游客
登录
我的空间
使用说明下载
首页
神经网络与深度学习
6-6 RNN的应用
6-6 RNN的应用
引用
分享
手机看
扫码继续查看
wuqiang
2021-9-13 上传
播放量 1860
目录
1
1-1 深度学习介绍
2
1-3 典型的网络结构
3
1-2 深度学习的核心思想
4
1-4 应用概览
5
2-1 数据科学简介
6
2-4 过拟合
7
2-5 模型选择
8
2-3 无监督学习
9
2-2 有监督学习
10
3-1 神经网络与MLP
11
3-3 反向传播算法
12
3-4 计算图与自动求导
13
3-2 神经元模型
14
4-1 梯度
15
4-2 动量法
16
4-3 自适应学习率算法
17
4-4 参数范数惩罚
18
4-5 dropout
19
4-6 参数初始化和参数调优
20
5-1 CNN概述与基本原理
21
5-2 典型CNN网络
22
5-3 可视化卷积
23
5-4 CNN在实际中的应用
24
6-1 序列数据
25
6-2 展开计算图
26
6-3 RNN的设计模式
27
6-4 RNN的反向传播
28
6-5 各种RNN结构
29
6-6 RNN的应用
30
6-7 LSTM和GRU
31
6-8 注意力机制
32
7-1 生成模型
33
7-2 基于能量的模型和玻尔兹曼机
34
7-3 受限玻尔兹曼机和深度玻尔兹曼机
35
7-4 自编码器和变分自编码器
36
7-5 生成对抗网络
37
7-6 DCGAN和WGAN
38
7-7 CycleGAN
39
8-1 强化学习概述
40
8-5 Bellman方程
41
8-7 DNQ
42
8-4 MDP
43
8-9 model-based
44
8-6 Q-learning
45
8-8 策略梯度和AC框架
46
8-2 强化学习的基本元素
47
8-3 值函数
48
9-1 深度学习的硬件
49
9-2 深度学习的框架
50
9-3 Tensor操作和自动求导
51
9-4 神经网络训练实例
52
9-5 动态计算图和静态计算图
53
9-6 数据集加载与转换
54
9-7 预训练模型和总结
55
1-1 深度学习介绍
56
1-2 深度学习的核心思想
57
1-3 典型的网络结构
58
1-4 应用概览
59
2-1 数据科学简介
60
2-2 有监督学习
61
2-3 无监督学习
62
2-4 过拟合
63
2-5 模型选择
64
3-1 神经网络与MLP
65
3-3 反向传播算法
66
3-2 神经元模型
67
4-1 梯度
68
3-4 计算图与自动求导
69
4-2 动量法
70
4-3 自适应学习率算法
71
4-4 参数范数惩罚
72
4-5 dropout
73
4-6 参数初始化和参数调优
74
5-1 CNN概述与基本原理
75
5-2 典型CNN网络
76
5-3 可视化卷积
77
5-4 CNN在实际中的应用
78
6-1 序列数据
79
6-2 展开计算图
80
6-3 RNN的设计模式
81
6-4 RNN的反向传播
82
6-5 各种RNN结构
83
6-6 RNN的应用
84
6-7 LSTM和GRU
85
6-8 注意力机制
86
7-1 生成模型
87
7-2 基于能量的模型和玻尔兹曼机
88
7-3 受限玻尔兹曼机和深度玻尔兹曼机
89
7-4 自编码器和变分自编码器
90
7-5 生成对抗网络
91
7-6 DCGAN和WGAN
92
7-7 CycleGAN
93
8-1 强化学习概述
94
8-2 强化学习的基本元素
95
8-3 值函数
96
8-4 MDP
97
8-5 Bellman方程
98
8-6 Q-learning
99
8-7 DNQ
100
8-8 策略梯度和AC框架
101
8-9 model-based
102
9-1 深度学习的硬件
103
9-2 深度学习的框架
104
9-3 Tensor操作和自动求导
105
9-4 神经网络训练实例
106
9-5 动态计算图和静态计算图
107
9-6 数据集加载与转换
108
9-7 预训练模型和总结
109
讲义1-1 深度学习介绍
110
讲义1-2 深度学习的核心思想
111
讲义1-3 典型的网络结构
112
讲义1-4 深度学习应用概览
113
讲义2-1 数据科学简介
114
讲义2-2 有监督学习
115
讲义2-3 无监督学习
116
讲义2-4 过拟合
117
讲义2-5 模型选择
118
讲义2-1 数据科学简介
119
讲义3-1 神经网络与MLP
120
讲义3-2 神经元模型
121
讲义3-3 反向传播算法
122
讲义3-4 计算图与自动求导
123
讲义4-2 动量法
124
讲义4-3 自适应学习率算法
125
讲义4-4 参数范数惩罚
126
讲义4-1 梯度
127
讲义4-5 Dropout
128
讲义4-5 Dropout
129
讲义5-1 CNN概述与基本原理
130
讲义5-2 典型CNN网络
131
讲义5-3 可视化卷积网络
132
讲义6-1 循环序列模型
133
讲义6-2 自然语言处理与词嵌入
134
讲义6-3 序列模型和注意力机制
135
讲义7-1 生成模型
136
讲义7-2 基于能量的模型和玻尔兹曼机
137
讲义7-3 受限玻尔兹曼机
138
讲义7-4 自编码器和变分自编码器
139
讲义7-5 生成对抗网络
140
讲义7-6 DCGAN和WGAN
141
讲义7-7 CycleGAN原理以及代码全解析
142
讲义8-1 强化学习概述
143
讲义8-2 强化学习求解方法
144
讲义8-3 强化学习算法分类
145
讲义8-4 强化学习的代表性算法
146
讲义8-5 强化学习应用
147
讲义9-1 深度学习的软硬件
148
讲义9-2 深度学习的框架
149
讲义9-3 Tensor操作和自动求导
150
讲义9-4 动态计算图和静态计算图
151
讲义9-5 编写自定义数据集，数据加载器和转换
详细信息
所属分类：
江开本科 - 人工智能（本科）
人群：
青少年
知识体系：
信息技术
-
工学
主讲老师：
朱占星
版权归属：
江苏开放大学版权
关键词
神经网络 深度学习 人工智能
