┣━wm012-深度学习之PyTorch实战_在线课程学习_万门-大学
┣━7.3自定义层.mp4
┣━9.6残差网络（ResNet）新 .mp4
┣━10.4实战：循环神经网络的从零实现.mp4
┣━2.3PyTorch自动求梯度.mp4
┣━6.3正反向传播、计算图与数值稳定性、模型初始化 .mp4
┣━9.3网络中的网络（NiN）新 .mp4
┣━12.1优化与深度学习 .mp4
┣━1.1历史背景 .mp4
┣━6.2权重衰减与丢弃法.mp4
┣━10.5实战：循环神经网络的简洁实现 .mp4
┣━8.2多通道与池化层 .mp4
┣━5.2实战：多层感知机的从零实现 .mp4
┣━9.7稠密连接网络（DenseNet）新 .mp4
┣━5.1多层感知机概述.mp4
┣━7.1模型构造.mp4
┣━8.4实战：卷积神经网络（一）.mp4
┣━11.2门控循环单元（GRU）.mp4
┣━2.2PyTorch基本数据操作 .mp4
┣━8.1卷积、填充与步幅 .mp4
┣━12.2梯度下降和随机梯度下降.mp4
┣━9.2使用块的网络 (VGG)新 .mp4
┣━4.4实战：softmax的简洁实现.mp4
┣━7.4读取与存储 .mp4
┣━9.1深度卷积神经网络 (AlexNet)新.mp4
┣━1.2适用场景和学习方法.mp4
┣━9.5批量归一化新.mp4
┣━课程资料
┣━第7讲：PyTorch构建模型 .zip
┣━第8讲：卷积神经网络（一） .zip
┣━第1讲：深度学习简介 .pdf
┣━第13讲：优化算法（二） .zip
┣━第12讲：优化算法（一） .zip
┣━第4讲：深度学习基础：softmax回归 .zip
┣━第10讲：循环神经网络（一） .zip
┣━第5讲：深度学习基础：多层感知机 .zip
┣━第6讲：神经网络模型与运算 .zip
┣━第3讲：深度学习基础：线性回归 .zip
┣━第2讲：PyTorch预备知识 .zip
┣━第9讲：卷积神经网络（二） .zip
┣━补充代码文件：dl4wm .zip
┣━第11讲：循环神经网络（二） .zip
┣━6.1模型选择、欠拟合和过拟合 .mp4
┣━8.5实战：卷积神经网络（二）.mp4
┣━13.1动量法 .mp4
┣━8.3卷积神经网络 .mp4
┣━13.3实战：RMProp算法.mp4
┣━5.3实战：多层感知机的简洁实现.mp4
┣━12.4实战：小批量随机梯度下降.mp4
┣━3.2实战：线性回归代码.mp4
┣━7.5GPU计算.mp4
┣━12.3实战：梯度下降和随机梯度下降 .mp4
┣━6.4实战：Kaggle比赛：房价预测.mp4
┣━11.4实战：深层循环神经网络.mp4
┣━2.1获取代码和安装运行环境.mp4
┣━4.1softmax回归概述 .mp4
┣━13.4实战：AdaDelta算法 .mp4
┣━2.4如何查阅文档和寻求帮助 .mp4
┣━13.5实战：Adam算法.mp4
┣━3.3实战：线性回归的简洁实现.mp4
┣━9.4含并行连结的网络（GoogLeNet）新 .mp4
┣━13.2实战：AdaGrad算法 .mp4
┣━11.1通过时间反向传播.mp4
┣━3.1线性回归 .mp4
┣━10.3实战：语言模型数据集 .mp4
┣━10.2循环神经网络 .mp4
┣━4.2实战：图像分类数据集（Fashion-MNIST）.mp4
┣━10.1语言模型.mp4
┣━7.2模型参数的访问、初始化和共享.mp4
┣━11.3长短期记忆网络（LSTM） .mp4
┣━4.3实战：softmax回归从零实现.mp4