# DeepLearningWithMe

**Repository Path**: lolilijve/DeepLearningWithMe

## Basic Information

- **Project Name**: DeepLearningWithMe
- **Description**: 复制自GitHub项目DeepLearningWithMe
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2024-10-30
- **Last Updated**: 2025-07-06

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README


<div align=center>
<img width="300" src="https://moonhotel.oss-cn-shanghai.aliyuncs.com/images/230629150346.jpg"/> 
</div>

# 《跟我一起学深度学习》

- 作 者: @空字符（微信：nulls8）
- 公众号: @月来客栈
- 知 乎: @月来客栈 https://www.zhihu.com/people/the_lastest

著名数学家华罗庚曾说：数无形时少直觉，形少数时难入微。本专栏所有算法介绍均会遵循先通过图示结构介绍其背后的思想原理，然后再通过代码来刻画其细节之处，做到真正的“数形”结合，让你真的能看得懂、学得会、写得出，无论你是初学者还是有一定经验的从业者，相信都能够从中获益! 每周二、四早更新，节假日不调休！
# 目录

## 第 1 章 深度学习简介
## 第 2 章 环境配置
## 第 3 章 深度学习基础
- [3.1 线性回归](https://mp.weixin.qq.com/s/DC5KhOElFvzC41QuheHfqQ)
- [3.2 线性回归简洁实现](https://mp.weixin.qq.com/s/DC5KhOElFvzC41QuheHfqQ)
- [3.3 梯度下降与反向传播](https://mp.weixin.qq.com/s/LvBKle1HaYkkDAlPw7xIlA)
- [3.4 从零实现回归模型](https://mp.weixin.qq.com/s/KNq8yqZF_Bdc0cynrF5oEg)
- [3.5 从逻辑回归到Softmax回归](https://mp.weixin.qq.com/s/RgPKdixw8cL35ty6Fp6v_Q)
- [3.6 Softmax回归简洁实现](https://mp.weixin.qq.com/s/kdJqBsddT9DiXQ3CPtzl2g)
- [3.7 从零实现分类模型](https://mp.weixin.qq.com/s/Kc7t1rxUzSiZ3sbATGwBfg)
- [3.8 回归模型评估指标](https://mp.weixin.qq.com/s/a0Z2x0tR-Ov1z7OdKXajmQ)
- [3.9 分类模型评估指标](https://mp.weixin.qq.com/s/ia9hP8q3E1MbtpjSF1oTpw)
- [3.10 过拟合与正则化](https://mp.weixin.qq.com/s/ybtNmPc4Y0BMgtkhAL-XqA)
- [3.11 超参数与交叉验证](https://mp.weixin.qq.com/s/ygvTqiTx4__V41cnwnc2Uw)
- [3.12 激活函数](https://mp.weixin.qq.com/s/-FfUhIwSIW0A2E3www6YXQ)
## 第 4 章 卷积神经网络
- [4.1 卷积的概念](https://mp.weixin.qq.com/s/BWzs6hzS_5Cu38MrEZmo4Q)
- [4.2 卷积的计算过程](https://mp.weixin.qq.com/s/RXIZD9xiNvVsvJqlUYrmhA)
- [4.3 填充和池化](https://mp.weixin.qq.com/s/Li6GtIxCJn6gXktcTrs6OA)
- [4.4 LeNet5模型](https://mp.weixin.qq.com/s/Li6GtIxCJn6gXktcTrs6OA)
- [4.5 AlexNet模型](https://mp.weixin.qq.com/s/5AYMTe_QttplxwFscilolA)
- [4.6 VGG模型](https://mp.weixin.qq.com/s/zTfYYG5uhttq5doMHVfgSQ)
- [4.7 NIN模型](https://mp.weixin.qq.com/s/Js-Sv3N7nWJbr4O5JTz8fA)
- [4.8 GoogLeNet模型](https://mp.weixin.qq.com/s/KCg2GSSIiQltw9B_Zn7r8A)
- [4.9 ResNet模型](https://mp.weixin.qq.com/s/-J5fXRUm8EFrX5mw3AEv1Q)
- [4.10 DenseNet模型](https://mp.weixin.qq.com/s/ei8yFfXL2cpms2SlssiReA)
## 第 5 章 模型训练与复用
- [5.1 参数及日志管理](https://mp.weixin.qq.com/s/JXGyKz7q5OCBTVbQg2zY5g)
- [5.2 模型训练可视化](https://mp.weixin.qq.com/s/LAQGtKLvD3x8QZCfiMZ08A)
- [5.3 模型保存与复用](https://mp.weixin.qq.com/s/mxwg9NN3RBFktiLIs3LGYA)
- [5.4 模型的迁移学习](https://mp.weixin.qq.com/s/k61Ha_dX29qFBSD05yEyKw)
- [5.5 开源模型复用](https://mp.weixin.qq.com/s/VVeViC9UmMHsNunsCHSEiw)
- [5.6 多GPU训练](https://mp.weixin.qq.com/s/kd6RUz14M9SOGP_3rLZ5rg)
- [5.7 数据预处理缓存](https://mp.weixin.qq.com/s/XdlOubKU42UCEBlDyRhUkg)
## 第 6 章 模型优化与泛化
- [6.1 学习率动态调整](https://mp.weixin.qq.com/s/DCi74Ng0w_izVE__dUOtsQ)
- [6.2 梯度裁剪](https://mp.weixin.qq.com/s/540rSqs2m5_GkTxhIuuH0w)
- [6.3 批归一化](https://mp.weixin.qq.com/s/qGpNauGAYWmntkPmK9gkxg)
- [6.4 层归一化](https://mp.weixin.qq.com/s/NAQcKzz8LwiA-qAZkNSj8A)
- [6.5 组归一化](https://mp.weixin.qq.com/s/quVgpNh01QhmUTxGfrpYbA)
- [6.6 动量法](https://mp.weixin.qq.com/s/0ajVIn7XLa_5NN3lNnuUrA)
- [6.7 AdaGrad算法](https://mp.weixin.qq.com/s/bwicwx8Oph8mDoBk-b6aOA)
- [6.8 AdaDelta算法](https://mp.weixin.qq.com/s/PliDv3l-dyryBL2WIWge6Q)
- [6.9 Adam算法](https://mp.weixin.qq.com/s/vABSefkxBoavF5TJ_Ct83g)
## 第 7 章 循环神经网络
- [7.1 RNN模型](https://mp.weixin.qq.com/s/WtA5BKpTSrf4KR6qd9p3lg)
- [7.2 时序数据](https://mp.weixin.qq.com/s/fCIudqaDZIzvSKnMKZzFPA)
- [7.3 LSTM模型](https://mp.weixin.qq.com/s/OSLvVAWcpQBoRRyxEUKNgQ)
- [7.4 GRU模型](https://mp.weixin.qq.com/s/foK4kYnTWWkHmRw0DkSm6w)
## 第 8 章 时序任务与模型融合
- [8.1 TextCNN模型](https://mp.weixin.qq.com/s/q40ra671IoqRMSGzABCrAA)
- [8.2 TextRNN模型](https://mp.weixin.qq.com/s/gAe1GNf3w6eD51n8q97vNg)
- [8.3 CNN-RNN模型](https://mp.weixin.qq.com/s/US3eyWghAm_bBV5098jncQ)
- [8.4 ConvLSTM模型](https://mp.weixin.qq.com/s/njzYllPh_GRPsRdAzDSs4A)
- [8.5 3DCNN模型](https://mp.weixin.qq.com/s/fn4UG9RHSubgP9DJXJUlFg)
- [8.6 STResNet模型](https://mp.weixin.qq.com/s/3JE0SyWq4YPAW1yxooRnVA)
## 第 9 章 自然语言处理
- [9.1 NLP介绍](https://mp.weixin.qq.com/s/S5laSi5fQimh6cumtGq_BQ)
- [9.2 Word2Vec模型](https://mp.weixin.qq.com/s/O1Q4jlvKoyTEhQwkkZXGWQ)
- [9.3 Word2Vec训练与使用](https://mp.weixin.qq.com/s/aCkTdMP402qVEJu3EkQkmQ)
- [9.4 GloVe模型](https://mp.weixin.qq.com/s/2VkGCAOn4pvoBnCxma350g)
- [9.5 词向量的微调使用](https://mp.weixin.qq.com/s/6dcxgPW-ZsBKKdQXtt02Gw)
- [9.6 FastText模型](https://mp.weixin.qq.com/s/rpSolSNoesKe_TglVxQA4A)
- [9.7 序列到序列模型](https://mp.weixin.qq.com/s/5y-OrinUYcfY4e9m_qJ6Zw)
- [9.8 序列模型评估指标](https://mp.weixin.qq.com/s/S3t0Dt6SxblTYrjC55yDzQ)
- [9.9 NMT模型](https://mp.weixin.qq.com/s/0T46pt8Wp6Io-qzphOIlYQ)
- [9.10 注意力机制](https://mp.weixin.qq.com/s/u6CGRHBSVkS7TI3YIgndRg)
- [9.11 含注意力的NMT模型](https://mp.weixin.qq.com/s/o7NtclC4r2CovTICtnlq4w)
- [9.12 含注意力的RNN模型](https://mp.weixin.qq.com/s/RjghWxJoxPsdM4Xhfz-9LA)
## 第 10章 现代神经网络
- [10.1 ELMo模型](https://mp.weixin.qq.com/s/AlofyLyg_sPtHpzao0H2jg)
- [10.2 Transformer模型](https://mp.weixin.qq.com/s/4vrU81JfgVDklRJkndiD4g)
- [10.3 Transformer网络结构](https://mp.weixin.qq.com/s/sb8JyaXh9YdXu5KNtgsOfA)
- [10.4 从零实现Transformer](https://mp.weixin.qq.com/s/LJSMMEReP638Ny0mb3Ov3Q)
- [10.5 Transfromer对联模型](https://mp.weixin.qq.com/s/YKAuwm5RfUEHKZvIbGml0Q)
- [10.6 BERT模型](https://mp.weixin.qq.com/s/S8cCRdzielk2O95K85czYA)
- [10.7 从零实现BERT]
- [10.8 BERT文本分类模型]
- [10.9 BERT问题选择模型]
- [10.10 BERT问题回答模型]
- [10.11 BERT命名体识别模型]
- [10.12 BERT从零训练]
- [10.13 GPT-1模型]
- [10.14 GPT-2与GPT-3模型]
- [10.15 基于GPT-2的中文预训练模型]
- [10.16 InstractGPT与ChatGPT]
- [10.17 ChatGPT使用]
- [10.18 百川大模型使用]
- [10.19 百川大模型实现]
- [10.20 GPT-4与GPTs介绍]

# 插图

<div align=center>
<img width="600" src="imgs/240323220831.jpg"/> 
</div>

<div align=center>
<img width="600" src="imgs/240323220906.jpg"/> 
</div>

<div align=center>
<img width="600" src="imgs/240323220922.jpg"/> 
</div>

<div align=center>
<img width="600" src="imgs/240323220942.jpg"/> 
</div>

<div align=center>
<img width="600" src="imgs/240323220959.jpg"/> 
</div>

<div align=center>
<img width="600" src="imgs/240323221023.jpg"/> 
</div>

<div align=center>
<img width="600" src="imgs/240323221038.jpg"/> 
</div>

<div align=center>
<img width="600" src="imgs/240323221052.jpg"/> 
</div>

<div align=center>
<img width="600" src="imgs/240323221105.jpg"/> 
</div>

<div align=center>
<img width="600" src="imgs/240323221119.jpg"/> 
</div>

<div align=center>
<img width="600" src="imgs/240323221133.jpg"/> 
</div>

<div align=center>
<img width="600" src="imgs/240323221146.jpg"/> 
</div>

<div align=center>
<img width="600" src="imgs/240323221208.jpg"/> 
</div>

<div align=center>
<img width="600" src="imgs/240323221224.jpg"/> 
</div>

<div align=center>
<img width="600" src="imgs/240323221237.jpg"/> 
</div>

<div align=center>
<img width="600" src="imgs/240323221300.jpg"/> 
</div>

<div align=center>
<img width="600" src="imgs/240323221317.jpg"/> 
</div>