├── 01 课程内容和深度学习基础
│ ├── 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
│ ├── 008.3-2 conda实用命令
│ ├── 009.3-3 Jupyter Notebook快速上手
│ └── 010.3-4 深度学习库PyTorch安装
├── 02 神经网络与深度学习入门
│ ├── 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
│ ├── 014.4-4 多层感知机代码实现
│ ├── 015.4-5 回归问题
│ ├── 016.4-6 线性回归代码实现
│ ├── 017.4-7 分类问题
│ ├── 018.4-8 多分类问题代码实现
│ ├── 019.5-1 训练的常见问题
│ ├── 020.5-2 过拟合欠拟合应对策略
│ ├── 021.5-3 过拟合和欠拟合示例
│ ├── 022.5-4 正则化
│ ├── 023.5-5 Dropout
│ ├── 024.5-6 Dropout代码实现
│ ├── 025.5-7 梯度消失和梯度爆炸
│ └── 026.5-8 模型文件的读写
├── 03 深度学习优化算法
│ ├── 027.6-1 最优化与深度学习
│ ├── 028.6-2 损失函数
│ ├── 029.6-3 损失函数性质
│ ├── 030.6-4 梯度下降
│ ├── 031.6-5 随机梯度下降法
│ ├── 032.6-6 小批量梯度下降法
│ ├── 033.6-7 动量法
│ ├── 034.6-8 AdaGrad算法
│ ├── 035.6-9 RMSProp_Adadelta算法
│ ├── 036.6-10 Adam算法
│ ├── 037.6-11 梯度下降代码实现
│ └── 038.6-12 学习率调节器
├── 04 卷积神经网络与计算机视觉
│ ├── 039.7-1 全连接层问题
│ ├── 040.7-2 图像卷积
│ ├── 041.7-3 卷积层
│ ├── 042.7-4 卷积层常见操作
│ ├── 043.7-5 池化层Pooling
│ ├── 044.7-6 卷积神经网络代码实现（LeNet）
│ ├── 045.8-1 AlexNet
│ ├── 046.8-2 VGGNet
│ ├── 047.8-3 批量规范化
│ ├── 048.8-4 GoogLeNet
│ ├── 049.8-5 ResNet
│ └── 050.8-6 DenseNet
├── 05 循环神经网络与自然语言处理
│ ├── 051.9-1 序列建模
│ ├── 052.9-2 文本数据预处理
│ ├── 053.9-3 循环神经网络
│ ├── 054.9-4 随时间反向传播算法
│ ├── 055.9-5 循环神经网络代码实现
│ ├── 056.9-6 RNN的长期依赖问题
│ ├── 057.10-1 深度循环神经网络
│ ├── 058.10-2 双向循环神经网络
│ ├── 059.10-3 门控循环单元
│ ├── 060.10-4 长短期记忆网络
│ ├── 061.10-5 复杂循环神经网络代码实现
│ ├── 062.10-6 编码器-解码器网络
│ ├── 063.10-7 序列到序列模型代码实现
│ ├── 064.10-8 束搜索算法
│ └── 065.10-9 机器翻译简单代码实现
├── 06 注意力机制与Transformer
│ ├── 066.11-1 什么是注意力机制
│ ├── 067.11-2 注意力的计算
│ ├── 068.11-3 键值对注意力和多头注意力
│ ├── 069.11-4 自注意力机制
│ ├── 070.11-5 注意力池化及代码实现
│ ├── 071.11-6 Transformer模型
│ └── 072.11-7 Transformer代码实现
├── 07 大模型与视觉Transformer
│ ├── 073.12-1 BERT模型
│ ├── 074.12-2 GPT系列模型
│ ├── 075.12-3 T5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
├── 08 生成模型
│ ├── 079.13-1 蒙特卡洛方法
│ ├── 080.13-2 变分推断
│ ├── 081.13-3 变分自编码器
│ ├── 082.13-4 生成对抗网络
│ ├── 083.13-5 Diffusion扩散模型
│ └── 084.13-6 图像生成
├── 09 计算机视觉项目实战
│ ├── 085.14-1 自定义数据加载
│ ├── 086.14-2 图像数据增强
│ ├── 087.14-3 迁移学习
│ ├── 088.14-4 经典视觉数据集
│ ├── 089.14-5 项目实战：猫狗大战
│ └── …
├── 10 自然语言处理项目实战
│ ├── 090.15-1 词嵌入和word2vec
│ ├── 091.15-2 词义搜索和句意表示
│ ├── 092.15-3 预训练模型
│ ├── 093.15-4 Hugging Face库介绍
│ ├── 094.15-5 经典NLP数据集
│ └── 095.15-6 项目实战：电影评论情感分析
└── 11 深度学习前沿发展
├── 096.16-1 InstructGPT模型
├── 097.16-2 CLIP模型
├── 098.16-3 DALL-E模型
├── 099.16-4 深度学习最新发展趋势分析
└── 100.16-5 下一步学习的建议
