01｜课程安排

02｜深度学习介绍

03｜安装

04｜数据操作

05｜数据操作实现

06｜数据预处理

07｜线性代数

08｜线性代数实现

09｜按特定轴求和

10｜矩阵计算

11｜自动求导

12｜自动求导实现

13｜线性回归

14｜基础优化方法

15｜线性回归的从零开始实现

16｜线性回归的简洁实现

17｜损失函数

18｜图像分类数据集

19｜softmax回归

20｜softmax回归的简洁实现

21｜softmax回归的从零开始实现

22｜感知机

23｜多层感知机

24｜多层感知机的从零开始实现

25｜过拟合和欠拟合

26｜权重衰退

27｜权重衰减

28｜Dropout

29｜丢弃法

30｜数值稳定性

31｜模型初始化和激活函数

32｜实战 Kaggle 比赛：预测房价

33｜模型构造

34｜参数管理

35｜自定义层

36｜读写文件

37｜buy_gpu

38｜GPU

39｜卷积

40｜卷积层

41｜图像卷积

42｜填充和步幅（上）

43｜填充和步幅（下）

44｜多输入多输出通道（上）

45｜多输入多输出通道（下）

46｜池化层（上）

47｜池化层（下）

48｜lenet

49｜卷积神经网络(LeNet)

50｜AlexNet

51｜深度卷积神经网络（AlexNet）

52｜使用块的网络（VGG）(上)

53｜使用块的网络（Vgg)（下）

54.网络中的网络（Nin)（上）

55｜网络中的网络（NiN）(下)

56 | 含并行连结的网络（GoogleNet）(上)

57 | 含并行连结的网络（GoogleNet）(下)

58 | 批量归一化（bn）

59 | 批量归一化（bn_code）

60 | 残差网络（ResNet）<上>

61 | 残差网络（ResNet）<下>

62 | 深度学习硬件：CPU和GPU

63 | 更多的专有硬件

64 | 多GPU训练

65 | 多GPU训练的实现

66 | 分布式训练

67 | 图像增广（上）

68 | 图像增广（下）

69 | 微调（上）

70 | 微调（下）

71 | 实战 Kaggle 比赛：图像分类（CIFAR-10）

72 | 实战 Kaggle 比赛：狗的品种识别（ImageNet Dogs）

73 | 物体检测

74 | 边缘框实现

75 | 物体检测数据集

76 | 锚框

77 | 区域卷积神经网络（R-CNNs）

78 | 单发多框检测（SSD）

79 | 你只看一次（YOLO）

80 | 多尺度物体检测实现

81 | SSD实现

82 | 语义分割

83 | 语义分割数据集

84 | 转置卷积

85 | 转置卷积（code）

86 | 转置卷积是一种卷积

87 | 全连接卷积神经网络（FCN）

88 | 全连接卷积神经网络（code）

89 | 样式迁移

90 | 样式迁移（code）

91 | 序列模型

92 | 序列模型（code）

93 |文本预处理

94 | 语言模型和数据集

95 | 语言模型和数据集（code）

96 | 循环神经网络

97 | 循环神经网络的从零开始实现

98 | 循环神经网络的简洁实现

100 | 门控循环单元（code）

101 | 长短期记忆网络（LSTM）

102 | 长短期记忆网络（code）

103 | 深层循环神经网络

104 | 深层循环神经网络（code）

105 | 双向循环神经网络

106 | 双向循环神经网络（code）

107 | 机器翻译与数据集

108 | 编码器-解码器结构

109 | 编码器-解码器结构（Code）

111 | 序列到序列学习（code）

112 | 束搜索

113 | 注意力机制

114 | 注意力机制（code）

115 | 注意力分数

116 | 注意力分数（code）

117 | 使用注意力机制的seq2seq

118 | 使用注意力机制的seq2seq（code）

119 | 自注意力和位置编码

120 | 自注意力和位置编码（code）

121 | Transformer

122 | 多头注意力代码

123 | Transformer（code）

124 | BERT

125 | BERT预训练数据集（code）

126 | 预训练BERT

127 | 预训练BERT（code）

128 | 微调BERT

129 | 自然语言推理和数据集

130 | 自然语言推理：微调BERT

131 | 目标检测总结

132 | 优化算法

133 | 课程总结和进阶学习