https://github.com/jackfrued/deep-learning-is-nothing
深度学习就是大力出奇迹
https://github.com/jackfrued/deep-learning-is-nothing
Last synced: 5 months ago
JSON representation
深度学习就是大力出奇迹
- Host: GitHub
- URL: https://github.com/jackfrued/deep-learning-is-nothing
- Owner: jackfrued
- Created: 2025-01-22T10:15:23.000Z (over 1 year ago)
- Default Branch: main
- Last Pushed: 2025-01-22T14:06:03.000Z (over 1 year ago)
- Last Synced: 2025-06-12T20:37:22.631Z (about 1 year ago)
- Size: 2.93 KB
- Stars: 26
- Watchers: 1
- Forks: 4
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Deep-Learning-Is-Nothing
深度学习没什么了不起，也不过就是大力出奇迹。弄一个 30 天的学习计划，拿捏！！！
### **第1天：深度学习概述与PyTorch基础**
- **目标：** 了解深度学习基础，熟悉PyTorch基础操作。
- **任务：**
- 深度学习概述：什么是深度学习，神经网络的基本原理。
- PyTorch介绍：张量（Tensor）及基本操作。
- 搭建一个简单的神经网络模型。
- **学习资源：**
- 《Deep Learning with Python》第1章
- PyTorch官方文档：[Tensors](https://pytorch.org/tutorials/beginner/basics/tensorqs_tutorial.html)
------
### **第2天：PyTorch中的自动微分与模型搭建**
- **目标：** 掌握PyTorch的自动求导功能，构建第一个神经网络。
- **任务：**
- 学习PyTorch的自动求导（autograd）。
- 搭建一个简单的神经网络，学习模型定义和训练流程。
- **学习资源：**
- PyTorch官方文档：[Automatic Differentiation with `torch.autograd`](https://pytorch.org/tutorials/beginner/basics/autogradqs_tutorial.html)
------
### **第3天：前馈神经网络（Feedforward Neural Networks）**
- **目标：** 深入了解前馈神经网络架构。
- **任务：**
- 理解前馈神经网络的组成：输入层、隐藏层和输出层。
- 实现一个简单的前馈神经网络用于分类任务。
- **学习资源：**
- 《Deep Learning with Python》第2章
------
### **第4天：损失函数与优化算法**
- **目标：** 理解深度学习中的损失函数和优化算法。
- **任务：**
- 了解常用的损失函数（如交叉熵损失、均方误差）。
- 了解优化算法（SGD, Adam）以及如何在PyTorch中使用它们。
- **学习资源：**
- 《Deep Learning with Python》 第3章
------
### **第5天：训练神经网络与调参**
- **目标：** 学习如何训练神经网络并调节超参数。
- **任务：**
- 训练一个神经网络进行分类任务。
- 学习如何调节学习率、批次大小等超参数。
- **学习资源：**
- 《Deep Learning with Python》 第4章
------
### **第6-10天：卷积神经网络（CNN）基础**
- **目标：** 学习卷积神经网络的基本构建块：卷积层、池化层。
- **任务：**
- 理解卷积神经网络的工作原理：卷积操作、池化操作。
- 使用CNN进行图像分类任务。
- **学习资源：**
- 《Deep Learning with Python》 第5章
------
### **第11天：深入卷积神经网络（CNN）**
- **目标：** 理解更深层次的卷积网络架构。
- **任务：**
- 学习VGG、ResNet、Inception等网络架构。
- 了解如何应用这些网络架构。
- **学习资源：**
- 《Deep Learning with Python》第6章
------
### **第12-14天：卷积神经网络应用**
- **目标：** 使用预训练模型进行迁移学习。
- **任务：**
- 使用PyTorch加载预训练模型（如ResNet、VGG）并进行微调。
- 使用微调模型进行图像分类。
- **学习资源：**
- 《Deep Learning with Python》第7章
------
### **第15-16天：循环神经网络（RNN）与自然语言处理（NLP）**
- **目标：** 了解RNN的基本原理及其在NLP中的应用。
- **任务：**
- 学习RNN、LSTM、GRU的工作原理。
- 使用RNN进行情感分析任务。
- **学习资源：**
- 《Deep Learning with Python》 第8章
------
### **第17-18天：自然语言处理任务（NLP）**
- **目标：** 学习文本分类、序列标注等NLP任务。
- **任务：**
- 使用LSTM进行情感分析、文本分类。
- 学习如何处理文本数据，进行词嵌入和模型训练。
- **学习资源：**
- 《Deep Learning with Python》第9章
------
### **第19-21天：Transformer模型与Attention机制**
- **目标：** 学习Transformer模型及其Attention机制。
- **任务：**
- 理解Transformer模型的核心思想。
- 学习Attention机制的作用及应用。
- **学习资源：**
- [Attention Is All You Need](https://arxiv.org/pdf/1706.03762)
- [Hugging Face教程](https://huggingface.co/docs/transformers/index)
------
### **第22-25天：BERT与GPT模型**
- **目标：** 了解BERT和GPT模型，并学会如何使用它们。
- **任务：**
- 理解BERT和GPT的架构及其在NLP中的应用。
- 使用预训练的BERT进行文本分类任务。
- **学习资源：**
- Hugging Face教程
- [GPT模型介绍与实现](https://github.com/openai/gpt-3)
------
### **第26-30天：综合项目与实践**
- **目标：** 完成一个深度学习项目，结合CNN和NLP技术。
- 任务：
- 选择一个项目（如图像分类+文本处理），整合所学的知识。
- 进行模型训练、评估与优化。
- 学习资源：
- [Kaggle竞赛](https://www.kaggle.com/)
- PyTorch官方教程