├── PART1
│ ├── 001-课程介绍
│ ├── 002-1-神经网络要完成的任务分析
│ ├── 003-2-模型更新方法解读
│ ├── 004-3-损失函数计算方法
│ ├── 005-4-前向传播流程解读
│ ├── 006-5-反向传播演示
│ ├── 007-6-神经网络整体架构详细拆解
│ ├── …
│ ├── 010-9-预处理与dropout的作用
│ ├── 011-1-卷积神经网络概述分析
│ ├── 012-2-卷积要完成的任务解读
│ ├── 013-3-卷积计算详细流程演示
│ ├── 014-4-层次结构的作用
│ ├── 015-5-参数共享的作用
│ ├── 016-6-池化层的作用与效果
│ ├── 017-7-整体网络结构架构分析
│ ├── 018-8-经典网络架构概述
│ ├── 019-1-RNN网络结构原理与问题
│ ├── 020-2-注意力结构历史故事介绍
│ ├── 021-3-self-attention要解决的问题
│ ├── 022-4-QKV的来源与作用
│ ├── 023-5-多头注意力机制的效果
│ ├── 024-6-位置编码与解码器
│ ├── 025-7-整体架构总结
│ ├── 026-8-BERT训练方式分析
│ ├── 027-1-PyTorch框架与其他框架区别分析
│ ├── 028-2-CPU与GPU版本安装方法解读
│ ├── 029-1-数据集与任务概述
│ ├── …
│ ├── 031-3-网络结构定义方法
│ ├── 032-4-数据源定义简介
│ ├── 033-5-损失与训练模块分析
│ ├── 034-6-训练一个基本的分类模型
│ ├── 035-7-参数对结果的影响
│ ├── 036-1-任务与数据集解读
│ ├── 037-2-参数初始化操作解读
│ ├── 038-3-训练流程实例
│ ├── 039-4-模型学习与预测
│ ├── 040-1-输入特征通道分析
│ ├── 041-2-卷积网络参数解读
│ └── 042-3-卷积网络模型训练
└── PART2
├── 043-1-任务分析与图像数据基本处理
├── 044-2-数据增强模块
├── 045-3-数据集与模型选择
├── 046-4-迁移学习方法解读
├── 047-5-输出层与梯度设置
├── 048-6-输出类别个数修改
├── 049-7-优化器与学习率衰减
├── 050-8-模型训练方法
├── 051-9-重新训练全部模型
├── 052-10-测试结果演示分析
├── 053-4-实用Dataloader加载数据并训练模型
├── 054-1-Dataloader要完成的任务分析
├── 055-2-图像数据与标签路径处理
├── 056-3-Dataloader中需要实现的方法分析
├── 057-1-数据集与任务目标分析
├── 058-2-文本数据处理基本流程分析
├── 059-3-命令行参数与DEBUG
├── 060-4-训练模型所需基本配置参数分析
├── 061-5-预料表与字符切分
├── 062-6-字符预处理转换ID
├── 063-7-LSTM网络结构基本定义
├── 064-8-网络模型预测结果输出
├── 065-9-模型训练任务与总结
├── 066-1-基本结构与训练好的模型加载
├── 067-2-服务端处理与预测函数
├── 068-3-基于Flask测试模型预测结果
├── 069-1-视觉transformer要完成的任务解读
├── 070-1-项目源码准备
├── 071-2-源码DEBUG演示
├── 072-3-Embedding模块实现方法
├── 073-4-分块要完成的任务
├── 074-5-QKV计算方法
├── 075-6-特征加权分配
├── 076-7-完成前向传播
└── 077-8-损失计算与训练
