如果你已经能用反向传播手写一个全连接网络，却说不清卷积核为什么能减少参数量、RNN 的梯度在时间步上到底怎么消失、GAN 的训练为什么老是崩，那这门课补的正是这三处缺口。它不是零基础入门课，默认你会用 Python、懂矩阵乘法、看过基本的神经网络推导。缺前面这些的话，先去补线性代数和 BP 推导，再回来。

它假设你已经会什么

课程从「神经网络进阶」切入，而不是从感知机讲起，说明起点较高。你至少应该能独立解释：全连接层的参数量怎么算、交叉熵损失配 softmax 的梯度长什么样、mini-batch 和 epoch 的区别。如果这些还需要查资料，学习曲线会比较陡。反过来，只要这些过关，课程内容就落在一个舒服的区间——不至于重复你已知的，也不会跳到你跟不上的地方。

三个模块各自解决什么问题

CNN 部分要回答的是「空间结构怎么被利用」。你会遇到局部连接、权值共享、池化这些概念背后的动机，而不只是记公式。真正需要动手确认的是：给定输入尺寸和卷积参数，输出特征图多大、感受野怎么算、参数为什么比全连接少一个量级。

RNN 部分处理的是「序列里的时序依赖」。重点不在记住 LSTM 的三个门，而在理解普通 RNN 的梯度在长序列上为什么会衰减或爆炸，LSTM 和 GRU 又是用哪条路径把梯度留住的。这些问题想清楚，再看后续的注意力机制才不会觉得是凭空冒出来的。

GAN 部分是三者里最容易「跑起来但看不出对错」的。生成器和判别器的对抗目标、模式崩溃、训练不稳定的表现，都需要你边跑边观察损失曲线的形态。这一块建议不要只看讲解，一定要把代码跑一遍，盯着输出图像随 epoch 的变化。

配套源码和课件怎么用

资料包里有各章的文档和实战代码，另有一个 AutoML 的章节。建议的顺序是：先看原理讲解，合上视频自己推导一遍关键公式，再打开源码对着实现找差距，最后改参数做消融。比如把卷积核尺寸换掉、把 RNN 换成 LSTM、调 GAN 的学习率比例，看结果怎么变。只跑通一遍默认配置，收获会少一大半。AutoML 那部分可以当作对前面手工调参的一次对照，理解自动化搜索在做什么、代价在哪。

看完你应该能回答这些问题

同一个任务，用全连接和用 CNN，参数量差多少、为什么？
RNN 的梯度消失具体发生在哪个环节，LSTM 用什么机制缓解？
GAN 的判别器太强或太弱分别会导致什么现象，怎么从损失上判断？
给你一个图像分类和一段文本分类任务，你会分别选哪类网络结构，理由是什么？

如果这些问题你能不查资料讲清楚，这门课的目的就达到了；如果只能说出名词却讲不出原因，说明还停留在「见过」的层次，值得再回来把对应的实战部分重跑一遍。

深度学习神经网络（CNN、RNN、GAN）算法原理与实战教程（含源码课件）

CNN、RNN、GAN实战教程

编辑点评

深入浅出讲解深度学习算法原理，实战项目丰富，适合进阶学习。

⭐ 编辑推荐

本教程涵盖CNN、RNN、GAN等深度学习算法，从原理到实战，助你掌握核心技能。

课程亮点

• 深度学习算法原理讲解

• 实战项目丰富

• 适合进阶学习

课程目录

📁 第11章 课程总结
    第11章 课程总结说明.zip  [1.8 MB]
    11-1 课程总结.mp4  [33.7 MB]
📁 第10章 自动机器学习网络-AutoML
    第10章 自动机器学习网络-AutoML必看.zip  [1.8 MB]
    10-1 AutoML引入_深度学习之神经网络RNNGAN算法原理实战.mp4  [13.6 MB]
    10-3 自动网络结构搜索算法一的分布式训练_深度学习之神经网络RNNGAN算法原理实战.mp4  [27.7 MB]
    10-4 自动网络结构搜索算法二_深度学习之神经网络RNNGAN算法原理实战.mp4  [26.6 MB]
    10-5 自动网络结构搜索算法三_深度学习之神经网络RNNGAN算法原理实战.mp4  [25.4 MB]
    10-2 自动网络结构搜索算法一_深度学习之神经网络RNNGAN算法原理实战.mp4  [44.4 MB]
📁 第3章 卷积神经网络
    第3章 卷积神经网络文档.zip  [1.8 MB]
    3-4 卷积神经网络实战.mp4  [128.5 MB]
    3-1 神经网络进阶.mp4  [48.9 MB]
    3-2 卷积神经网络（1）.mp4  [61.4 MB]
    3-3 卷积神经网络（2）.mp4  [39.6 MB]
📁 第8章 图像生成文本
    第8章 图像生成文本必看.png  [493.5 KB]
    8-21 文本生成图像问题引入与本节课总结.mp4  [17.1 MB]
    8-7 Bottom-up Top-down Attention模型.mp4  [14.6 MB]
    8-15 ImageCaptionData类封装-图片特征读取.mp4  [83.0 MB]
    8-4 Multi-Modal RNN模型.mp4  [27.2 MB]
    8-19 计算图构建-rnn结构实现、损失函数与训练算子实现.mp4  [161.9 MB]
    8-3 Encoder-Decoder框架与Beam Search算法生成文本.mp4  [14.2 MB]
    8-12 输入输出文件与默认参数定义.mp4  [39.6 MB]
    8-13 词表载入.mp4  [58.2 MB]
    8-8 图像生成文本模型对比与总结.mp4  [10.0 MB]
    8-20 训练流程代码.mp4  [77.7 MB]
    8-5 Show and Tell模型.mp4  [7.5 MB]
    8-1 图像生成文本问题引入⼊.mp4  [59.6 MB]
    8-9 数据介绍，词表生成.mp4  [86.2 MB]
    8-17 计算图构建-辅助函数实现.mp4  [42.4 MB]
    8-6 Show attend and Tell 模型.mp4  [49.9 MB]
    8-10 图像特征抽取(1)-文本描述文件解析.mp4  [60.7 MB]
    8-18 计算图构建-图片与词语embedding.mp4  [94.6 MB]
    8-2 图像生成文本评测指标.mp4  [17.6 MB]
    8-14 文本描述转换为ID表示.mp4  [38.3 MB]
    8-16 ImageCaptionData类封装-批数据生成.mp4  [155.5 MB]
    8-11 图像特征抽取(2)-Inception3预训练模型抽取图像特征.mp4  [87.1 MB]
📁 第6章 图像风格转换
    第6章 图像风格转换说明.png  [493.5 KB]
    6-2 卷积神经网络的能力.mp4  [54.0 MB]
    6-6 GG16模型搭建与载入类的封装.mp4  [162.3 MB]
    6-5 GG16预训练模型读取函数封装.mp4  [69.2 MB]
    6-1 卷积神经网络的应用.mp4  [46.3 MB]
    6-3 图像风格转换1算法.mp4  [33.3 MB]
    6-11 图像风格转换2算法.mp4  [43.0 MB]
    6-9 图像风格转换训练流程代码实现.mp4  [194.9 MB]
    6-7 图像风格转换算法定义输入与调用GG-Net.mp4  [87.7 MB]
    6-12 图像风格转换3算法.mp4  [16.1 MB]
    6-10 图像风格转换效果展示.mp4  [52.2 MB]
    6-8 图像风格转换计算图构建与损失函数计算.mp4  [109.1 MB]
    6-4 GG16预训练模型格式.mp4  [31.7 MB]
📁 第1章 课程介绍
    第1章 课程介绍资料.zip  [1.8 MB]
    1-1 课程导学.mp4  [45.4 MB]
📁 第9章 对抗神经网络
    9-1 对抗生成网络原理.mp4  [213.0 MB]
    9-3 反卷积.mp4  [36.5 MB]
    9-4 深度卷积对抗生成网络DCGAN(2)_深度学习之神经网络RNNGAN算法原理实战.mp4  [21.4 MB]
    9-16 DCGAN训练算子实现_深度学习之神经网络RNNGAN算法原理实战.mp4  [49.0 MB]
    9-13 DCGAN生成器器实现.mp4  [720.8 MB]
    9-14 DCGAN判别器实现.mp4  [334.9 MB]
    9-6 无配对图像翻译CycleGAN(1)_深度学习之神经网络RNNGAN算法原理实战.mp4  [17.4 MB]
    9-9 文本生成图像Text2Img_深度学习之神经网络RNNGAN算法原理实战.mp4  [37.9 MB]
    9-11 DCGAN实战引⼊.mp4  [103.4 MB]
    9-15 DCGAN计算图构建实现与损失函数实现_深度学习之神经网络RNNGAN算法原理实战.mp4  [65.7 MB]
    9-12 数据生成器实现_深度学习之神经网络RNNGAN算法原理实战.mp4  [77.1 MB]
    9-8 多领域图像翻译StarGAN_深度学习之神经网络RNNGAN算法原理实战.mp4  [43.4 MB]
    9-10 对抗生成网络总结_深度学习之神经网络RNNGAN算法原理实战.mp4  [8.2 MB]
    9-5 图像翻译Pix2Pix_深度学习之神经网络RNNGAN算法原理实战.mp4  [46.5 MB]
    9-7 无配对图像翻译CycleGAN(2)_深度学习之神经网络RNNGAN算法原理实战.mp4  [26.7 MB]
    9-2 深度卷积对抗生成网络DCGAN(1).mp4  [24.4 MB]
    9-17 训练流程实现与效果展示_深度学习之神经网络RNNGAN算法原理实战.mp4  [82.4 MB]
📁 第5章 卷积神经网络调参
    第5章 卷积神经网络调参说明.png  [493.5 KB]
    5-11 批归一化实战（2）.mp4  [171.6 MB]
    5-2 激活函数到调参技巧（1）.mp4  [61.4 MB]
    5-9 图像增强实战.mp4  [213.0 MB]
    5-1 adagrad_adam.mp4  [24.0 MB]
    5-10 批归一化实战（1）.mp4  [155.8 MB]
    5-6 fine-tune-实战.mp4  [172.8 MB]
    5-7 actiation-initializer-optimizer-实战.mp4  [179.7 MB]
    5-8 图像增强api使用.mp4  [149.6 MB]
    5-4 Tensorboard实战（1）.mp4  [145.2 MB]
    5-4 Tensorboard实战（1） (1).mp4  [212.4 MB]
    5-3 激活函数到调参技巧（2）.mp4  [47.8 MB]
📁 第7章 循环神经网络
    第7章 循环神经网络文档.png  [493.5 KB]
    7-18 TextCNN实现.mp4  [107.4 MB]
    7-6 RNN与CNN融合解决文本分类.mp4  [47.9 MB]
    7-11 词表封装与类别封装.mp4  [107.9 MB]
    7-10 超参数定义.mp4  [52.1 MB]
    7-8 数据预处理之词表生成与类别表生成.mp4  [72.2 MB]
    7-15 指标计算与梯度算子实现.mp4  [54.4 MB]
    7-1 序列式问题.mp4  [14.2 MB]
    7-12 数据集封装.mp4  [109.2 MB]
    7-4 基于LSTM的文本分类模型(TextRNN与HAN).mp4  [33.8 MB]
    7-13 计算图输入定义.mp4  [68.5 MB]
    7-14 计算图实现.mp4  [87.2 MB]
    7-9 实战代码模块解析.mp4  [19.2 MB]
    7-3 长短期记忆网络.mp4  [26.2 MB]
    7-2 循环神经网络.mp4  [64.5 MB]
    7-5 基于CNN的文本分类模型(TextCNN).mp4  [55.6 MB]
    7-16 训练流程实现.mp4  [92.9 MB]
    7-7 数据预处理之分词.mp4  [130.6 MB]
    7-17 LSTM单元内部结构实现.mp4  [173.6 MB]
    7-19 循环神经网络总结.mp4  [2.8 MB]
📁 第2章 神经网络入门
    第2章 神经网络入门文档.png  [493.5 KB]
    2-1 机器学习、深度学习简介.mp4  [52.1 MB]
    2-4 梯度下降.mp4  [52.7 MB]
    2-7 神经元实现（二分类逻辑斯蒂回归模型实现）.mp4  [323.2 MB]
    2-2 神经元-逻辑斯底回归模型.mp4  [22.6 MB]
    2-3 神经元多输出.mp4  [27.5 MB]
    2-5 数据处理与模型图构建(1).mp4  [101.9 MB]
    2-6 数据处理与模型图构建(2).mp4  [69.8 MB]
    2-8 神经网络实现（多分类逻辑斯蒂回归模型实现）.mp4  [148.0 MB]
📁 第4章 卷积神经网络进阶
    4-5 GG-ResNet实战（2）.mp4  [176.8 MB]
    4-1 卷积神经网络进阶（alexnet）.mp4  [51.2 MB]
    4-2 卷积神经网络进阶（ggnet-Resnet）.mp4  [73.3 MB]
    4-4 GG-ResNet实战（1）.mp4  [160.9 MB]
    4-7 Inception-mobile_net（2）.mp4  [131.7 MB]
    4-6 Inception-mobile_net（1）.mp4  [120.6 MB]
    4-3 卷积神经网络进阶（inception-mobile-net）.mp4  [55.4 MB]
资料.zip  [2.6 GB]