深度学习——基于PyTorch的实现 课件全套 周静 第1--8章 深度学习简介---深度生成模型.pptx

深度学习课程介绍;课程介绍;使用教材;第一章：深度学习简介;学习目标;深度学习、机器学习与人工智能;机器学习、深度学习与人工智能的;人工智能;人工智能的发展历程;人工智能的流派;机器学习;什么样的人容易信用卡逾期？;“逾期用户”机器学习;机器学习：构建映射函数;机器学习模型的步骤;表示学习;深度学习;深度学习与机器学习的区别;深度学习与回归分析;回归分析理论框架;深度学习与回归分析的关系;课堂思考;深度学习发展历程;萌芽期;萌芽期;什么是异或问题？;什么是异或问题？;发展期;低谷期;发展期;深度学习时代;CNN开山之作：LeNet-5;阶段性历史总结;PowerPoint演示文稿;深度学习的影响因素;深度学习的影响因素;深度学习的影响因素;深度学习的影响因素;深度学习为何如此成功;深度学习为何如此成功;ImageNet数据集介绍;“深度”的发展;ImageNet挑战赛历年结果;深度学习擅长的领域;图像处理;图像处理;图像处理;图像处理;自然语言处理;语音识别;其他有趣的应用;PowerPoint演示文稿;第二章：神经网络的张量与数学基;学习目标;张量的定义;张量的数据类型;张量的创建方式;张量的创建方式;张量的创建方式;张量的创建方式;应用：图像数据转张量;张量的操作;张量的操作;张量的操作;张量的操作;张量的操作;张量的操作;张量的操作;张量的操作;张量的操作;张量的操作;张量的操作;神经网络的导数基础;神经网络的导数基础;神经网络的偏导数基础;矩阵微积分;矩阵微积分;矩阵微积分;泰勒展开式;梯度下降法的含义与公式;梯度下降法的含义与公式;梯度下降法的含义与公式;拓展：牛顿法（Newton-;PowerPoint演示文稿;第三章：前馈神经网络;学习目标;前馈神经网络的基本结构;M-P神经元模型;神经元;激活函数;Sigmoid激活函数;Tanh激活函数;ReLU激活函数;四种激活函数示意图;前馈神经网络的构成;损失函数与梯度下降算法;损失函数;梯度下降算法;小批量梯度下降算法;小批量梯度下降算法;小批量梯度下降算法;梯度下降算法的改进;动量梯度下降算法;Nesterov梯度加速算法;AdaGrad算法;AdaGrad算法（续）;AdaDelta算法;均方根加速（RMSprop）;Adam算法;各种算法的收敛过程;反向传播算法：单个神经元;反向传播算法：单个神经元;反向传播算法：单个神经元;反向传播算法：两层神经网络;反向传播算法：两层神经网络;反向传播算法：两层神经网络;反向传播算法：两层神经网络;神经网络的训练流程;神经网络的过拟合及处理方法;过拟合;过拟合;偏差-方差分解;偏差-方差分解;偏差-方差分解;训练误差V.S.测试误差;正则化方法;正则化方法;权重衰减;Dropout方法;PowerPoint演示文稿;第四章：神经网络的Pytorc;学习目标;线性回归案例：颜值打分;线性回归模型;案例：颜值打分;案例：颜值打分;案例：颜值打分;案例：颜值打分;案例：颜值打分;案例：颜值打分;案例：颜值打分;案例：颜值打分;案例：颜值打分;案例：颜值打分;案例：颜值打分;案例：颜值打分;案例：颜值打分;作业：美食评分模型;作业：美食评分模型;逻辑回归模型的Pytorch实;逻辑回归模型;案例：性别识别;案例：性别识别;案例：性别识别;案例：性别识别;Softmax回归模型;案例：Fashion-MNIS;案例：Fashion-MNIS;案例：Fashion-MNIS;案例：Fashion-MNIS;PowerPoint演示文稿;第五章：卷积神经网络基础;学习目标;卷积神经网络的基本结构;卷积神经网络;卷积与池化的通俗理解;对卷积的理解;对池化的理解;卷积;卷积;卷积运算举例;卷积运算举例;卷积运算举例;卷积运算举例;填充与步长;填充与步长;填充与步长;卷积结果的输出;多通道卷积原理;多通道卷积原理;多通道卷积原理;多通道卷积原理;卷积神经网络动态展示图;池化操作;池化操作;最大值池化;多通道张量的最大值池化;多个张量的最大值池化;卷积与池化的区别;LeNet-5用于手写数据识别;MNIST数据集介绍;MNIST数据集的导入;构造数据读取器并展示图片;LeNet-5网络结构;LeNet-5网络构建;LeNet-5模型结构与参数;LeNet-5模型训练曲线;LeNet-5模型训练过程可视;LeNet-5模型训练过程可视;LeNet-5模型训练过程可视;LeNet-5模型训练过程可视;PowerPoint演示文稿;第六章：经典CNN模型介绍;学习目标;AlexNet;AlexNet网络结构;AlexNet网络结构;AlexNet创新点;局部响应归一化;案例：CIFAR10数据集介;Cifar10数据的获取;Ale