Skip to main content
Back to top
Ctrl
+
K
UCS Deep Learning Club
写在前面：关于深度学习
计算图、反向传播与梯度下降：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
神经网络基础：从理论到架构
引言
全连接神经网络
卷积神经网络
LeNet-5架构详解
神经网络训练基础
实验对比：全连接 vs CNN
缩放定律
总结与展望
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
CNN 消融研究：理解卷积神经网络各组件的作用
引言：消融研究的科学方法论
实验设计
PyTorch实现
结语：从黑盒到白盒
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
CNN 中的注意力机制
为什么CNN需要注意力机制？
通道注意力：SE-Net
空间注意力
通道+空间注意力：CBAM
注意力机制的选择与应用
实践指南
总结与展望
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
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
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
环境配置番外篇
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
写在后面
Repository
Open issue
搜索
错误
Please activate JavaScript to enable the search functionality.
Ctrl
+
K