Appearance
Skip to content
docs目录
- 040-YOLO前端部署
- 039-AI全能助手OpenClaw
- 038-AI编码助手ClaudeCode
- 037-D2语法
- 036-Linux查看ip美化
- 035-IndexedDB本地存储
- 034-SSE服务器推送协议
- 033-mqtt物联网协议
- 032-motion-v动画
- 031-vue3.6无虚拟DOM
- 030-oxlint代码检查工具
- 029-Nginx部署https
- 028-Ctrl+V粘贴图片上传
- 027-开发浏览器插件
- 026-vue3-响应系统
- 025-自动化测试
- 024-vue-状态管理
- 023-vue-总线
- 022-vue3-组件传参
- 021-云开发
- 020-前端跨端框架
- 019-js结构梳理
- 018-自定义事件
- 017-微前端-qiankun
- 016-微前端-无界
- 015-微前端
- 014-electronjs桌面应用
- 013-Threejs
- 012-gis框架-leaflet
- 011-gis框架-openlayers
- 010-gis框架-CesiumJS
- 009-React重拾-hooks
- 008-React重拾-基础
- 007-前端docker部署
- 006-vue3生命周期
- 005-WebVR全景框架
- 004-gird二维网格布局系统
- 003-css所有居中方法
- 002-微任务queueMicrotask和MutationObserver
- 001-事件循环
原hexo项目迁移
- 微信公众号开发本地调试
- 异步编程-Generator
- 异步编程-Promise
- 异步编程-async
- 富文本-wangEditor
- 图床
- 原型&原型链&class
- 书签
- vue-cli项目一键部署
- vsCode插件
- ssh秘钥
- require 和 import
- nuxt一键部署
- nuxt项目部署
- node-sass版本
- linux升级node
- linux环境变量
- linux端口占用
- linux终端连接linux服务器
- git常用命令
- echarts地图
- TypeScript1
- TypeScript2
- Symbol类型
- Set和Map
- Nginx配置
- MAC抓包工具-Charles
- Class
- CentOS 8上安装 Nginx
- CentOS 8上安装 node
- 2020年MAC brew安装mysql
- 2020年MAC安装brew
- 2020年item2美化
悟道
证券
Python
深度学习
- 00-目录
- 01-介绍
- 02-安装
- 03-数据操作
- 04-数据预处理
- 05-0-线性代数
- 05-1-微积分
- 06-矩阵计算
- 07-自动求导
- 08-0-线性回归
- 08-1-基础概念
- 08-2A-线性回归从0实现
- 08-2B-线性回归简单实现
- 09-0-Softmax回归
- 09-1-Softmax分类过程
- 09-2-图像分类数据集
- 09-3-softmax回归简单实现
- 10-0-多层感知机MLP
- 10-1-多层感知机简单实现
- 10-2-激活函数
- 11-0-模型选择
- 11-1-权重衰减-L2正则化
- 11-2-暂退法Dropout
- 11-3-前向传播&反向传播
- 11-4-梯度消失和梯度爆炸
- 11-5-模型初始化-参数初始化
- 11-6-数据集环境和分布偏移
- 12-0-高级模型基础
- 12-1-层和块
- 12-2-参数管理
- 12-3-延后初始化
- 12-4-自定义层
- 12-5-读写文件
- 12-6-GPU
- 13-0-卷积神经网络CNN
- 13-1-批归一化BatchNorm
- 13-2-卷积神经网络范式
- 13-2A-卷积神经网络-LeNet
- 13-2B-深度卷积神经网络-AlexNet
- 13-2C-使用块的网络-VGG
- 13-2D-网络中的网络-NiN
- 13-2E-含并行连结的网络-GoogLeNet
- 13-2F-残差网络-ResNet
- 13-2G-稠密连接网络-DenseNet
- 14-0-循环神经网络RNN
- 15-0-注意力机制
- 15-1A-Transformer介绍
- 15-1B-Transformer模型
- 15-2-层归一化LayerNorm
- 15-3-前馈神经网络FNN
- 15-4-掩码自注意力MSA
- 16-0-优化算法
- 16-1-优化目标
- 16-2-优化的挑战
- 16-3-凸性
- 16-4-梯度下降GD
- 16-4A-随机梯度下降SGD
- 16-4B-小批量随机梯度下降
- 16-5-动量法
- 16-6-AdaGrad算法
- 16-6A-RMSProp算法
- 16-6B-Adadelta
- 16-7-Adam
- 16-8-学习率调度器
- 17-0-计算性能
- 17-1-混合编程
- 17-2-异步计算
- 17-3-自动并行
- 17-4-硬件
- 17-5-多CPU计算
- 17-6-参数服务器
- 18-0-计算机视觉
- 18-1-图像增广
- 18-2-微调
- 18-3A-目标检测和边界框
- 18-3B-锚框
- 18-3C-多尺度目标检测
- 18-3D-目标检测数据集
- 18-3E-单发多框检测SSD
- 18-3F-区域卷积神经网络R-CNN
- 18-4A-语义分割和数据集
- 18-4B-转置卷积
- 18-4C-全卷积网络FNC
- 18-5-风格迁移
- 18-6A-实战-图像分类
- 18-6B-实战-狗的品种识别
- 19-0-自然语言处理:预训练
- 19-1A-词嵌入word2vec
- 19-1B-近似训练
- 19-1C-词嵌入的数据集
- 19-1D-预训练word2vec
- 19-2-全局向量的词嵌入GloVe
- 19-3-子词嵌入
- 19-4-词的相似性和类比任务
- 19-5A-双向编码器BERT
- 19-5B-BERT的数据集
- 19-5C-预训练BERT
- 20-0-自然语言处理:应用
- 20-1A-情感分析-数据集
- 20-1B-情感分析-循环神经网络
- 20-1C-情感分析-卷积神经网络
- 20-2A-自然语言推断-数据集
- 20-2B-自然语言推断-使用注意力
- 20-2C-针对序列级和词元级应用微调BERT
- 20-2D-自然语言推断-微调BERT
AI笔记
PyTorch