李沐-动手学深度学习V2

名称：李沐-动手学深度学习V2描述：该课程由亚马逊资深首席科学家李沐主讲，覆盖深度学习四大类模型：多层感知机、卷积神经网络、循环神经网络和注意力机制。课程共15章，采用中文视频授课形式，教授如何用PyTorch实现深度学习细节，帮助学习者在真实数据上获得经验。课程适合数据科学家、工程师和在校学生，需具备基础数学和Python编程能力。链接：https://pan.quark.cn/s/a50ea31615d2大小：10.8GB标签：#教程#深度学习#李沐#quark频道：@yunpanshare群组：@yunpangroup

《动手学深度学习（PyTorch版）》

名称：《动手学深度学习（PyTorch版）》描述：《动手学深度学习（PyTorch版）》是《动手学深度学习》的重磅升级版本，选用经典的PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。链接：https://pan.quark.cn/s/6b5207a1c305大小：26M标签：#电子书#深度学习#动手学深度学习#quark频道：@yunpanshare群组：@yunpangroup

动手学深度学习

名称：动手学深度学习描述：面向中文读者的能运行、可讨论的深度学习教科书。含PyTorch、NumPy/MXNet、TensorFlow和PaddlePaddle实现，被全球60多个国家400多所大学用于教学。链接：https://www.aliyundrive.com/s/1KzeK3oMQMK大小：26MB标签：#AI#BOOK#动手学深度学习来自：雷锋版权：频道：@shareAliyun群组：@aliyundriveShare投稿：@aliyun_share_bot

深度学习数学工程 | YouTube | #机器学习 #电子书

#机器学习#电子书本书提供了深度学习的完整且简明的数学工程概述。内容包括卷积神经网络、递归神经网络、transformer、生成式对抗网络、强化学习、图神经网络等。书中聚焦于深度学习模型、算法和方法的基本数学描述，很大程度上与编程代码、神经科学关系、历史视角无关。数学基础的读者可以快速掌握现代深度学习算法、模型和技术的本质。深度学习可以通过数学语言在许多专业人员可理解的层面上进行描述。工程、信号处理、统计、物理、纯数学等领域的读者可以快速洞察该领域的关键数学工程组成部分。书里包含深度学习的基础原理、主要模型架构、优化算法等内容。另外还提供了相关课程、工作坊、源代码等资源。本内容面向想要从数学工程视角理解深度学习的专业人员，内容覆盖了深度学习的主要技术，使用简明的数学语言描述深度学习的关键组成部分，是了解深度学习数学本质的很好资源。

李宏毅深度学习教程（LeeDL-Tutorial）最新版pdf下载 | leedl-tutorial/ | #深度学习

李宏毅深度学习教程（LeeDL-Tutorial）#深度学习李宏毅老师和Datawhale团队一起出品的电子书。本项目《LeeDL-Tutorial》对于李宏毅老师的视频教程进行了整理、校对以及迭代优化，不仅对已有内容进行了完善和补充，同时也补充了部分最新的内容以及配套的课后实战代码，方便大家理论+实战双丰收。李宏毅老师是台湾大学的教授，其《机器学习》（2021年春）是深度学习领域经典的中文视频之一。李老师幽默风趣的课堂风格深受大家喜爱，让晨曦难懂的深度学习理论变得轻松易懂，他会通过很多动漫相关的有趣例子来讲解深度学习理论。李老师的课程内容很全面，遮盖了深度学习必须掌握的常见理论，才能让学生对深度学习的绝大部分领域都有一个决定了，从而可以一步选想要深入的方向进行学习，对于想入门深度学习又想看中文讲解的同学是非常推荐的本教程主要内容来源于《机器学习》（2021年春），并在其基础上进行了一定的原创。比如，为了尽可能地降低阅读门槛，笔者对本门公开课的精华内容进行选择取并优化，对所涉及的公式都给出了详细的推导过程，对较难理解的知识点进行了重点讲解和强化，以方易读者比较为轻松地入门。此外，为了丰富内容，笔者在教程中选择取了《机器学习》》（2017年春）的部分内容，并补充了不少这门公开课以外的深度学习相关知识。《机器学习》（2017年春）：《机器学习》（2021年春）：

PyTorch深度学习开发医学影像

名称：PyTorch深度学习开发医学影像描述：PyTorch是一个学习框架，它提供了各种工具和功能来构建、训练和部署深度学习模型。相比其他深度学习框架，例如TensorFlow，PyTorch更加易于使用和灵活。在PyTorch中，我们可以使用（tensor）对象来存储和操作数据。这些张量对象非常类似于NumPy数组，但是PyTorch的张量支持GPU加速和自动求导功能，这使得我们可以更快地进行运算和优化模型。除此之外，PyTorch还提供了一些内置的神经网络层和损失函数，以及预训练模型的接口。这些工具和功能使得我们可以轻松地构建和训练深度学习模型，而不需要从头开始编写所有的代码。建议先收藏保存，不定时失效。链接：https://pan.quark.cn/s/dfd050578c32大小：NG标签：#quark#学习#资源#课程#PyTorch频道：@yunpanshare群组：@yunpangroup