最全面的深度学习CV 笔记

Name		Name	Last commit message	Last commit date
Latest commit History 74 Commits
00_-----我是土堆 Pytorch-----.ipynb		00_-----我是土堆 Pytorch-----.ipynb
01_配置版本.ipynb		01_配置版本.ipynb
02_Pytorch安装.ipynb		02_Pytorch安装.ipynb
03_Python两大法宝.ipynb		03_Python两大法宝.ipynb
04_Pytorch加载数据.ipynb		04_Pytorch加载数据.ipynb
05_Tensorboard使用.ipynb		05_Tensorboard使用.ipynb
06_Transforms使用.ipynb		06_Transforms使用.ipynb
07_torchvision数据集使用.ipynb		07_torchvision数据集使用.ipynb
08_Dataloader使用.ipynb		08_Dataloader使用.ipynb
09_nn.Module模块使用.ipynb		09_nn.Module模块使用.ipynb
10_卷积原理.ipynb		10_卷积原理.ipynb
11_卷积层.ipynb		11_卷积层.ipynb
12_最大池化层.ipynb		12_最大池化层.ipynb
13_非线性激活.ipynb		13_非线性激活.ipynb
14_线性层及其他层.ipynb		14_线性层及其他层.ipynb
15_搭建小实战和Sequential使用.ipynb		15_搭建小实战和Sequential使用.ipynb
16_损失函数与反向传播.ipynb		16_损失函数与反向传播.ipynb
17_优化器.ipynb		17_优化器.ipynb
18_网络模型使用及修改.ipynb		18_网络模型使用及修改.ipynb
19_网络模型保存与读取.ipynb		19_网络模型保存与读取.ipynb
20_完整模型训练套路.ipynb		20_完整模型训练套路.ipynb
21_利用GPU训练.ipynb		21_利用GPU训练.ipynb
22_完整模型验证套路.ipynb		22_完整模型验证套路.ipynb
23_查看开源项目.ipynb		23_查看开源项目.ipynb
24_-----李沐动手学深度学习-----.ipynb		24_-----李沐动手学深度学习-----.ipynb
25_深度学习介绍.ipynb		25_深度学习介绍.ipynb
26_配置版本.ipynb		26_配置版本.ipynb
27_数据操作、数据预处理.ipynb		27_数据操作、数据预处理.ipynb
28_线性代数.ipynb		28_线性代数.ipynb
29_矩阵计算.ipynb		29_矩阵计算.ipynb
30_自动求导.ipynb		30_自动求导.ipynb
31_线性回归、优化算法.ipynb		31_线性回归、优化算法.ipynb
32_Softmax回归、损失函数、分类.ipynb		32_Softmax回归、损失函数、分类.ipynb
33_多层感知机.ipynb		33_多层感知机.ipynb
34_模型选择、过拟合、欠拟合.ipynb		34_模型选择、过拟合、欠拟合.ipynb
35_权重衰退.ipynb		35_权重衰退.ipynb
36_丢弃法.ipynb		36_丢弃法.ipynb
37_数值稳定性、模型初始化、激活函数.ipynb		37_数值稳定性、模型初始化、激活函数.ipynb
38_Kaggle房价预测.ipynb		38_Kaggle房价预测.ipynb
39_PyTorch神经网络基础.ipynb		39_PyTorch神经网络基础.ipynb
40_使用购买GPU.ipynb		40_使用购买GPU.ipynb
41_卷积层.ipynb		41_卷积层.ipynb
42_卷积层里的填充和步幅.ipynb		42_卷积层里的填充和步幅.ipynb
43_卷积层里的多输入多输出通道.ipynb		43_卷积层里的多输入多输出通道.ipynb
44_池化层.ipynb		44_池化层.ipynb
45_经典神经网络LeNet.ipynb		45_经典神经网络LeNet.ipynb
46_深度卷积神经网络AlexNet.ipynb		46_深度卷积神经网络AlexNet.ipynb
47_使用块的网络VGG.ipynb		47_使用块的网络VGG.ipynb
48_网络中的网络NiN.ipynb		48_网络中的网络NiN.ipynb
49_合并行连接的网络GoogLeNet.ipynb		49_合并行连接的网络GoogLeNet.ipynb
50_批量归一化.ipynb		50_批量归一化.ipynb
51_残差神经网络ResNet.ipynb		51_残差神经网络ResNet.ipynb
52_深度学习硬件CPU和GPU.ipynb		52_深度学习硬件CPU和GPU.ipynb
53_深度学习硬件TPU和其他.ipynb		53_深度学习硬件TPU和其他.ipynb
54_单机多卡并行.ipynb		54_单机多卡并行.ipynb
55_多GPU训练实现.ipynb		55_多GPU训练实现.ipynb
56_分布式训练.ipynb		56_分布式训练.ipynb
57_数据增广.ipynb		57_数据增广.ipynb
58_微调.ipynb		58_微调.ipynb
59_实战Kaggle比赛图像分类CIFAR10.ipynb		59_实战Kaggle比赛图像分类CIFAR10.ipynb
60_实战Kaggle比赛狗的品种识别ImageNetDogs.ipynb		60_实战Kaggle比赛狗的品种识别ImageNetDogs.ipynb
61_物体检测和数据集.ipynb		61_物体检测和数据集.ipynb
62_锚框.ipynb		62_锚框.ipynb
63_树叶分类竞赛技术总结.ipynb		63_树叶分类竞赛技术总结.ipynb
64_物体检测算法R-CNN、SSD、YOLO.ipynb		64_物体检测算法R-CNN、SSD、YOLO.ipynb
65_SSD实现.ipynb		65_SSD实现.ipynb
66_语义分割和数据集.ipynb		66_语义分割和数据集.ipynb
67_转置卷积.ipynb		67_转置卷积.ipynb
68_转置卷积是一种卷积.ipynb		68_转置卷积是一种卷积.ipynb
69_全连接卷积神经网络FCN.ipynb		69_全连接卷积神经网络FCN.ipynb
70_样式迁移.ipynb		70_样式迁移.ipynb
71_序列模型.ipynb		71_序列模型.ipynb
72_文本预处理.ipynb		72_文本预处理.ipynb
73_语言模型.ipynb		73_语言模型.ipynb
74_循环神经网络RNN.ipynb		74_循环神经网络RNN.ipynb
75_循环神经网络RNN的实现.ipynb		75_循环神经网络RNN的实现.ipynb
76_门控循环单元GRU.ipynb		76_门控循环单元GRU.ipynb
77_长短期记忆网络LSTM.ipynb		77_长短期记忆网络LSTM.ipynb
78_深层循环神经网络.ipynb		78_深层循环神经网络.ipynb
79_双向循环神经网络.ipynb		79_双向循环神经网络.ipynb
80_机器翻译数据集.ipynb		80_机器翻译数据集.ipynb
81_编码器解码器架构.ipynb		81_编码器解码器架构.ipynb
82_序列到序列学习seq2seq.ipynb		82_序列到序列学习seq2seq.ipynb
83_束搜索.ipynb		83_束搜索.ipynb
84_注意力机制.ipynb		84_注意力机制.ipynb
85_注意力分数.ipynb		85_注意力分数.ipynb
86_使用注意力机制的seq2seq.ipynb		86_使用注意力机制的seq2seq.ipynb
87_自注意力.ipynb		87_自注意力.ipynb
88_Transformer.ipynb		88_Transformer.ipynb
89_BERT预训练.ipynb		89_BERT预训练.ipynb
90_BERT微调.ipynb		90_BERT微调.ipynb
91_目标检测竞赛总结.ipynb		91_目标检测竞赛总结.ipynb
92_优化算法.ipynb		92_优化算法.ipynb
93_课程总结和进阶学习.ipynb		93_课程总结和进阶学习.ipynb
README.md		README.md

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Repository files navigation

最全面的深度学习CV 笔记

About

Releases

Packages

Languages

zingzingzingzing/-

Folders and files

Latest commit

History

Repository files navigation

最全面的 深度学习CV 笔记

About

Resources

Stars

Watchers

Forks

Releases

Packages 0

Languages

最全面的深度学习CV 笔记

Packages