# Deep-Learning-Is-Nothing **Repository Path**: xiongsjtu/Deep-Learning-Is-Nothing ## Basic Information - **Project Name**: Deep-Learning-Is-Nothing - **Description**: No description available - **Primary Language**: Unknown - **License**: Not specified - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2025-05-12 - **Last Updated**: 2025-05-12 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## 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