资料目录：

01课程安排
02深度学习介绍03安装
04数据操作＋数据预处理05线性代数
06矩阵计算
07自动求导
08线性回归＋基础优化算法
09 Softmax回归＋损失函数＋图片分类数据集
09A Windows下安装CUDA和Pytorch跑深度学习
09B使用AWS最便宜的GPU 实例
10多层感知机＋代码实现
10行代码战胜90%数据科学家?
11模型选择＋过拟合和欠拟合
12权重衰退
13丢弃法
14数值稳定性＋模型初始化和激活函数
15 实战: Kaggle房价预测＋课程竞赛:加州2020年房价预测
16 PyTorch神经网络基础
17使用和购买GPU
18预测房价竞赛总结
19卷积层
20卷积层里的填充和步幅
21卷积层里的多输入多输出通道
22池化层
23经典卷积神经网络LeNet
24深度卷积神经网络AlexNet
25使用块的网络VGG
26网络中的网络NiN
27含并行连结的网络GoogLeNet Inception v3
28批量归一化
29残差网络ResNet
29.2 ResNet为什么能训练出1000层的模型
30第二部分完结竞赛:图片分类
31深度学习硬件:CPU 和GPU
32深度学习硬件:TPU和其他
33单机多卡并行
34多GPU训练实现
35分布式训练
36数据增广
37微调
38第二次竞赛树叶分类结果
39实战 Kaggle 比赛:图像分类(CIFAR-10)
40实战 Kaggle 比赛:狗的品种识别(lmageNet Dogs)
41物体检测和数据集
42锚框
43树叶分类竞赛技术总结
44物体检测算法:R-CNN,SSD, YOLo
45 SSD实现
46语义分割和数据集
47转置卷积
47.2转置卷积是—种卷积
48全连接卷积神经网络FCN
49样式迁移
50课程竞赛:牛仔行头检测
51序列模型
52文本预处理
53语言模型
54循环神经网络RNN
55循环神经网络RNN的实现
56 门控循环单元(GRU)
57长短期记忆网络(LSTM)58深层循环神经网络
59双向循环神经网络
60机器翻译数据集
61编码器-解码器架构
62序列到序列学习(seq2seq)
63束搜索
64注意力机制
65注意力分数
66 使用注意力机制的seq2seq
67自注意力
69 BERT预训练
70 BERT微调
71目标检测竞赛总结
72优化算法
73课程总结和进阶学习【完结】