从零开始学习深度学习

已于 2025-07-13 23:35:10 修改
阅读量221 收藏
点赞数 4
CC 4.0 BY-SA版权
分类专栏： 从零开始学习深度学习 文章标签： 深度学习 人工智能
于 2025-07-05 23:00:43 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_50918736/article/details/149143436

        本系列文章虽然以“从零开始学习深度学习”为主题，但并非完全从最基础讲起。我们不会详细介绍诸如BP神经网络、卷积神经网络等基础原理，而是以项目驱动为核心，通过不断实践不同的项目，逐步改进网络结构。在项目实战中穿插理论知识的学习，力求在动手实践的过程中不断提升个人能力。

        本系列文章会涉及分类、分割、目标检测、时序预测、无监督学习等多种模型。本系列文章将不仅简单地实现AI模型的训练与测试，而且也包含系统性地开发模型测试应用。除此之外，本系列文章也会涉及模型加速、模型部署相关实现，以全面提升个人能力。

  1. 分类模型——水果分类
  2. 水果分类——PyQt5App应用
深度学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 34万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
PyTorch深度学习实战（22）——从零开始实现YOLO目标检测
盼小辉丶的博客
10-19 8913
YOLO (You Only Look Once) 是一种实时目标检测算法，它以其高效性和准确性而闻名。相比于传统的目标检测方法，YOLO 的主要特点是在单个前向传递中同时完成目标检测和分类，YOLO 通过全局感受野捕捉了整个图像中的上下文信息，对小尺寸物体的检测效果较好。在本节中，将介绍 YOLO 的工作原理，然后在自定义数据集上训练 YOLO 目标检测模型。
深度学习：线性回归从零开始实现
热门推荐
全网粉丝10w+，CSDN、稀土掘金人工智能签约作者、专家博主，华为云十佳博主，985人工智能硕士。人工智能、大模型、计算机视觉、Python 爬虫— —商务合作：https://bbs.csdn.net/topics/614347534
07-14 8万+
"""线性回归模型"""因为需要计算损失函数的梯度，所以我们应该先定义损失函数。在实现中，我们需要将真实值y的形状转换为和预测值y_hat的形状相同。"""均方损失"""我们用批量大小（batch_size） 来规范化步长，这样步长大小就不会取决于我们对批量大小的选择。"""小批量随机梯度下降"""在PyTorch中，全连接层在Linear类中定义。值得注意的是，我们将两个参数传递到nn.Linear中。第一个指定输入特征形状，即2，第二个指定输出特征形状，输出特征形状为单个标量，因此为1。
从零开始的深度学习入门指南
2301_78348935的博客
03-27 1360
深度学习是一种复杂的机器学习技术，其目的是训练一个深度神经网络来解决现实世界中的各种问题。深度学习由一组相互连接的神经元组成，每个神经元都有自己的权重，这些权重被优化以实现预测和分类。深度学习的历史可以追溯到二十世纪六十年代，但直到近年来由于算力和数据量的提升才得以广泛应用于图像识别、自然语言处理、语音识别等领域。
小白从零开始配置深度学习环境
weixin_58503946的博客
10-04 4887
小白从零开始配置深度学习（机器学习）环境
深度学习从零开始（1）— 如何学习深度学习？
u012995500的博客
02-17 2551
首先说我个人的结论： （1）假如是为了找工作，或者短时间内解决问题，我建议最好的入门书是：《Python 深度学习》和《Scikit-Learn与TensorFlow机器学习实用指南（影印版）》和《TensorFlow：实战Google深度学习框架（第2版）》，三本书都是该领域的经典，而且难得的是非常易读，看完就可以利用经典的机器学习和深度学习算法解决常见的问题。 （2）假如想长期学习，深入理...
DeepSeek深度学习学习指南：从零开始到实践
Program Han
02-18 1541
推荐资源：《线性代数及其应用》（David C. Lay）或在线课程（如Khan Academy的线性代数课程）。Python编程：掌握Python的基础语法、数据结构（列表、字典、集合等）、函数、模块和包的使用。数据结构与算法：理解常见数据结构（如数组、链表、栈、队列、树、图）和算法（如排序、查找、动态规划）。基础知识储备：数学基础（线性代数、微积分、概率统计）、编程基础（Python、数据结构与算法）。框架学习：掌握深度学习框架（如PyTorch、TensorFlow）的安装与基础使用。
从零开始的深度学习之旅(1)
ren9855的博客
11-20 2582
从本博客开始,以菜菜九天的深度学习课为基础,从零开始学习深度学习,好好地把握知识点,让自己学有所成.
从零开始学习深度学习，推荐几本书单，建议按照先后顺序排名进行学习
多智时代的博客
09-17 1万+
深度学习能够训练机器执行一些令人难以置信的任务，例如面部识别，癌症检测，甚至是股市预测。这就是为什么我们要学深度学习。 以下这些书可以让你从零开始学习深度学习。本文综述中的每一本书都有各自的优点，而且每一本书都非常出色。我已经把它们按我认为是最好的以及我建议学习先后的顺序排名。 1.用Scikit-Learn和TensorFlow进行机器学习 作者试图以一种几乎任何人都能理解的方式来解释...
PyTorch深度学习实战（19）——从零开始实现R-CNN目标检测
盼小辉丶的博客
10-07 8489
R-CNN (Region-based Convolutional Neural Network) 是 R-CNN 系列目标检测算法的初代模型，其将“深度学习”和传统的“计算机视觉”的相结合，在深度学习的框架下实现了高效的物体检测和识别。R-CNN 的核心思想是将目标检测任务分解为候选区域提取、特征提取、目标分类和边界框回归四个步骤。R-CNN 中的 “Region-based” 指的就是区域提议(候选区域)，用于在图像中识别对象。在本节中，我们将利用区域提议来完成图像中目标对象的检测和定位。
PyTorch入门指南：从零开始掌握深度学习框架.pdf
03-11
使用场景及目标：该文档有助于建立使用者对于深度学习及其具体实践有更加直观的理解，在完成本教程之后，读者应当能够在个人设备上正确部署Python环境，并依据指示独立创建自己的简易深度学习项目。 其他说明：文中...
基于TensorFlow框架的MNIST手写数字识别项目_从零开始学习深度学习基础_包含单层神经网络和卷积神经网络两种实现方式_使用softmax激活函数和交叉熵损失函数_通过梯度.zip
08-16
在本项目中，将涉及从零开始学习深度学习的基础知识，这对于初学者来说是至关重要的。项目不仅会介绍如何构建基本的单层神经网络，还会引入更为复杂的卷积神经网络（CNN）。CNN在图像处理和识别任务中表现卓越，主要...
如何从零开始构建深度学习项目，这里有一份详细的教程1
08-04
对于初次接触深度学习的开发者来说，从零开始构建一个深度学习项目可能会感到困难重重。下面是一份详细的教程，帮助你逐步建立自己的深度学习项目。 **启动深度学习项目** 1. **选择合适的项目**：项目的选择至关...
感知器-从零开始学深度学习
01-27
未来将是人工智能和大数据的时代，是各行各业使用人工智能在云上处理大数据的时代，深度学习将是新时代的一大利器，在此我将从零开始记录深度学习的学习历程。我希望在学习过程中做到以下几点：了解各种神经网络设计...
深度学习篇---SGD+Momentum优化器
最新发布
道阻且长，行则将至。
09-03 238
SGD+Momentum（带动量的随机梯度下降）通过模拟物理惯性加速模型收敛，减少训练震荡。其核心原理是在参数更新时保留部分历史梯度方向（动量系数通常设为0.9），使优化过程在平坦区域加速、在噪声区域稳定。代码示例对比显示，在相同学习率下，带Momentum的模型损失下降更快、收敛更平稳，最终拟合效果更优。实际应用建议：初始采用lr=0.001+momentum=0.9组合，配合学习率调度器，适用于深层网络和噪声数据，但需注意过大的动量可能导致错过最优解。
Llama.cpp与CUDA Graph：深度学习推理框架的兼容性深度解析
reekyli的专栏
09-03 461
在追求极致推理性能的道路上，每一个CUDA特性都可能成为关键加速器，但并非所有框架都能立即跟上硬件发展的步伐。近年来，随着大语言模型（LLM）推理需求的爆炸式增长，开发者和研究人员不断寻求优化推理性能的新方法。NVIDIA的CUDA Graph作为一项重要的并行计算技术，能够显著减少内核启动开销和CPU参与，自然成为备受关注的优化手段。那么，作为流行的大模型推理框架，llama.cpp是否支持这一强大功能？——这个答案背后隐藏着复杂的技术权衡和架构决策。
深度学习——基于卷积神经网络实现食物图像分类（数据增强）
2501_91113915的博客
09-02 799
我们将使用自定义的食物数据集，构建一个卷积神经网络(CNN)模型，并实现完整的训练流程。a = (pred.argmax(1) == y) #dim=1表示每一行中的最大值对应的索引号，dim=0表示每一列中的最大值对应的索引号。nn.MaxPool2d(kernel_size=2), # 进行池化操作(2×2操作),输出结果为(16,128,128)x = x.view(x.size(0),-1) # flatten操作，结果为：(batch_size,32 * 64 * 64)
PitVis-2023挑战赛：内镜下垂体瘤手术视频中的手术流程识别|文献速递-深度学习人工智能医疗图像
weixin_38594676的博客
09-01 663
Title题目PitVis-2023 challenge: Workflow recognition in videos of endoscopic pituitary surgeryPitVis-2023挑战赛：内镜下垂体瘤手术视频中的手术流程识别01文献速递介绍内镜视觉挑战赛与PitVis-2023挑战赛背景及核心内容 “内镜视觉（EndoVis）挑战赛”自2015年起开始举办，由医学图像计算与计算机辅助干预学会（MICCAI Society）主办（Maier-Hein 等人，2022）。该赛事涵盖一系
Day 41 简单CNN
z_reset的博客
08-31 930
知识回顾数据增强卷积神经网络定义的写法batch归一化：调整一个批次的分布，常用与图像数据特征图：只有卷积操作输出的才叫特征图调度器：直接修改基础学习率卷积操作常见流程如下：输入 → 卷积层 → Batch归一化层（可选） → 池化层 → 激活函数 → 下一层Flatten -> Dense (with Dropout，可选) -> Dense (Output)
从零开始深度学习：实战教程
同时，还提供了两种实现方式，一是从零开始构建，二是通过简洁的接口进行，以帮助读者理解不同复杂度下的实现策略。softmax回归部分则着重于介绍分类问题和softmax模型的构建。 《动手深度学习1》是一本适合初学者...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

想成为风筝

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值