├── 001.1-1 课程内容和理念
├── 002.1-2 初识深度学习
├── 003.1-3 课程使用的技术栈
├── 004.2-1 线性代数
├── 005.2-2 微积分
├── 006.2-3 概率
├── 007.3-1 CUDA+Anaconda深度学习环境搭建
…
├── 009.3-3 Jupyter Notebook快速上手
├── 010.3-4 深度学习库PyTorch安装
├── 011.4-1 神经网络原理
├── 012.4-2 多层感知机
├── 013.4-3 前向传播和反向传播
…
├── 016.4-6 线性回归代码实现
…
├── 019.5-1 训练的常见问题
├── 020.5-2 过拟合欠拟合应对策略
…
├── 023.5-5 Dropout
…
├── 025.5-7 梯度消失和梯度爆炸
…
├── 027.6-1 最优化与深度学习
…
├── 030.6-4 梯度下降
…
├── 034.6-8 AdaGrad算法
…
├── 036.6-10 Adam算法
…
├── 038.6-12 学习率调节器
├── 039.7-1 全连接层问题
├── 040.7-2 图像卷积
├── 041.7-3 卷积层
…
├── 044.7-6 卷积神经网络代码实现（LeNet）
├── 045.8-1 AlexNet
├── 046.8-2 VGGNet
…
├── 048.8-4 GoogLeNet
├── 049.8-5 ResNet
├── 050.8-6 DenseNet
├── 051.9-1 序列建模
…
├── 053.9-3 循环神经网络
…
├── 055.9-5 循环神经网络代码实现
…
├── 057.10-1 深度循环神经网络
…
├── 059.10-3 门控循环单元
…
├── 062.10-6 编码器-解码器网络
…
├── 065.10-9 机器翻译简单代码实现
├── 066.11-1 什么是注意力机制
…
├── 068.11-3 键值对注意力和多头注意力
├── 069.11-4 自注意力机制
…
├── 071.11-6 Transformer模型
├── 072.11-7 Transformer代码实现
├── 073.12-1BERT模型
├── 074.12-2 GPT系列模型
…
├── 076.12-4 ViT模型
├── 077.12-5 Swin Transformer模型
├── 078.12-6 GPT模型代码实现
├── 079.13-1 蒙特卡洛方法
…
├── 082.13-4 生成对抗网络
├── 083.13-5 Diffusion扩散模型
├── 084.13-6 图像生成
├── 085.14-1 自定义数据加载
…
├── 087.14-3 迁移学习
…
├── 089.14-5 项目实战：猫狗大战
├── 090.15-1 词嵌入和word2vec
…
├── 093.15-4 Hugging Face库介绍
…
├── 095.15-6 项目实战：电影评论情感分析
├── 096.16-1 InstructGPT模型
…
├── 098.16-3 DALL-E模型
…
└── 100.16-5 下一步学习的建议
