Google Cloud Tech是一个为新晋开发者、有抱负的开发者和专家提供相关学习内容的地方。本期视频使用了字母表来介绍人工智能的基础知识，让大家从0开始，也能更轻松的学习人工智能基础。 【谷歌云】AI的基本知识【谷歌云】ABC，A代表【谷歌云】ABC - B 适用于 #BERT【谷歌云】ABC - C 适用于 #Chatbots【谷歌云】ABC - D适用于 #DeepMind【谷歌云】ABC - E代表#ExplainableAI【谷歌云】ABC - F代表#面部识别【谷歌云】ABC - G代表#GLaM【谷歌云】ABC - H代表#HunmanlnTheLoop【谷歌云】ABC - I代表  #ImageRecognition

Google Cloud Tech是一个为新晋开发者、有抱负的开发者和专家提供相关学习内容的地方。从有效促进AI的提示和技巧到图像生成等，本期视频是关于开发人员的生成人工智能基础内容，并展示了Google Cloud Vertex AI 上的 Generative AI Studio的操作方式。 【谷歌云】Vertex AI 机器学习简介【谷歌云】使用 Generative AI Studio 制作语言应用程序原型【谷歌云】如何在 Generative AI Studio 中调整 LLM【谷歌云】Google Cloud 上的基础模型简介【谷歌云】通过生成式 AI App Builder 进行企业搜索【谷歌云】使用 Generative AI Studio 生成和编辑图像【谷歌云】Vertex AI模型花园简介

你知道AI绘画吗？你知道怎么使用AI绘画吗？你知道时下最流行的AI绘画工具叫什么吗？你知道如何安装它吗？你知道它的更多功能吗？ 我能简单的回答其中几个。最近比较流行是Stable Diffusion了，通过本地部署文件，导入不同的模型后通过用提示词来生成不同的AI作品。当然，出了根据提示词完成作品以外，还可以根据上传的图片来完成作品。 不过这些东西我们自己去钻研肯定不如找到现有的教程进行学习，毕竟站在巨人的肩膀上，我们可以站的更高。希望大家通过我们的学习，对Stable Diffusion有所了解。 对于毫无基础的初学者来讲，相对于模型的使用以及提示词的筛选，Stable Diffusion的本地安装和环境配置才是我们需要学习的重要一步。 【Stable Diffusion初学者指南】Stable Diffusion的基础信息 【Stable Diffusion初学者指南】Stable Diffusion安装教程(Windows) 【Stable Diffusion初学者指南】Stable Diffusion安装教程（Mac M1/M2） 【Stable Diffusion初学者指南】尝试Stable Diffusion在线演示 【Stable Diffusion初学者指南】Stable Diffusion模型的初学者指南以及模型 【Stable Diffusion初学者指南】Stable Diffusion能做什么？ 【Stable Diffusion初学者指南】现实的人类街头肖像 【Stable Diffusion初学者指南】如何在稳定扩散中生成动物 【Stable Diffusion初学者指南】如何将业余绘画转变为专业绘画 【Stable Diffusion修复】图像模型和基本修复设置 【Stable Diffusion初学者指南】如何通过 AI 修复去除不需要的对象

说到文字生成视频，那么大家肯定想到的是Runway这家公司。这是一家成立于2018年的国外在线视频剪辑制作网站，有着非常完善的在线视频处理技术，更重要的是这家公司的团队一直在积极地将生成性 AI 技术应用到视频内容制作中，致力于降低视频创作的门槛，帮助人们轻松制作出内容强大且富有创意的视频内容。 而Gen-2就是Runway发布的AI视频编辑工具了，是对第一代的重大改进。而且它的功能不仅是编辑，更重要的是支持文字转视频，只需输入一句话就可以拍大片。 在本次Runway Gen-2的学习中，我们将通过非常简单的几个示例，从如何使用它创建并且优化一个视频。 作者：AI Video School 这是一位来自YouTube的视频作者，喜欢使用各类人工智能生成工具。它的视频内容有趣多变，更是发布了许多使用Runway AI Gen-2的视频内容。现拥有约1.3K的订阅者。 【Runway Gen-2】如何在 Runway Gen-2 中创建一致的角色【Runway Gen-2】如何使用提示和显示让文本到视频的素材一致【Runway Gen-2】如何在Runway Gen-2中编写好的提示素材【Runway Gen-2】如何使用Runway Gen-2和其他免费Al工具制作电影【Runway Gen-2】通过输入单词制作动画兔子【Runway Gen-2】如何让文本转视频的角色相互交谈【Runway Gen-2】测试版与公开发布版有什么区别？

提到Runway公司，大家肯定并不陌生。这家在近期发布的AI文本生成影片的Runway Gen-2模型的公司，无疑是AIGC领域的一位超人。而且在Runway Gen-2之前，这家公司早在2023年2月，就提出了首个AI编辑模型Gen-1。 虽然这家公司一直在积极地将生成性AI技术应用到视频内容制作中，致力于降低视频创作的门槛，帮助人们轻松制作出内容强大且富有创意的视频内容。但Runway本身是一个在线视频剪辑制作的网站，主要的功能是创作视频。 本次我们将通过Runway初学者指南的学习，了解如果轻松快捷的上手Runway来创作视频。 作者：Runway Runway官方账号，自称“一家为下一个艺术时代服务的公司”。截止目前发布视频已达126个，其中包含了Runway及Gen-1和Gen-2的各种使用示例和教程。值得一提的是，它们在油管约有4万的订阅者。 【Runway】如何导入媒体文件【Runway】如何创建项目 - 开始在线视频编辑【Runway】如何开始在线视频编辑【Runway】快速旋转 - 如何使用你的Al绿幕视频【Runway】使用修复轻松遮罩以从视频中删除对象【Runway】视频动画：如何为照片，文本和效果制作动画【Runway】如何导出视频：原始视频、深度图或光流【Runway】如何使用视频模板获取快速有效的内容【Runway】如何裁剪视频【Runway】如何在视频编辑中使用运动跟踪

谈起对话式AI，大家首先想起来的是什么呢？肯定是ChatGPT对吧！但要说到ChatGPT的详细内容，又有位说的上来呢？ 说到底，类似于ChatGPT的AI都被成为语言模型。这是一种由AI技术驱动的自然语言处理工具。可让用户与聊天机器人进行类人类的对话等等。 不过既然是学习，我们肯定不能只了解这些内容，我们还要熟知ChatGPT的逻辑及应用，详解API，常见技术和代码实现等等…… 不过核心要义当然是拆解ChatGPT从每一步去了解它的内容，将ChatGPT玩明白，玩精通，将其应用在生活之中！后面再是将其拆解，分化制作自己的"GPT"！ ChatGPT上线至今，很多人还是没有掌握使用它的技巧。其实，其中的难点在于在于 Prompt（提示词）的编写。 而在这门由吴恩达与Iza Fulford 联手推出的总计一个多小时的课中，面向开发者的技术教程：《ChatGPT 提示工程》。你可以在这里学到：提示词最佳实践、评论情感分类、文本总结、邮件撰写、文本翻译、快速搭建一个聊天机器人等等。 作者①：吴恩达（Andrew Ng） 华裔美国人，是斯坦福大学计算机科学系和电子工程系副教授，人工智能实验室主任。是人工智能和机器学习领域国际上最权威的学者之一。也是在线教育平台Coursera的联合创始人。 作者②：Iza Fulford 斯坦福本硕高材生，制作ChatGPT 在 GitHub 开源的那个文档搜索插件：Retrieval。还是 OpenAI Cookbook（官方手册）的编撰者。 【ChatGPT相关】面向开发人员的指令课程 第一集 【ChatGPT相关】面向开发人员的指令课程 第二集 【ChatGPT相关】面向开发人员的指令课程 第三集 【ChatGPT相关】面向开发人员的指令课程 第四集 【ChatGPT相关】面向开发人员的指令课程 第五集 【ChatGPT相关】面向开发人员的指令课程 第六集

机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径之一，即以机器学习为手段，解决人工智能中的部分问题。机器学习在近30多年已发展为一门多领域科际集成，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。 机器学习的已经广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、游戏和机器人等领域。 当然，作为人工智能的一门科学，我们也必须要掌握这个重要的部分，相信大家通过下面的课程学习，肯定会对机器学习有所掌握的！ 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。 本节课程是机器学习2023-生成式AI的讲解。里面有关于Chatgpt的相关的基础和语言模型相关的内容。

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 ） 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】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

Stable Diffusion是什么？ 通俗来说，Stable Diffusion（简称SD）是一种深度学习文本生成图像的模型，于2022年发布。它本身不是一个画图工具，需要借助第三方GUI使用，SD免费开源，没有任何限制。 不仅如此，Stable Diffusion可免费在本地部署离线使用，但要经过显卡计算出图，会对电脑配置有一定的要求，SD可调节的参数更多，在公开社区有大量不同风格的模型和辅助插件免费下载，也支持使用自己的图片制作风格模型，出图更细节更利于操控。 SD软件装好之后，一定要配上基本的模型才可以用，基础模型不一样，他们的画风以及擅长领域也就有所偏重。 例如： 大模型（主模型）：决定AI图片的主要风格和走势 Lora模型（微调模型）：复制人或物的细节特征，搭配主模型使用 VAE美化模型：微调+滤镜，Embeddings模型：生成指定特征，画风等 Stable Diffusion问世以来，很多人都会被其晦涩难懂的原理劝退，网上的某些使用教程可能会让你觉得真的很难很复杂。但是，在本篇的学习中，我们面对0经验的小白以及想要拔高的同学提供了保姆级的教学，其中最重要的是SD的各种各样的模型，除了大模型，还可以搭配其他模型对图片进行微调，这么多模型到底怎么用，如何区分，这篇就给你讲清楚！ 课程介绍：这门有氪学家推出的四个多小时的课中，面向使用者的技术教程《Stable Diffusion 教程》，你在这里可以学到：SD的安装教程，模型的安装和使用，相关插件的处理，AI绘画的实际应用，照片预处理办法等。 作者：氪学家 Youtuber，AIGC Creator探索AI更多可能，拥有2.11万订阅者 【Stable Diffusion从入门到精通】保姆级安装教程 【Stable Diffusion从入门到精通】Stable Diffusion安装和使用

想象一下，你正处在一个神秘的房间里，四周摆满了精密的装置和魔幻的机器。这里是AI的世界，它是计算机智能的堡垒。 那么，如何打开这扇通向AI之门的钥匙呢？答案就是学习线性代数！线性代数不仅仅是一门数学学科，它是AI学习的秘密武器。 通过学习线性代数，你将被赋予解读AI工作机制的超能力。AI旨在模仿人类的智能行为，而线性代数为我们提供了一种思考和表示大量信息的工具。 它能够帮助我们理解和操作复杂的数据结构，例如矩阵和向量，这恰恰是AI处理的主要对象。只有深入学习线性代数，你才能解密AI的思维和决策过程。那么，你准备好了吗？拿起线性代数的武器，一起探索AI的奥秘吧！ 在最新的该作者的线性代数书籍中，我们做了这样的建议： 在这门课中，你可以通过课程速览选择自己最想补充以及学习的阶段。着重对线性代数矩阵和线性方程式做了拔高，更利于你理解，透彻！通过学习和掌握这些内容，我们可以更好地理解和设计人工智能算法和模型，进而推动人工智能技术的发展。 作者：Hung yi-Lee（李宏毅） 国立台湾大学电机工程系、计算机科学与信息工程系副教授，分别于2010年和2012年获得台湾台北国立台湾大学（NTU）的硕士和博士学位，中国科学院信息技术创新研究中心博士后。 【数学基础】线性代数 1.我们要学什么？ 【数学基础】线性代数 2.线性方程组 【数学基础】线性代数 3.向量 【数学基础】线性代数 4.矩阵 【数学基础】线性代数 5.矩阵向量积 【数学基础】线性代数6.有解与否 【数学基础】线性代数7.有多少个解？ 【数学基础】线性代数 8.线性方程组的求解（第1部分） 【数学基础】线性代数9.线性方程组的求解（第2部分） 【数学基础】线性代数 10.从RREF我们可以知道什么？ （第1部分） 【数学基础】线性代数 11.从RREF我们可以知道什么？ （第2部分） 【数学基础】线性代数 12.从RREF我们可以知道什么？ （第3部分）

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 查看计算机科学相关全部：https://www.haoshuo.com/article/64be37d9b439d8b950673480

说起编程，这个听起来就非常难学的东西，但其实编程并没有想象中那么难！首先简单介绍下编程，编程是编定程序的中文简称，实际操作就是计算机通过代码解决某个问题，使计算体系按照该计算方式运行，并最终得到相应结果的过程。 说起编程语言，当然是有很多种的，像是C+、python和Java等等。像C语言就是一门通用计算机编程语言，是面向过程的语言，其语法结构及其严谨，且应用十分广泛。 Python语言是一门面向对象的解释型计算机程序设计语言，相较于C语言而言，学者先了解了什么是面向过程，再去了解什么是面向对象的话，这样子学习会更有效率，达到事半功倍的效果。并且Python语言的入门程序比较简单，前期的学习也比C语言要简单。Java是兼具编译型语言与解释型语言的特点的。 面向初学者🐍的 Python 教程 在本期学习中，从下载安装开始，到集成开发环境的设置，再到python的变量，甚至于逻辑运算符及各类程序的实践，甚至有各类使用学习python的实用工具推荐！ 想必你肯定会在这轻松愉快的学习过程中了解并成为一个python高手！ 作者：Bro Code 油管编程学习创作者，拥有约107万订阅人数，发布各类型编程学习视频600+，涵盖python，C语言，PHP，HTML，JAVA等等。 【编程基础】Python初学者教程 【编程基础】作为初学者应该知道的Python变量和数据类型 【编程基础】Python 中的类型转换很简单 【编程基础】Python 中的用户输入很简单 + 练习 【编程基础】Python 中的数学很简单 + 练习 【编程基础】Python 中的 if 语句很简单（if、elif、else） 【编程基础】Python计算器程序 【编程基础】Python重量换算练习 【编程基础】Python温度转换程序 【编程基础】Python 中的逻辑运算符很简单 【编程基础】Python 中的字符串方法很简单

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 查看计算机科学相关全部：https://www.haoshuo.com/article/64be37d9b439d8b950673480

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 查看计算机科学相关全部：https://www.haoshuo.com/article/64be37d9b439d8b950673480

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 ） 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】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 查看计算机科学相关全部：https://www.haoshuo.com/article/64be37d9b439d8b950673480

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 ） 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】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 查看计算机科学相关全部：https://www.haoshuo.com/article/64be37d9b439d8b950673480

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） 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】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 查看计算机科学相关全部：https://www.haoshuo.com/article/64be37d9b439d8b950673480

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） 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】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） 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】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