正版资源龙龙老师 PyTorch与深度学习 视频课程+源码 共152课
《龙龙老师 PyTorch与深度学习 视频课程+源码 共152课》龙龙老师 PyTorch与深度学习 视频课程+源码 共152课【技能收获】学完可掌握：核心实战技能、项目驱动学习。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
支付成功后自动发货，可在「我的订单」查看网盘链接；链接失效可联系客服免费补链。
龙龙老师的这套 PyTorch 与深度学习课程，一共 152 课，配了完整源码。它不是一个「听完就完」的视频合集，更像是一份可以逐行对照、反复回查的工程化教程。下面从几个角度说说它到底适合谁、该怎么用。
技术栈与内容组织
主线围绕 PyTorch 展开，这是目前学术界和工业界都在用的主流深度学习框架。课程从张量操作、自动求导、nn.Module 这些基础构件讲起，逐步过渡到卷积网络、循环网络、注意力机制，最后落到完整项目的训练与推理流程。152 课的体量意味着它没有把内容压缩成「概念速览」，而是给每个关键模块留了足够的演示空间——比如一个数据加载管道怎么写、一个自定义层怎么注册参数、训练循环里 loss 和 optimizer 怎么配合，这些在源码里都能找到对应实现。
源码不是课后练习的答案，而是和视频同步的工程文件。看视频时对着代码看，能清楚知道某一行是哪一步在起作用；脱离视频单独读代码，也能顺着目录把整个训练流程串起来。这种「视频讲思路、源码给实现」的搭配，比只看视频或只读代码都更省时间。
项目结构与可复用模块
课程里的代码按功能拆得比较清楚：数据处理、模型定义、训练脚本、评估与推理通常是分开的。这种结构本身就是一种可复用的工程习惯——你以后自己做项目，可以按同样的方式组织目录，而不是把所有逻辑塞进一个文件。几个值得留意的地方：
- 数据管道部分，能对照看到 Dataset 和 DataLoader 是怎么配合的，包括批处理、打乱、多进程加载这些实际会用到的参数。
- 模型定义部分，卷积、池化、全连接、归一化、Dropout 的堆叠方式有固定套路，改结构时知道该动哪一层。
- 训练循环部分，前向、反向、梯度清零、参数更新这四步的顺序和写法是模板级的，可以直接搬到自己的任务里。
- 保存与加载模型、切换训练/评估模式、在 GPU 和 CPU 之间迁移张量，这些工程细节在课程里都有对应演示。
换句话说，这套资料的价值不只是「讲懂了深度学习」，而是给出了一套可以改、可以拆、可以复用的代码骨架。
适合的起点与学习方式
如果你已经会一点 Python，知道函数、类、数组操作是怎么回事，那这套课可以直接上手。不需要先啃完线性代数和概率论再来看——课程在需要的时候会把数学背景补上，但重点始终放在「怎么用代码实现」。反过来，如果你连 Python 的基本语法都不熟，建议先把语言基础过一遍，否则看代码会卡在语法层面而不是模型层面。
学习节奏上，不建议一口气刷完 152 课。比较实际的做法是每看完一个模块，就打开源码把对应部分跑一遍，改几个参数看输出怎么变。比如把学习率调大调小、把批大小改一改、把网络层数加一层减一层，观察 loss 曲线的变化。这种「改一改、跑一跑」的过程，比单纯看视频更能建立对模型行为的直觉。每个模块结束后，试着不看源码把核心逻辑默写一遍，写不出来再回去对照，效果比重复看视频好得多。
自学路径建议
如果按依赖关系排，建议的顺序是：先过张量和自动求导，这是后面一切的基础；然后看数据加载和简单全连接网络，把「数据进、预测出、算损失、更新参数」这个闭环跑通；接着进入卷积网络和循环网络，理解不同结构适合什么类型的数据；再往后是注意力机制和更复杂的模型组合。每进入一个新主题，都回头看看前面的代码有没有可以复用的部分——很多时候新模型只是把旧模块重新拼装。
课程配套的章节笔记适合做复盘。学完一个阶段，用笔记快速扫一遍关键概念和代码片段，能帮你把零散的知识点串成线。到后期做综合项目时，你会发现真正卡住你的往往不是某个新概念，而是前面某个基础操作没记牢，这时候回查源码比重新看视频快得多。
整体来看，这套资料适合拿来「对照实践」而不是「空看视频」。视频负责讲清楚为什么这么做，源码负责告诉你具体怎么做，两者配合才能把 PyTorch 用顺。如果你正准备做自己的第一个深度学习项目，或者想把之前零散学过的概念整理成一套能跑通的代码，这份课程可以作为一个稳定的参照系。
龙龙老师 PyTorch与深度学习 视频课程+源码 共152课
课程推荐
《龙龙老师 PyTorch与深度学习 视频课程+源码 共152课》龙龙老师 PyTorch与深度学习 视频课程+源码 共152课【技能收获】学完可掌握：核心实战技能、项目驱动学习。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（152 节）
* │ 1.深度学习框架简介_.mp4
* │ 2.PyTorch功能演示_.mp4
* │ 3.开发环境安装（简介）_.mp4
* │ 10.手写数字识别初体验-2_.mp4
* │ 11.手写数字识别初体验-3_.mp4
* │ 12.手写数字识别初体验-4_.mp4
* │ 13.手写数字识别初体验-5_.mp4
* │ 4.简单回归问题-_.mp4
* │ 5.简单回归问题-2_.mp4
* │ 6.回归问题实战_.mp4
* │ 7.分类问题引入-1_.mp4
* │ 8.分类问题引入-2_.mp4
* │ 9.手写数字识别初体验-1_.mp4
* │ 14.张量数据类型-1_.mp4
* │ 15.张量数据类型-2_.mp4
* │ 16.创建Tensor-1_.mp4
* │ 17.创建Tensor-2_.mp4
* │ 18.索引与切片-1_.mp4
* │ 19.索引与切片-2_.mp4
* │ 20.维度变换-1_.mp4
* │ 21.维度变换-2_.mp4
* │ 22.维度变换-3_.mp4
* │ 23.维度变换-4_.mp4
* │ 24.Broadcasting-1_.mp4
* │ 25.Broadcasting-2_.mp4
* │ 26.Broadcasting-3_.mp4
* │ 27.合并与分割-1_.mp4
* │ 28.合并与分割-2_.mp4
* │ 29.数学运算-1_.mp4
* │ 30.数学运算-2_.mp4
* │ 31.属性统计-1_.mp4
* │ 32.属性统计-2_.mp4
* │ 33.高阶操作_.mp4
* │ 34.什么是梯度-1_.mp4
* │ 35.什么是梯度-2_.mp4
* │ 36.常见函数的梯度_.mp4
* │ 37.激活函数与Loss的梯度-1_.mp4
* │ 38.激活函数与Loss的梯度-2_.mp4
* │ 39.激活函数与Loss的梯度-3_.mp4
* │ 40.激活函数与Loss的梯度-4_.mp4
* │ 41.感知机的梯度推导-1_.mp4
* │ 42.感知机的梯度推导-2_.mp4
* │ 43.链式法则_.mp4
* │ 44.反向传播算法-1_.mp4
* │ 45.反向传播算法-2_.mp4
* │ 46.优化问题实战_.mp4
* │ 47.Logistic.Regression_.mp4
* │ 48.交叉熵-1_.mp4
* │ 49.交叉熵-2_.mp4
* │ 50.多分类问题实战_.mp4
* │ 51.全连接层_.mp4
* │ 52.激活函数与GPU加速_.mp4
* │ 53.MNIST测试实战_.mp4
* │ 54.Visdom可视化_.mp4
* │ 55.过拟合与欠拟合_.mp4
* │ 56.交叉验证-1_.mp4
* │ 57.交叉验证-2_.mp4
* │ 58.Regularization_.mp4
* │ 59.动量与学习率衰减_.mp4
* │ 60.Early.stopping,.dropout等_.mp4
* │ 61.什么是卷积-1_.mp4
* │ 62.什么是卷积-2_.mp4
* │ 63.卷积神经网络-1_.mp4
* │ 64.卷积神经网络-2_.mp4
* │ 65.卷积神经网络-3_.mp4
* │ 66.池化层与采样_.mp4
* │ 67.BatchNorm-1_.mp4
* │ 68.BatchNorm-2_.mp4
* │ 69.经典卷积网络.LeNet5,AlexNet,.VGG,.GoogLeNet-1_.mp4
* │ 70.经典卷积网络.LeNet5,AlexNet,.VGG,.GoogLeNet-2_.mp4
* │ 71.ResNet与DenseNet-1_.mp4
* │ 72.ResNet与DenseNet-2_.mp4
* │ 73.nn.Module模块-1_.mp4
* │ 74.nn.Module模块-2_.mp4
* │ 75.数据增强_.mp4
* │ 76.CIFAR10数据集介绍_.mp4
* │ 77.卷积神经网络实战-1_.mp4
* │ 78.卷积神经网络实战-2_.mp4
* │ 79.卷积神经网络训练_.mp4
* │ 80.ResNet实战-1_.mp4
* │ 81.ResNet实战-2_.mp4
* │ 82.ResNet实战-3_.mp4
* │ 83.ResNet实战-4_.mp4
* │ 84.实战小结_.mp4
* │ 85.时间序列表示方法_.mp4
* │ 86.RNN原理-1_.mp4
* │ 87.RNN原理-_.mp4
* │ 88.RNN.Layer使用-1_.mp4
* │ 89.RNN.Layer使用-2_.mp4
* │ 90.时间序列预测实战_.mp4
* │ 91.梯度弥散与梯度爆炸_.mp4
* │ 92.LSTM原理-_.mp4
* │ 93.LSTM原理-2_.mp4
* │ 94.LSTM.Layer使用_.mp4
* │ 95.情感分类问题实战_.mp4
* │ 100.自定义数据集实战-3_.mp4
* │ 101.自定义数据集实战-4_.mp4
* │ 102.自定义数据集实战-5_.mp4
* │ 103.自定义网络_.mp4
* │ 104.自定义网络训练与测试_.mp4
* │ 105.自定义网络实战_.mp4
* │ 106.迁移学习_.mp4
* │ 107.迁移学习实战_.mp4
* │ 96.Pokemon数据集_.mp4
* │ 97.数据预处理_.mp4
* │ 98.自定义数据集实战-1_.mp4
* │ 99.自定义数据集实战-2_.mp4
* │ 108.无监督学习_.mp4
* │ 109.Auto-Encoder原理_.mp4
* │ 110.Auto-Encoder变种_.mp4
* │ 111.Adversarial.Auto-Encoder_.mp4
* │ 112.变分Auto-Encoder引入_.mp4
* │ 113.Reparameterization.trick_.mp4
* │ 114.变分自编码器VAE_.mp4
* │ 115.Auto-Encoder实战-1_.mp4
* │ 116.Auto-Encoder实战-2_.mp4
* │ 117.变分Auto-Encoder实战-1_.mp4
* │ 118.变分Auto-Encoder实战-2_.mp4
* │ 119.数据的分布_.mp4
* │ 120.画家的成长历程_.mp4
* │ 121.GAN原理_.mp4
* │ 122.纳什均衡-D_.mp4
* │ 123.纳什均衡-G_.mp4
* │ 124.JS散度的缺陷_.mp4
* │ 125.EM距离_.mp4
* │ 126.WGAN与WGAN-GP_.mp4
* │ 127.GAN实战-GD实现_.mp4
* │ 128.GAN实战-网络训练_.mp4
* │ 129.GAN实战-网络训练鲁棒性_.mp4
* │ 130.WGAN-GP实战_.mp4
* │ 131.Ubuntu系统安装_.mp4
* │ 132.Anaconda安装_.mp4
* │ 133.CUDA.10安装_.mp4
* │ 134.环境变量配置_.mp4
* │ 135.cudnn安装_.mp4
* │ 136.PyCharm安装与配置_.mp4
* │ 137.生物神经元结构_.mp4
* │ 138.感知机的提出_.mp4
* │ 139.BP神经网络_.mp4
* │ 140.CNN和LSTM的发明_.mp4
* │ 141.人工智能的低潮_.mp4
* │ 142.深度学习的诞生_.mp4
* │ 143.深度学习的繁荣_.mp4
* │ 144.权值的表示_.mp4
* │ 145.多层感知机的实现_.mp4
* │ 146.多层感知机前向传播_.mp4
* │ 147.多层感知机反向传播_.mp4
* │ 148.多层感知机反向传播-2_.mp4
* │ 149.多层感知机反向传播-3_.mp4
* │ 150.多层感知机的训练_.mp4
* │ 151.多层感知机的测试_.mp4
* │ 152.实战小结_.mp4
配套笔记（2 份 PDF）
* 花书-中文版.pdf
* 花书-深度学习-Eng.pdf
