趋近智

所有课程

Julia 语言深度学习

章节 1: Julia 机器学习入门

Julia在计算密集型任务中的长处

机器学习背景下的类型系统与多重分派

数据科学所需的核心Julia包

Julia 数值计算：数组与线性代数

自动微分：核心机制

Julia 机器学习包集合概述

配置您的Julia深度学习环境

实践：Julia 用于数据处理与基本算法

章节 2: Flux.jl 深度学习入门

Flux.jl：设计原则与架构

Flux.jl 基本构成：层、模型和链

定义简单的神经网络层

在 Flux 中使用激活函数

损失函数：衡量模型误差

优化器：引导学习过程

Zygote.jl：Flux中的自动微分

构建 Flux 中的基础神经网络

实践操作：使用 Flux 构建一个简单回归器

章节 3: 构建神经网络架构

Julia 中的数据准备与预处理

处理数据集：使用 MLUtils.jl 的迭代器和加载器

构建多层感知器（MLP）

卷积神经网络（CNN）与 Flux

Flux 中的循环神经网络（RNN）与长短期记忆网络（LSTM）

处理序列数据的嵌入

在 Flux 中创建自定义层

模型序列化：保存和加载Flux模型

实践：为图像分类实现一个卷积神经网络

章节 4: 训练与评估深度学习模型

剖析模型训练循环

模型训练中的批次划分与周期

使用回调进行训练监控

常用分类和回归评估指标

应用正则化：Dropout和权重衰减

超参数调优策略

可视化训练进度和模型表现

调试 Flux 模型和训练过程

动手实践：模型训练与调优

章节 5: 进阶议题与GPU计算

GPU 加速：使用 CUDA.jl 和 Flux

在GPU上管理数据

Flux模型性能分析与优化

在 Julia 中使用预训练模型

使用 Flux 介绍生成模型

Julia其他深度学习库简要概览

互操作性：从 Julia 调用 Python 库用于深度学习

Julia 深度学习应用程序的部署方式

实践：使用GPU加速训练

章节 3: 构建神经网络架构

课程章节

3.1 Julia 中的数据准备与预处理
3.2 处理数据集：使用 MLUtils.jl 的迭代器和加载器
3.3 构建多层感知器（MLP）
3.4 卷积神经网络（CNN）与 Flux
3.5 Flux 中的循环神经网络（RNN）与长短期记忆网络（LSTM）
3.6 处理序列数据的嵌入
3.7 在 Flux 中创建自定义层
3.8 模型序列化：保存和加载Flux模型
3.9 实践：为图像分类实现一个卷积神经网络

© 2025 ApX Machine Learning