/d2l-ai/courses-zh-v2
.
Zhang, Aston, Mu Li, Zachary Lipton, and Alexander Smola. 2023.
动手学深度学习
. 人民邮电出版社.
https://zh.d2l.ai
.
欢迎
训练营 (DataWhale)