深度学习框架-PyTorch实战 视频教程下载

课程推荐

《深度学习框架-PyTorch实战 视频教程下载》本课程共 128 节视频，按章节循序渐进讲解，适合希望系统掌握核心知识点的学习者。【技能收获】学完可掌握：Embedding 向量检索。课程以实战为导向，覆盖从基础概念到完整项目落地的关键步骤，配套章节笔记便于课后复盘与面试前快速回顾。【学习建议】建议按目录顺序学习，先打基础再进入综合实战章节；每完成 2～3 节可结合笔记整理一份学习小结，最终尝试独立复现一套完整 Demo 写入个人作品集。【就业发展】可面向岗位：AI 应用工程师、RAG 系统开发、Java 后端 + 大模型落地、企业知识库架构师。大模型应用岗需求持续走高，具备「后端 + RAG 落地」复合能力的人才在招聘市场更稀缺，简历中可突出完整项目链路而非仅会使用 API。 若你已有一定编程或运维基础，本课程可帮助你在现有技能栈上快速叠加热门方向能力，提升求职时的项目说服力与薪资谈判空间。

视频目录（128 节）

*   1-1 PyTorch实战课程简介.mp4

*   1-2 PyTorch框架发展趋势简介.mp4

*   1-3 框架安装方法（CPU与GPU版本）.mp4

*   1-4 PyTorch基本操作简介.mp4

*   1-5 自动求导机制.mp4

*   1-6 线性回归DEMO-数据与参数配置.mp4

*   1-7 线性回归DEMO-训练回归模型.mp4

*   1-8 补充：常见tensor格式.mp4

*   1-9 补充：Hub模块简介.mp4

*   2-1 气温数据集与任务介绍.mp4

*   2-2 按建模顺序构建完成网络架构.mp4

*   2-3 简化代码训练网络模型.mp4

*   2-4 分类任务概述.mp4

*   2-5 构建分类网络模型.mp4

*   2-6 DataSet模块介绍与应用方法.mp4

*   3-1 卷积神经网络应用领域.mp4

*   3-2 卷积的作用.mp4

*   3-3 卷积特征值计算方法.mp4

*   3-4 得到特征图表示.mp4

*   3-5 步长与卷积核大小对结果的影响.mp4

*   3-6 边缘填充方法.mp4

*   3-7 特征图尺寸计算与参数共享.mp4

*   3-8 池化层的作用.mp4

*   3-9 整体网络架构.mp4

*   3-10 VGG网络架构.mp4

*   3-11 残差网络Resnet.mp4

*   3-12 感受野的作用.mp4

*   4-1 卷积网络参数定义.mp4

*   4-2 网络流程解读.mp4

*   4-3 Vision模块功能解读.mp4

*   4-4 分类任务数据集定义与配置.mp4

*   4-5 图像增强的作用.mp4

*   4-6 数据预处理与数据增强模块.mp4

*   4-7 Batch数据制作.mp4

*   5-1 迁移学习的目标.mp4

*   5-2 迁移学习策略.mp4

*   5-3 加载训练好的网络模型.mp4

*   5-4 优化器模块配置.mp4

*   5-5 实现训练模块.mp4

*   5-6 训练结果与模型保存.mp4

*   5-7 加载模型对测试数据进行预测.mp4

*   5-8 额外补充-Resnet论文解读.mp4

*   5-9 额外补充-Resnet网络架构解读.mp4

*   6-1 RNN网络架构解读.mp4

*   6-2 词向量模型通俗解释.mp4

*   6-3 模型整体框架.mp4

*   6-4 训练数据构建.mp4

*   6-5 CBOW与Skip-gram模型.mp4

*   6-6 负采样方案.mp4

*   7-1 任务目标与数据简介.mp4

*   7-2 RNN模型所需输入格式解析.mp4

*   7-3 项目配置参数设置.mp4

*   7-4 新闻数据读取与预处理方法.mp4

*   7-5 LSTM网络模块定义与参数解析.mp4

*   7-6 训练LSTM文本分类模型.mp4

*   7-7 Tensorboardx可视化展示模块搭建.mp4

*   7-8 CNN应用于文本任务原理解析.mp4

*   7-9 网络模型架构与效果展示.mp4

*   8-1 对抗生成网络通俗解释.mp4

*   8-2 GAN网络组成.mp4

*   8-3 损失函数解释说明.mp4

*   8-4 数据读取模块.mp4

*   8-5 生成与判别网络定义.mp4

*   9-1 CycleGan网络所需数据.mp4

*   9-2 CycleGan整体网络架构.mp4

*   9-3 PatchGan判别网络原理.mp4

*   9-4 Cycle开源项目简介.mp4

*   9-5 数据读取与预处理操作.mp4

*   9-6 生成网络模块构造.mp4

*   9-7 判别网络模块构造.mp4

*   9-8 损失函数：identity loss计算方法.mp4

*   9-9 生成与判别损失函数指定.mp4

*   9-10 额外补充：VISDOM可视化配置.mp4

*   10-1 OCR文字识别要完成的任务.mp4

*   10-2 CTPN文字检测网络概述.mp4

*   10-3 序列网络的作用.mp4

*   10-4 输出结果含义解析.mp4

*   10-5 CTPN细节概述.mp4

*   10-6 CRNN识别网络架构.mp4

*   10-7 CTC模块的作用.mp4

*   11-1 OCR文字检测识别项目效果展示.mp4

*   11-2 训练数据准备与环境配置.mp4

*   11-3 检测模块候选框生成.mp4

*   11-4 候选框标签制作.mp4

*   11-5 整体网络所需模块.mp4

*   11-6 网络架构各模块完成的任务解读.mp4

*   11-7 CRNN识别模块所需数据与标签.mp4

*   11-8 识别模块网络架构解读.mp4

*   12-1 3D卷积原理解读.mp4

*   12-2 UCF101动作识别数据集简介.mp4

*   12-3 测试效果与项目配置.mp4

*   12-4 视频数据预处理方法.mp4

*   12-5 数据Batch制作方法.mp4

*   12-6 3D卷积网络所涉及模块.mp4

*   12-7 训练网络模型.mp4

*   13-1 BERT任务目标概述.mp4

*   13-2 传统解决方案遇到的问题.mp4

*   13-3 注意力机制的作用.mp4

*   13-4 self-attention计算方法.mp4

*   13-5 特征分配与softmax机制.mp4

*   13-6 Multi-head的作用.mp4

*   13-7 位置编码与多层堆叠.mp4

*   13-8 transformer整体架构梳理.mp4

*   13-9 BERT模型训练方法.mp4

*   13-10 训练实例.mp4

*   14-1 BERT开源项目简介.mp4

*   14-2 项目参数配置.mp4

*   14-3 数据读取模块.mp4

*   14-4 数据预处理模块.mp4

*   14-5 tfrecord制作.mp4

*   14-6 Embedding层的作用.mp4

*   14-7 加入额外编码特征.mp4

*   14-8 加入位置编码特征.mp4

*   14-9 mask机制.mp4

*   14-10 构建QKV矩阵.mp4

*   14-11 完成Transformer模块构建.mp4

*   14-12 训练BERT模型.mp4

*   15-1 项目配置与环境概述.mp4

*   15-2 数据读取与预处理.mp4

*   15-3 网络结构定义.mp4

*   15-4 训练网络模型.mp4

*   16-1 项目模板各模块概述.mp4

*   16-2 各模块配置参数解析.mp4

*   16-3 数据读取与预处理模块功能解读.mp4

*   16-4 模型架构模块.mp4

*   16-5 训练模块功能.mp4

*   16-6 训练结果可视化展示模块.mp4

*   16-7 模块应用与BenckMark解读.mp4