示范教学包
下一节
http://cv-p.chaoxing.com/teaching/exportTeachUseDetailPage?encCourseId=53a21b5628772ed4a9bb4e0b6d9c9e21
王贞艳
目录
-
1 生物神经系统与人工神经网络
-
1.1 示范教学包
-
1.2 生物神经系统
-
1.3 人工神经网络1
-
1.4 人工神经网络2
-
1.5 实验：Pytorch安装
-
-
2 人工神经元MP模型与Hebb学习率
-
2.1 人工神经元MP模型
-
2.2 Hebb学习率
-
-
3 感知器网络
-
3.1 感知器网络
-
3.2 单神经元感知器
-
3.3 单神经元感知器2
-
3.4 实验：Pytorch张量简介与创建
-
-
4 BP神经网络
-
4.1 BP神经网络
-
4.2 BP学习算法1
-
4.3 BP学习算法2
-
4.4 BP网络应用举例与激活函数
-
4.5 实验：Pytorch张量操作
-
4.6 实验：Pytorch实现线性回归神经网络
-
-
5 RBF神经网络
-
5.1 RBF神经网络1
-
5.2 RBF神经网络2
-
5.3 实验： Pytorch 计算图、动态图、autograd
-
5.4 实验：Pytorch实现逻辑回归神经网络
-
5.5 exam
-
-
6 Hopefield神经网络
-
6.1 Hopefield神经网络
-
6.2 Hopefield神经网络2
-
-
7 卷积神经网络
-
7.1 卷积基本概念
-
7.2 卷积神经网络
-
7.3 经典的卷积神经网络模型
-
7.4 实验 Pytorch 数据读取与数据增强(transforms)
-
-
8 生成式对抗网络
-
8.1 Gan基本概念
-
8.2 Gan网络损失函数与CycleGan
-
-
9 Transformer
-
9.1 Self-attention
-
9.2 Transformer网络结构
-
9.3 实验 模型创建步骤与nn.Module
-
-
10 期末答辩优秀作品
-
10.1 基于神经网络实现图片分类和文本预测
-
10.2 BP神经网络模型及其代码实现
-
10.3 基于卷积神经网络(CNN)实现对花朵的识别预测
-
10.4 基于CNN的猫狗分类
-
10.5 基于卷积神经网络模型的水果识别
-
10.6 基于PyTorch和卷积神经网络实现动物分类预测
-
10.7 基于循环网络seq2seq模型实现的聊天机器人
-
10.8 基于BP神经网络实现回归与分类
-
10.9 神经网络实现数据集的分类与回归任务
-
