首页教程
【AI知识学习】计算机科学
241

【AI知识学习】计算机科学

AI知识学习小助手
AI知识学习小助手
2023-07-19 13:21

计算机科学,这是想要研究学习任何高端内容的敲门砖,没有它,在任何高精尖专业领域上都是寸步难行的。 想那么要学习计算机科学难吗?计算机科学需要由浅入深的学习,其中比较重要的几块内容为研究计算机系统结构、程序系统、人工智能以及计算本身的性质和问题,难度当然是有的。

说到人工智能,这是一个非常典型的高端交叉领域,需要一定的计算机科学基础,不过深入学习研究计算机基础肯定需要花费大量的时间和耐心,而且还需要更多的实际操作学习机会。

当然,不用担心,我们为这次的计算机科学会带大家了解其中关于AI比较重要的几个部分,相信通过计算机科学的学习,大家肯定能对其有所了解,有所掌握!

在本节课你能学到Structured Learning(结构学习)的线性模型,结构化SVM和序列标记等内容。结构学习是指输入和出处都是具有结构化的对象(数列、列表、树、边界框等)。

作者李宏毅(Hung-yi Lee )

台湾计算机科学家,国立台湾大学电机工程学系副教授,研究领域包括语意理解、语音辨识、机器学习、深度学习等。擅长用浅显易懂的语言,以学生喜爱的精灵宝可梦、凉宫春日等动漫来讲解复杂的机器学习技术,因此被亲切地称为“精灵宝可梦大师”。截至目前,他的YouTube订阅者已达到16.6万。

【计算机科学】结构化学习 1.简介 【计算机科学】结构化学习2.线性模型 【计算机科学】结构化学习 3.结构化SVM 【计算机科学】结构化学习4:序列标记

强化学习是机器学习中的一个分支,相较于机器学习经典的有监督学习、无监督学习问题,强化学习最大的特点是在交互中学习。在本节课你能学到近似梯度、近似策略优化、Q学习、稀疏奖励等内容。

作者李宏毅(Hung-yi Lee )

【计算机科学】DRL讲座 1.政策梯度(回顾) 【计算机科学】DRL讲座2.近似策略优化(PPO) 【计算机科学】DRL讲座3: Q-learning(基本理念)

【计算机科学】DRL讲座4:Q学习(高级技巧)

【计算机科学】DRL讲座5:Q-学习(持续行动)

【计算机科学】DRL讲座6:演员兼评论家

【计算机科学】DRL讲座7:稀疏回报

【计算机科学】DRL讲座8:模仿学习

机器学习研究和构建的是一种特殊算法,而非某一个特定的算法,能够让计算机自己在数据中学习从而进行预测。所以,机器学习不是某种具体的算法,而是很多算法的统称。在本节课中你能学到梯度下降、逻辑回归,反向传播等内容。

作者李宏毅(Hung-yi Lee )

【计算机科学】ML讲座0-1:机器学习简介

【计算机科学】ML讲座0-2:为什么我们需要学习机器学习?

【计算机科学】ML讲座1:回归 - 案例研究

【计算机科学】ML讲座1:回归-演示

【计算机科学】ML讲座2:误差从何而来?

【计算机科学】ML讲座3-1:梯度下降

【计算机科学】毫升讲座3-2:梯度下降(由AOE演示)

【计算机科学】毫升讲座3-3:梯度下降(由《我的世界》演示)

【计算机科学】ML讲座4:分类

【计算机科学】ML讲座5:逻辑回归

【计算机科学】ML讲座6:深度学习简介

【计算机科学】ML第7讲:反向传播

【计算机科学】ML讲座8-1:深度学习的“Hello world”

【计算机科学】ML讲座8-2:Keras 2.0

【计算机科学】ML讲座8-3: Keras Demo

【计算机科学】ML讲座9-1:训练DNN的技巧

【计算机科学】ML讲座9-2:Keras Demo 2

【计算机科学】ML讲座9-3:tensor flow中的嘶嘶声(续)

【计算机科学】ML讲座10:卷积神经网络

【计算机科学】ML讲座11:为什么要做深度学习?

【计算机科学】ML讲座12:半监督学习

计算机科学】ML讲座13:无监督学习 - 线性方法

【计算机科学】ML讲座14:无监督学习 - 词嵌入

【计算机科学】ML讲座15:无监督学习 - 邻域嵌入法

【计算机科学】ML讲座16:无监督学习 - 自编码器

【计算机科学】ML讲座17:无监督学习 - 深度生成模型(第一部分)

【计算机科学】ML讲座18:无监督学习 - 深度生成模型(第二部分)

【计算机科学】ML讲座19:迁移学习

【计算机科学】ML讲座20:支持向量机(SVM)

【计算机科学】ML讲座21-1:循环神经网络(第一部分)

【计算机科学】ML讲座21-2:循环神经网络(第二部分)

【计算机科学】ML讲座22:集成学习

【计算机科学】ML讲座23-1:深度强化学习

【计算机科学】ML讲座23-2:策略梯度(补充说明)

【计算机科学】ML讲座23-3:强化学习(包括Q学习)

深度学习是机器学习领域的一个新的研究方向,深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。在本节算法课你能学到深度学习模型的基本结构深度线性网络及计算图和反向传播等内容。

作者李宏毅(Hung-yi Lee )

【计算机科学】回顾:深度学习模型的基本结构(第一部分)

【计算机科学】回顾:深度学习模型的基本结构(第二部分)

【计算机科学】计算图和反向传播

【计算机科学】深度学习语言模型

【计算机科学】空间变换层

【计算机科学】高速神经网络和Grid LSTM

【计算机科学】递归网络

【计算机科学】RNN 和 Attention的条件表达式

【计算机科学】指针网络

【计算机科学】批标准化

【计算机科学】激活函数(SELU)

【计算机科学】调整超参数

【计算机科学】深度学习算法的有趣之处

【计算机科学】生成对抗网络

【计算机科学】进阶生成对抗网络

【计算机科学】RL 和 GAN 在句子生成和聊天机器人中的应用

【计算机科学】机械学习美少女化

【计算机科学】模仿学习

【计算机科学】生成模型的评价

【计算机科学】整体生成对抗网络

【计算机科学】基于能量的生成对抗网络

【计算机科学】视讯产生的生成对抗网络

【计算机科学】A3C

【计算机科学】门控 RNN 与序列生成

作者:李宏毅(Hung-yi Lee )

【计算机科学】深度学习理论1-1:浅层网络可以拟合任意函数吗?

【计算机科学】深度学习理论1-2:深度的潜力

【计算机科学】深度学习理论1-3:深比浅好吗?

【计算机科学】深度学习理论2-1:当斜率为0时

【计算机科学】深度学习理论2-2:深度线性网络

【计算机科学】深度学习理论2-3:深度线性网络有局部极小值吗?

【计算机科学】深度学习理论2-4:损失面的几何(猜想)

【计算机科学】深度学习理论2-5:损失曲面的几何形状(经验公式)

【计算机科学】深度学习理论3-1:深度学习的泛化能力

【计算机科学】深度学习理论3-2:概括指标

GAN作为现在最火的深度学习模型之一,在各个领域都有应用。其中包含有两个模型,一个是生成模型,一个是判别模型。生成模型的任务是生成看起来自然真实的、和原始数据相似的实例。判别模型的任务是判断给定的实例看起来是自然真实的还是人为伪造的。在本节课你能够学到各类条件生成及GAN的各类变种等等。

作者:李宏毅(Hung-yi Lee )

【计算机科学】GAN 讲座 1 (2017):生成对抗网络 (GAN) 简介

【计算机科学】GAN 讲座 2 (2017):GAN循环

【计算机科学】GAN 讲座 3 (2017):利用 GAN 改进序列生成

【计算机科学】GAN 讲座 4 (2017):从A到Z

作者:李宏毅(Hung-yi Lee )

【计算机科学】GAN 讲座 1 (2018):简介

【计算机科学】GAN 讲座 2 (2018):条件生成

【计算机科学】GAN 讲座 3 (2018):无条件生成

【计算机科学】GAN 讲座 4 (2018):基本理论

【计算机科学】GAN 讲座 5 (2018):总体框架

【计算机科学】GAN 讲座6(2018):WGAN、EBGAN

【计算机科学】GAN 讲座7(2018):信息GAN、VAE-GAN、BiGAN

【计算机科学】GAN 讲座8(2018):照片编辑

【计算机科学】GAN 讲座9(2018):序列生成

【计算机科学】GAN 讲座10(2018):评估与总结

神经网络,也被称为人工神经网络,是机器学习领域中学习算法的子集,大体上借鉴了生物神经网络的概念。在本节课中,你将跟着作者一步一步构建出自己的神经网络。

作者:布兰登·罗勒(Brandon Rohrer) 资深计算机科学家, Data Science and Robots英文站撰写者。他的文章涵盖了计算机科学的方方面面,非常适合新手进行学习,也非常适合有经验的人反思研究或者职业方向。截至目前,他的YouTube订阅者已达到8.45万。

【计算机科学】构建您自己的神经网络,练习 1

【计算机科学】构建您自己的神经网络,练习 2

【计算机科学】构建您自己的神经网络,练习 3

【计算机科学】构建您自己的神经网络,练习 4

【计算机科学】构建您自己的神经网络,练习 6

【计算机科学】构建您自己的神经网络,练习 7

【计算机科学】构建您自己的神经网络,练习 8

【计算机科学】构建您自己的神经网络,练习 9

二维卷积是卷积神经网络中最常见的层之一。在二维卷积中,卷积核是一个二维矩阵,和输入的图片进行逐元素乘法和求和计算,得到输出的特征图。在本节课程中,你将系统地学习如何构建2D卷积神经网络。

作者:布兰登·罗勒(Brandon Rohrer)

【计算机科学】卷积如何工作 【计算机科学】Softmax 神经网络层 【计算机科学】批量归一化 【计算机科学】构建2D卷积神经网络,第1部分:入门 【计算机科学】构建2D卷积神经网络,第2部分:概述 【计算机科学】构建2D卷积神经网络,第3部分:MNIST 数字 【计算机科学】构建2D卷积神经网络,第4部分:模型概述 【计算机科学】构建2D卷积神经网络,第5部分:预训练模型结果 【计算机科学】构建2D卷积神经网络,第6部分:成功和失败的示例 【计算机科学】构建2D卷积神经网络,第7部分:为什么选择Cottonwood 【计算机科学】构建2D卷积神经网络,第8部分:训练代码设置 【计算机科学】构建2D卷积神经网络,第9部分:添加层 【计算机科学】构建2D卷积神经网络,第10部分:连接层 【计算机科学】构建2D卷积神经网络,第11部分:训练循环 【计算机科学】构建 2D 卷积神经网络,第 12 部分:测试循环 【计算机科学】构建 2D 卷积神经网络,第 13 部分:损失历史记录和文本摘要

【计算机科学】构建2D卷积神经网络,第14部分:收集示例 【计算机科学】构建2D卷积神经网络,第15部分:渲染示例 【计算机科学】构建2D卷积神经网络,第16部分:棉白杨代码之旅 【计算机科学】建立一个2D卷积神经网络,第17部分:棉白杨

在学习了二维卷积后,再学习一维卷积就会陷入一个误区,误以为一维的卷积核在一条线上做卷积。然而实际上一维卷积的输入是一个向量和一个卷积核,输出也是一个向量。在本节课程中,你将学习到一维卷积的内核,方程及反向传播等。

作者:布兰登·罗勒(Brandon Rohrer)

【计算机科学】神经网络的一维卷积,第 1 部分:滑动点积 【计算机科学】神经网络的一维卷积,第 2 部分:卷积复制内核 【计算机科学】神经网络的一维卷积,第 3 部分:滑动点积方程 【计算机科学】神经网络的一维卷积,第 4 部分:卷积方程 【计算机科学】神经网络的一维卷积,第 5 部分:反向传播 【计算机科学】神经网络的一维卷积,第 6 部分:输入梯度 【计算机科学】神经网络的一维卷积,第7部分:权重梯度 【计算机科学】神经网络的一维卷积,第8部分:填充 【计算机科学】神经网络的一维卷积,第9部分:步幅 【计算机科学】实现一维卷积,第1部分:从头开始用Python实现卷积 【计算机科学】实现一维卷积,第2部分:与NumPy卷积的比较 【计算机科学】实现一维卷积,第3部分:创建卷积块 【计算机科学】实现一维卷积,第4部分:初始化卷积模块 【计算机科学】实现一维卷积,第5部分:向前和向后传递 【计算机科学】实现一维卷积,第6部分:多通道、多核卷积 【计算机科学】实现一维卷积,第7部分:权重梯度和输入梯度 【计算机科学】构建一维卷积神经网络,第1部分:创建测试数据集 【计算机科学】建立一个一维卷积神经网络,第2部分:收集杨木块 【计算机科学】建立一个一维卷积神经网络,第3部分:将块连接成网络结构 【计算机科学】构建一维卷积神经网络,第4部分:训练、评估、报告 【计算机科学】构建一维卷积神经网络,第5部分:一个热、展平和测井模块 【计算机科学】建立一个一维卷积神经网络,第6部分:文本摘要和损失历史 【计算机科学】建立一维卷积神经网络,第7部分:评估模型

本课程包括如何在模型之间进行选择、将信号与噪声分离、拟合模型时如何选择函数、如何拆分数据与导航假设五个部分。学习本期课程,可以让你掌握选择优质模型所需的概念,希望能对你有所帮助!

作者:布兰登·罗勒(Brandon Rohrer)

【计算机科学】如何选择机器学习模型 1:在模型之间进行选择 【计算机科学】如何选择机器学习模型 2:分离信号和噪声 【计算机科学】如何选择机器学习模型 3:选择损失函数 【计算机科学】如何选择机器学习模型 4:拆分数据 【计算机科学】如何选择机器学习模型 5:导航假设

本课程会从定义问题到构建和测试程序来回答它。课程会探索和修复一个数据集,深入研究模型选择和优化,创建一些绘制结果,并构建一个命令行界面以获取答案。本节课用简单并真实的案例解释了每一个机器学习的模型,帮助你轻松且深入的了解机器学习。

作者:布兰登·罗勒(Brandon Rohrer)

【计算机科学】机器学习优化的工作原理(第1部分) 【计算机科学】机器学习优化的工作原理(第2部分) 【计算机科学】机器学习优化的工作原理(第3部分) 【计算机科学】机器学习优化的工作原理(第4部分)

作者:李宏毅(Hung-yi Lee )

【计算机科学】终身语言模型 【计算机科学】MOCKINGJAY:无监督语音表征学习 【计算机科学】网络层听到了什么? 【计算机科学】用于语音分离的中断和级联坑 【计算机科学】具有词嵌入正则化和融合解码的 ASR 【计算机科学】使用单语言数据训练代码转换语言模型 【计算机科学】迈向无监督语音识别和合成 【计算机科学】通过矢量量化实现一次性语音转换 【计算机科学】防御对抗性攻击的欺骗对策 【计算机科学】端到端低资源语音识别的元学习 【计算机科学】WER 更差,但 BLEU 更好? 【计算机科学】WG-WaveNet:无需GPU的实时高保真语音合成 【计算机科学】DARTS-ASR:多语言语音识别的可微架构搜索 【计算机科学】多说话者文本转语音合成的半监督学习 【计算机科学】VQVC+:通过矢量量化和 U-Net 架构进行一次性语音转换 【计算机科学】SpeechBERT:端到端语音问答模型 【计算机科学】自监督学习防御反欺骗模型的黑盒攻击 【计算机科学】了解自监督音频变压器的自注意力

本期课程讲解了人和机器如何用自然语言进行沟通的深度学习技术,主要讲述了人类语言处理中语音与文字相互转换的六大模型,包括语音识别的CTC算法、HMM算法、语音分离与合成技术、BERT模型结构、NLP任务等内容。通过本期课程的学习,你一定可以非常系统的了解人类语言处理的深度学习内容!

作者:李宏毅(Hung-yi Lee )

【计算机科学】深度学习人类语言与处理 【计算机科学】语音识别 (1/7) - 概述 【计算机科学】语音识别 (2/7) - 聆听、注意、拼写 【计算机科学】语音识别 (3/7) - CTC、RNN-T 等 【计算机科学】语音识别 (4/7) - HMM(可选) 【计算机科学】语音识别 (5/7) - HMM、CTC 和 RNN-T 的对齐(可选) 【计算机科学】语音识别(6/7)-RNN-T 训练(可选) 【计算机科学】语音识别(7/7)-语言建模 【计算机科学】语音转换(1/2)-特征分离 【计算机科学】语音转换(2/2)-CycleGAN 和 StarGAN 【计算机科学】语音分离(1/2)-深度聚类 【计算机科学】语音分离(2/2)-TasNet 【计算机科学】语音合成(1/2)-Tacotron 【计算机科学】语音合成(2/2)-超过Tacotron 【计算机科学】语者验证 【计算机科学】语音编码机 【计算机科学】自然语言处理任务概述 【计算机科学】BERT 及其系列-引言与微调 【计算机科学】BERT 及其系列产品-ELMo,BERT,gPT,XLNet,MASS,BART,unilM,ELECTRA 等等 【计算机科学】来自猎人暗黑大陆的模型 GPT-3 【计算机科学】多语言 BERT 【计算机科学】音频 BERT (1/2) 【计算机科学】音频 BERT (2/2) 【计算机科学】非自回归序列生成 【计算机科学】文本风格传递与非监督摘要/翻译/语音识别 【计算机科学】指称消解的深度学习 【计算机科学】选区分析的深度学习 【计算机科学】依赖解析的深度学习 【计算机科学】问答深度学习(1/2) 【计算机科学】问答深度学习(2/2) 【计算机科学】可控聊天机器人 【计算机科学】对话状态跟踪(作为问答)

本期课程主要讲解了机器学习在不同行业的应用。当今机器学习被大量的应用于替代人类的低级工作,该课程介绍了机器学习涉及的领域、机器学习的流程,包括机器学习的算法、数据收集于处理、机器学习模型的选择与训练、模型部署、预测与监控等等方面。你可以在本课程中深入详尽的了解机器学习在工业界使用的实际问题发现以及可能解决方案。

作者:跟李沐学AI(李沐)

百度首席构架师,亚马逊首席科学家,AWS AI科学团队领导者,现入职创业公司BosoAI。MXNet深度学习框架的主要贡献者之一,被诸多网友称为“沐神”。甚至连很多AI专业的导师都会推荐给学生去看。截止目前,他的哔哩哔哩粉丝数已到达59.6万。

【计算机科学】课程介绍 【计算机科学】数据获取 【计算机科学】网页数据抓取 【计算机科学】数据标注 【计算机科学】探索性数据分析 【计算机科学】数据清理 【计算机科学】数据变换 【计算机科学】特征工程 【计算机科学】数据科学家的日常 【计算机科学】8分钟机器学习介绍 【计算机科学】最简单也最常用的决策树 【计算机科学】最简单也同样最常用的线性模型 【计算机科学】随机梯度下降 【计算机科学】多层感知机 【计算机科学】卷积神经网络 【计算机科学】循环神经网络 【计算机科学】模型评估 【计算机科学】过拟合和欠拟合 【计算机科学】模型验证 【计算机科学】方差和偏差 【计算机科学】Bagging 【计算机科学】Boosting 【计算机科学】Stacking 【计算机科学】模型调参 【计算机科学】超参数优化 【计算机科学】网络架构搜索 【计算机科学】深度神经网络架构 【计算机科学】迁移学习 【计算机科学】NLP中的微调

深度学习是人工智能最热的领域,本课程属于深度学习的入门课程,其中覆盖经典模型,解释了常用的技术,通过讲代码的方式帮助大家搭建深度学习PyTorch的核心知识框架和实现办法,让大家更清晰的了解深度学习中的神经网络,以及数学与统计学知识。

通过这门课程,你一定可以像学习Python或C++等计算机语音一样学深度学习PyTorch。

作者:跟李沐学AI(李沐)

【计算机科学】动手学深度学习v2 预告 【计算机科学】动手学深度学习v2 课程安排 【计算机科学】动手学深度学习v2 介绍 【计算机科学】动手学深度学习v2 安装 【计算机科学】动手学深度学习v2 数据操作+数据预处理 【计算机科学】动手学深度学习v2 线性代数 【计算机科学】动手学深度学习v2 矩阵计算 【计算机科学】动手学深度学习v2 自动求导 【计算机科学】动手学深度学习v2 线性回归+基础优化算法 【计算机科学】动手学深度学习v2 Softmax 回归+损失函数+图片分类数据集 【计算机科学】动手学深度学习v2 多层感知机+代码实现 【计算机科学】动手学深度学习v2 模型选择+过拟合和欠拟合 【计算机科学】动手学深度学习v2 权重衰退 【计算机科学】动手学深度学习v2 丢弃法 【计算机科学】动手学深度学习v2 数值稳定性+模型初始化和激活函数 【计算机科学】动手学深度学习v2 Kaggle房价预测+课程竞赛:加州2020年房价预测 【计算机科学】动手学深度学习v2 PyTorch 神经网络基础 【计算机科学】动手学深度学习v2 使用和购买 GPU 【计算机科学】动手学深度学习v2 预测房价竞赛总结 【计算机科学】动手学深度学习v2 卷积层 【计算机科学】动手学深度学习v2 卷积层里的填充和步幅 【计算机科学】动手学深度学习v2 卷积层里的多输入多输出通道 【计算机科学】动手学深度学习v2 池化层 【计算机科学】动手学深度学习v2 经典卷积神经网络 LeNet 【计算机科学】动手学深度学习v2 深度卷积神经网络 AlexNet 【计算机科学】动手学深度学习v2 使用块的网络 VGG 【计算机科学】动手学深度学习v2 网络中的网络 NiN 【计算机科学】动手学深度学习v2 含并行连结的网络 GoogLeNet / Inception V3 【计算机科学】动手学深度学习v2 批量归一化 【计算机科学】动手学深度学习v2 残差网络 ResNet 【计算机科学】动手学深度学习v2 ResNet为什么能训练出1000层的模型 【计算机科学】动手学深度学习v2 第二部分完结竞赛:图片分类 【计算机科学】动手学深度学习v2 深度学习硬件:CPU 和 GPU 【计算机科学】动手学深度学习v2 深度学习硬件:TPU和其他 【计算机科学】动手学深度学习v2 单机多卡并行 【计算机科学】动手学深度学习v2 多GPU训练实现 【计算机科学】动手学深度学习v2 分布式训练 【计算机科学】动手学深度学习v2 数据增广 【计算机科学】动手学深度学习v2 微调

【计算机科学】动手学深度学习v2 第二次竞赛 树叶分类结果

【计算机科学】动手学深度学习v2 实战 Kaggle 比赛:图像分类(CIFAR-10)

【计算机科学】动手学深度学习v2 实战 Kaggle 比赛:狗的品种识别(ImageNet Dogs)

【计算机科学】动手学深度学习v2 物体检测和数据集

【计算机科学】动手学深度学习v2 锚框

【计算机科学】动手学深度学习v2 树叶分类竞赛技术总结

【计算机科学】动手学深度学习v2 物体检测算法:R-CNN,SSD,YOLO

【计算机科学】动手学深度学习v2 SSD实现

【计算机科学】动手学深度学习v2 语义分割和数据集

【计算机科学】动手学深度学习v2 转置卷积

【计算机科学】动手学深度学习v2 转置卷积是一种卷积

【计算机科学】动手学深度学习v2 全连接卷积神经网络 FCN

【计算机科学】动手学深度学习v2 样式迁移

【计算机科学】动手学深度学习v2 牛仔行头检测

【计算机科学】动手学深度学习v2 序列模型

【计算机科学】动手学深度学习v2 文本预处理

【计算机科学】动手学深度学习v2 语言模型

【计算机科学】动手学深度学习v2 循环神经网络 RNN

【计算机科学】动手学深度学习v2 循环神经网络 RNN 的实现

【计算机科学】动手学深度学习v2 门控循环单元(GRU)

【计算机学习】动手学深度学习V2 长短期记忆网络(LSTM)

【计算机学习】动手学深度学习V2 深层循环神经网络

【计算机学习】动手学深度学习V2 双向循环神经网络

【计算机学习】动手学深度学习V2 机器翻译数据集

【计算机学习】动手学深度学习V2 解码器架构

【计算机学习】动手学深度学习V2 序列到序列学习

【计算机学习】动手学深度学习V2 束搜索

【计算机学习】动手学深度学习V2 注意力机制

【计算机学习】动手学深度学习V2 注意力分数

【计算机学习】动手学深度学习V2 使用注意力机制的seq2seq

【计算机学习】动手学深度学习V2 自注意力

【计算机学习】动手学深度学习V2 Transformer

【计算机学习】动手学深度学习V2 BERT预训练

【计算机学习】动手学深度学习V2 BERT微调

【计算机学习】动手学深度学习V2 目标检测竞赛总结

【计算机学习】动手学深度学习V2 优化算法

【计算机学习】动手学深度学习V2 课程总结和进阶学习

全部讨论

no data来都来了,坐下聊聊