深度学习框架如 Tensorflow 和 Pytorch 等为用户提供了可供调用的 API, 但也隐藏了深度学习底层的实现细节.
为方便大家更加深入地理解深度学习原理并了解其底层实现方法, 特此推出了《课程深度学习原理详解及 Python 代码实现》. 期望能 "掀起你的盖头来, 让我看看你的模样", 为深度学习进一步的优化和创新打下根基.
课程链接: https://edu.51cto.com/course/21426.html
本课程详细讲解深度学习原理并进行 Python 代码实现. 课程内容涵盖感知机, 多层感知机, 卷积神经网络, 循环神经网络, 并使用 Python 3 及 Numpy,Matplotlib 从零实现上述神经网络. 本课程还讲述了神经网络的训练方法与实践技巧, 且开展了代码实践演示. 对于核心内容讲解深入细致, 如基于计算图理解反向传播算法, 并用数学公式推导反向传播算法; 另外还讲述了卷积加速方法 im2col.
本课程力求使学员通过深度学习原理, 算法公式及 Python 代码的对照学习, 摆脱框架而掌握深度学习底层实现原理与方法.
本课程将给学员分享深度学习的 Python 实现代码. 课程代码通过 Jupyter Notebook 演示, 可在 Windows,Ubuntu 等系统上运行, 且不需 GPU 支持.
学习本课程的前提是会使用 Python 语言和 Numpy 和 Matplotlib 库.
来源: http://www.bubuko.com/infodetail-3414430.html