李宏毅深度学习教程三步跑通15 个实验练手【免费下载链接】leedl-tutorial《李宏毅深度学习教程》李宏毅老师推荐苹果书PDF下载地址https://github.com/datawhalechina/leedl-tutorial/releases项目地址: https://gitcode.com/GitHub_Trending/le/leedl-tutorial看李宏毅《机器学习》公开课的视频是不是常有这种感觉视频讲得痛快但公式推导一笔带过看完之后想自己写代码又无从下手leedl-tutorial苹果书就是补这个缺的它把 2021 春公开课的精华整理成中文深度学习教程对重要公式给出逐步推导再配上 15 个可运行的 Jupyter 作业覆盖回归、CNN、Transformer、GAN、强化学习。这本深度学习教程补上了什么教程把 2021 春课程浓缩成中文图文补齐了关键公式的推导过程并给 15 个主题配了可运行 notebook让你从“看会了”走到“能写出来”。图中可以看到高维图像被压缩再重建深度学习教程里最该先吃透哪几个概念别被章节数唬住全书其实只绕着一个问题转模型怎么调参数让损失变小。下面三个吃透其余都是延伸。卷积让模型学会看局部可以把它想象成在纸上盖印章印章滤波器挨个乘过每个小窗口就盖出了一张特征图。图中可以看到两个滤波器作用于同一输入准确地说卷积层把可学习的卷积核在输入上滑动做加权求和同一个核共享给整张图参数量远小于全连接层天然捕捉边缘、纹理这类局部模式。梯度下降决定模型怎么改参数可以把它想象成摸着山坡下山每一步都探一下脚底的坡度再决定迈多大步。图中可以看到损失曲面上的参数轨迹θ ← θ − (η/σ)·g σ² mean(g²)准确地说参数沿梯度反方向更新RMSprop、Adam 这类方法会用梯度历史重新缩放学习率避免陡处步子迈太大、平处又走得太慢。你在 HW1 里把学习率改一改就能直观感受到这一点。反向传播一次性算出所有梯度可以把它想象成从出结果那一端往回倒着追责最终错误是谁造成的一层层算清楚。∂L/∂W ∂L/∂a · ∂a/∂z · ∂z/∂W准确地说反向传播用链式法则把输出损失逐层拆解到每个参数得到各自梯度为更新指明方向。教程里这段推导是一步步展开的照着看一遍就不用死记了。 跑通第一个深度学习训练的最短路径克隆仓库并进入目录git clone https://gitcode.com/GitHub_Trending/le/leedl-tutorial打开作业清单 Homework/readme.md每个作业都配了对应的 PDF 讲义先从 HW1 回归开始。跑一遍 HW1_Regression.ipynb把学习率从 0.1 改成 0.01对比损失下降的速度变化。图中可以看到训练与验证损失曲线两条曲线一起往下走的那一刻你才算真正体会到“模型在学”。⚠️ 容易踩的坑与下一步方向别跳过推导部分PDF 里公式比视频完整notebook 依赖 GPU没有就换 Colab 或调低学习率基础打完可进阶 Homework/HW6_GAN/ 做生成对抗网络别只读先把 HW1 跑一遍亲眼看损失曲线降下来。教程说明与章节列表15 个作业清单勘误修订表【免费下载链接】leedl-tutorial《李宏毅深度学习教程》李宏毅老师推荐苹果书PDF下载地址https://github.com/datawhalechina/leedl-tutorial/releases项目地址: https://gitcode.com/GitHub_Trending/le/leedl-tutorial创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考