神经网络与深度学习

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
Self-attention