Skip to main content
Deep Learning Club 学习教程
搜索 Ctrl+K
  • 写在前面：关于深度学习
  • 深度学习核心数学基础
    • 引言
    • 计算图
    • 学习任务的形式
    • 激活函数
    • 损失函数
    • 反向传播算法
    • 梯度下降与优化算法
    • 总结与展望
  • 翻越两座山：CNN 三十年攀登史
    • 引言：因为山在那里
    • 上篇：练习峰
      • 引言：从公式到代码
      • 全连接：赤手空拳
      • 卷积：发现装备
      • 数据准备：打包行囊
      • 训练基础：登山纪律
      • LeNet-5：练习峰首登
      • 实验对比：登山日志
      • 练习峰，登顶
    • 拆开看看：CNN 消融研究
      • 引言：拆开看看
      • 实验设计
      • PyTorch实现
      • 结语
    • 下篇：真正的未登峰
      • 引言：真正的山
      • AlexNet：真正的未登峰，首登！
      • Inception：多尺度工具
      • ResNet：高原反应补给站
      • SE-Net：学会聚焦
      • CBAM：哪里重要 + 什么重要
      • MobileNet：一个人，一把冰镐
      • EfficientNet：每一分钱，花在刀刃上
      • 登山下篇回顾：八年，八件装备
    • 架构心法：从会用装备到会设计装备
      • 诊断入门：信息论听诊器
      • 操控感受野：网络应该看多大
      • 操控深度与连接：信息如何在网络中流动
      • 操控注意力与长程依赖：信息该走哪条路
      • 操控效率：效果、速度与硬件的三角权衡
      • 诊断与心法：当模型表现不佳时
      • 登山者笔记：四件装备，三十年
    • 下一座山
  • PyTorch 实践：把理论变成代码
    • 引言：从理论到代码
    • 从 NumPy 到 PyTorch：张量的本质
    • 张量操作：数据在网络中的流动
    • 神经网络模块：搭建计算图
    • 自动微分：PyTorch 的核心魔法
    • 优化器：用梯度更新参数
    • 完整训练流程
    • 调试与可视化技巧
    • 工程最佳实践
    • 使用训练框架
    • 结语：从入门到实践
  • 模型部署与服务：从训练到生产
    • 引言：训练完模型之后
    • ONNX：模型的中立语言
    • 模型优化：量化与剪枝
    • 服务架构：从单机到分布式
    • 部署实践：用Ferrinx服务模型
    • 结语：完整的学习链路
  • 迁移学习与微调：站在巨人的肩膀上
    • 导论与核心思想
    • 迁移学习分类体系
    • 基于模型的迁移
    • 实操指南
    • 结语：站在巨人的肩膀上
  • U-Net：图像分割的革命
    • 引言：图像分割问题
    • U 形架构详解
    • 损失函数设计
    • 完整实现
    • 数据增强与训练技巧
    • 总结与展望
  • 序列建模：从 RNN 到 Transformer 再到 Mamba
    • 引言：从空间到时间
    • 循环神经网络：让网络拥有"记忆"
    • LSTM：给记忆装上"门"
    • 从RNN到注意力：一个思想的跳跃
    • Transformer：注意力的极致
    • Mamba 简述：对RNN思想的回归
    • 总结与展望
  • 附录
    • 环境配置
      • Linux基础：为什么炼丹用Linux
      • NVIDIA驱动与CUDA：让GPU真正工作
      • 远程访问：从任何地方连上你的GPU服务器
      • 服务管理：让训练一直跑，服务一直开
      • 结语：现在你有一台真正能用的服务器了
    • Sphinx Markdown 语法参考
    • 编译文档
  • 写在后面
  2. 索引
ulink-deep-learning-club/ulink-deeplearningclub-handouts
- -

© Copyright 2025, UCS Deep Learning Club and its contributors, licensed under CC BY-SA 4.0

Made with Sphinx and Breeze theme.

Back to top