这门课专治“懂概念但跑不动代码”
很多想转行 AI 或刚入门的同学，面对 PyTorch、TensorFlow 这类框架时，常常陷入一种尴尬：理论看得懂，论文也读得起来，但真正要让模型跑起来、调参数、看 loss 下降，就彻底懵了。这本书的核心目标就是填补这个巨大的“实战鸿沟”。它不纠结于晦涩的数学推导，而是直接切入主流深度学习框架的使用逻辑，让你从“知道是什么”跨越到“知道怎么用”。课程围绕两个最关键的痛点展开：一是怎么把零散的工具库组织成可运行的工程，二是怎么从零搭建并训练一个完整的神经网络。通过配套的代码案例，你会反复看到同样的结构被拆解、重组、优化，这种高频重复是建立肌肉记忆的唯一途径。适合谁学、建议怎么啃
这份资料主要适合具备基础 Python 语法能力、了解神经网络基本原理（如前向传播、反向传播概念），但缺乏实际动手经验的学员。如果你连 pip install 都搞不明白，或者对张量（Tensor）和自动求导毫无概念，建议先补齐基础再进场。学习顺序上，不要试图一次性吃完。先通过《深度学习开源框架》系列视频建立全局观，搞清楚不同框架的定位差异；紧接着必须同步打开《配套案例》代码包，亲手跑通每一个示例。代码包里包含“深度学习”和“卷积神经网络”两个维度的案例，前者侧重通用训练流程，后者侧重计算机视觉任务的具体实现。你需要做的是：看视频、暂停、自己敲一遍代码、故意改错几次看报错信息、再修正。这个过程非常枯燥，但这是从“观众”变成“工程师”的必经之路。学完你能做什么
完成本阶段学习后，你将能够独立完成一个标准深度学习项目的搭建。具体来说，你可以熟练配置开发环境，选择合适的主流框架；能够从零开始编写训练脚本，实现数据的加载、模型的构建、损失函数的选择以及优化器的调度；能够区分训练阶段和推理阶段的不同代码路径，并正确保存和加载模型权重。最重要的是，你将不再畏惧报错信息，而是能根据日志快速定位是维度不匹配、梯度消失还是数据预处理的问题。这套能力是后续进阶大模型微调、RAG 应用开发或复杂架构设计的基石。建议学习过程中，将代码包解压（密码：badouai）后，按模块分类整理到自己的工程目录下，边学边积累个人的代码片段库，这对日后查漏补缺效率提升极大。课程介绍
八斗.jpg 2025-6-25 16:24 上传 1.png 2025-6-25 16:21 上传 2.png 2025-6-25 16:21 上传 ├── 【实战】主流深度学习框架 │ ├── 【代码】配套案例 │ │ ├── 代码(解压密码：badouai)深度学习.zip │ │ ├── 代码(解压密码：badouai)（卷积神经网络）.zip │ ├── 【视频】深度学习框架 │ │ ├── 深度学习开源框架02.mp4 │ │ ├── 从零开始训练网络02.mp4 │ │ ├── 从零开始训练网络01.mp4 │ │ ├── 推理和训练.mp4 │ │ ├── 深度学习开源框架03.mp4 │ │ ├── 从零开始训练网络03.mp4 │ │ ├── 从零开始训
课程目录
八斗.jpg 2025-6-25 16:24 上传 1.png 2025-6-25 16:21 上传 2.png 2025-6-25 16:21 上传 ├── 【实战】主流深度学习框架 │ ├── 【代码】配套案例 │ │ ├── 代码(解压 │ │ ├── 代码(解压 │ ├── 【视频】深度学习框架 │ │ ├── 深度学习开源框架02.mp4 │ │ ├── 从零开始训练网络02.mp4 │ │ ├── 从零开始训练网络01.mp4 │ │ ├── 推理和训练.mp4 │ │ ├── 深度学习开源框架03.mp4 │ │ ├── 从零开始训练网络03.mp4 │ │ ├── 从零开始训练网络04.mp4 │ │ ├── 深度学习开源框架01.mp4 │ │ ├── 卷积神经网络04.mp4 │ │ ├── 深度学习开源框架.mp4 │ ├── 【PPT】随堂课程 │ │ ├── 从零开始训练网络.pptx │ │ ├── 卷积神经网络.pptx │ │ ├── 深度学习开源框架.pptx ├── 【讲座 】 最落地的图像识别实践案例 │ ├── 代码 │ │ ├── train.zip │ │ ├── AlexNet-Keras-master.zip │ │ ├── last1.h5 │ │ ├── readme.txt │ ├── 公开课-卷积神经网络.pdf │ ├── 最落地的图像识别案例.mp4 ├── 01、最新保姆级计算机视觉学习路线 │ ├── 【5】立体视觉&图像聚类 │ │ ├── 代码 │ │ │ ├── K-Means_RGBwww..py │ │ │ ├── K-Meanswww..py │ │ │ ├── 密度聚类www..py │ │ │ ├── 层次聚类www..py │ │ │ ├── K-Means_athletewww..py │ │ ├── 视频 │ │ │ ├── 【5.1】立体视觉-双目系统www..mp4 │ │ │ ├── 【5.2】点云模型www..mp4 │ │ │ ├── 【5.3】Kmeanswww..mp4 │ │ │ ├── 【5.4】层次聚类&密度聚类www..mp4 │ │ ├── PPT │ │ │ ├── 【08】立体视觉www..pdf │ │ │ ├── 【09】点云模型www..pdf │ │ │ ├── 【10】图像聚类算法www..pdf │ ├── 【1】初入人工智能 │ │ ├── 视频 │ │ │ ├── 【1.1】开学典礼【海量 资源：666java.cn】.mp4 │ │ │ ├── 【1.4】计算机视觉【海量 资源：666java.cn】.mp4 │ │ │ ├── 【1.3】机器学习&深度学习【海量 资源：666java.cn】.mp4 │ │ │ ├── 【1.2】初入人工智能【海量 资源：666java.cn】.mp4 │ │ ├── PPT │ │ │ ├── 【02】计算机视觉简介www..pdf │ │ │ ├── 【01】开学典礼www..pdf │ ├── 【7】OpenCV&深度学习 │ │ ├── 视频 │ │ │ ├── 【7.3】哈希算法www..mp4 │ │ │ ├── 【7.1】OpenCV&最小二乘法www..mp4 │ │ │ ├── 【7.4】神经网络www..mp4 │ │ │ ├── 【7.2】Ransacwww..mp4 │ │ ├── 代码 │ │ │ ├── 最小二乘法 │ │ │ │ ├── Least squareswww..py │ │ │ │ ├── train_datawww..csv │ │ │ ├── ransacwww..py │ │ │ ├── lennawww..png │ │ │ ├── Hashwww..py │ │ │ ├── lenna_noisewww..png │ │ ├── PPT │ │ │ ├── 【13】OpenCV算法解析www..pdf │ │ │ ├── 【14】深度学习与神经网络www..pdf │ ├── 【6】图像滤波&SIFT │ │ ├── PPT │ │ │ ├── 【12】尺度不变特征变换-SIFTwww..pdf │ │ │ ├── 【11】图像滤波器www..pdf │ │ ├── 代码 │ │ │ ├── 椒盐噪声www..py │ │ │ ├── 噪声www..py │ │ │ ├── SIFT_关键点www..py │ │ │ ├── SIFT_特征匹配www..py │ │ │ ├── 高斯噪声www..py │ │ │ ├── iphone1www..png │ │ │ ├── iphone2www..png │ │ ├── 视频 │ │ │ ├── 【6.3】SIFT1www..mp4 │ │ │ ├── 【6.2】图像增强www..mp4 │ │ │ ├── 【6.4】SIFT2www..mp4 │ │ │ ├── 【6.1】图像噪声www..mp4 │ ├── 【2】数学基础&数字图像 │ │ ├── PPT │ │ │ ├── 【04】数字图像www..pdf │ │ │ ├── 【03】机器学习涉及的数学基础www..pdf │ │ ├── 视频 │ │ │ ├── 【2.2】数学基础2www..mp4 │ │ │ ├── 【2.4】插值算法www..mp4 │ │ │ ├── 【2.3】数字图像www..mp4 │ │ │ ├── 【2.1】数学基础1www..mp4 │ │ ├── 代码 │ │ │ ├── nearest interpwww..py │ │ │ ├── bilinear interpolationwww..py │ │ │ ├── lennawww..png │ │ │ ├── test_image_graywww..py │ ├── 【4】边缘检测&相机模型 │ │ ├── 代码 │ │ │ ├── 透视变换www..py │ │ │ ├── canny_detailwww..py │ │ │ ├── warpMatrixwww..py │ │ │ ├── cannywww..py │ │ │ ├── canny_trackwww..py │ │ │ ├── sobel_laplace_cannywww..py │ │ │ ├── photo1www..jpg │ │ ├── 视频 │ │ │ ├── 【4.1】边缘检测www..mp4 │ │ │ ├── 【4.3】相机模型www..mp4 │ │ │ ├── 【4.2】cannywww..mp4 │ │ │ ├── 【4.4】透视变换www..mp4 │ │ ├── PPT │ │ │ ├── 【07】相机模型www..pdf │ │ │ ├── 【06】边缘提取www..pdf │ ├── 【3】数字图像&特征提取 │ │ ├── 代码 │ │ │ ├── Histogram Equalizationwww..py │ │ │ ├── PCA_sklearnwww..py │ │ │ ├── PCA_numpy_detailwww..py │ │ │ ├── PCAwww..py │ │ │ ├── PCA_numpywww..py │ │ │ ├── histogramwww..py │ │ ├── PPT │ │ │ ├── 【05】特征选择与特征提取www..pdf │ │ ├── 视频 │ │ │ ├── 【3.4】PCAwww..mp4 │ │ │ ├── 【3.2】卷积&滤波www..mp4 │ │ │ ├── 【3.1】直方图均衡化www..mp4 │ │ │ ├── 【3.3】特征选择www..mp4 ├── 【讲座】从0到1带你构建知识图谱 │ ├── 知识图谱论文资源 │ │ ├── 2009.02252v1.pdf │ │ ├── 1804.08217.pdf │ │ ├── 2107.13349.pdf │ │ ├── scarlini_etal_aaai2020.pdf │ │ ├── 1711.04071.pdf │ │ ├── 2002.00388.pdf │ │ ├── 1909.01066.pdf │ │ ├── 2001.00461.pdf │ │ ├── 1905.07129.pdf │ │ ├── 2107.13715.pdf │ │ ├── 1909.04164.pdf │ │ ├── 2005.00206.pdf │ │ ├── 3394486.3403323.pdf │ │ ├── 1904.09223.pdf │ │ ├── 1709.05453.pdf │ │ ├── 1912.00147.pdf │ │ ├── 1909.05855.pdf │ │ ├── 1911.06136.pdf │ │ ├── query2box_reasoning_over_knowl.pdf │ │ ├── cikm_2020_sun.pdf │ │ ├── 1606.04422.pdf │ │ ├── 1909.08402.pdf │ │ ├── C16-1062.pdf │ │ ├── 1912.07491.pdf │ │ ├── D16-1245.pdf │ │ ├── 2002.00388 .pdf │ │ ├── N18-2108.pdf │ │ ├── query2box_reasoning_over_knowl (1).pdf │ │ ├── 1902.10197.pdf │ │ ├── 1906.05317.pdf │ │ ├── 1911.12753.pdf │ │ ├── 知识图谱表示学习综述.pptx │ │ ├── 1811.00146.pdf │ │ ├── 1907.12412.pdf │ │ ├── 1912.09637.pdf │ │ ├── 12484-55980-1-PB (1).pdf │ │ ├── 1911.07132.pdf │ │ ├── 2003.02320.pdf │ │ ├── 1909.05311.pdf │ │ ├── 0643.pdf │ │ ├── D17-1123.pdf │ │ ├── EMNLP-TACL5.pdf │ │ ├── 12484-55980-1-PB.pdf │ │ ├── P19-1226.pdf │ ├── kgqa_base_on_sentence_match.rar │ ├── 从0到1带你构建知识图谱.mp4 │ ├── 知识图谱公开课.pptx ├── 【实战】入门图像识别 │ ├── 【视频】图像识别 │ │ ├── 深度学习与神经网络.mp4 │ │ ├── CNN图像识别02.mp4 │ │ ├── 哈希算法.mp4 │ │ ├── OpenCV .mp4 │ │ ├── RANSAC.mp4 │ │ ├── CNN图像识别01.mp4 │ │ ├── 最小二乘法 .mp4 │ │ ├── CNN图像识别03.mp4 │ ├── 【代码】配套案例 │ │ ├── 最小二乘法 │ │ │ ├── train_data.csv │ │ │ ├── Least squares.py │ │ ├── 图像识别-01代码01-1 │ │ │ ├── Cifar │ │ │ │ ├── cifar_data │ │ │ │ │ ├── cifar-10-batches-bin │ │ │ │ │ │ ├── data_batch_4.bin │ │ │ │ │ │ ├── data_batch_1.bin │ │ │ │ │ │ ├── data_batch_5.bin │ │ │ │ │ │ ├── readme.html │ │ │ │ │ │ ├── data_batch_3.bin │ │ │ │ │ │ ├── test_batch.bin │ │ │ │ │ │ ├── batches.meta.txt │ │ │ │ │ │ ├── data_batch_2.bin │ │ │ │ │ ├── cifar-10-binary.tar.gz │ │ │ │ ├── Cifar10_data.py │ │ │ │ ├── cifar-10.py │ │ │ ├── VGG16-tensorflow │ │ │ │ ├── nets │ │ │ │ │ ├── __pycache__ │ │ │ │ │ │ ├── vgg16.cpython-36.pyc │ │ │ │ │ │ ├── vgg16.cpython-37.pyc │ │ │ │ │ ├── vgg16.py │ │ │ │ ├── model │ │ │ │ │ ├── vgg_16.ckpt │ │ │ │ ├── __pycache__ │ │ │ │ │ ├── utils.cpython-37.pyc │ │ │ │ │ ├── utils.cpython-36.pyc │ │ │ │ ├── test_data │ │ │ │ │ ├── table.jpg │ │ │ │ │ ├── dog.jpg │ │ │ │ ├── utils.py │ │ │ │ ├── demo.py │ │ │ │ ├── synset.txt │ │ │ ├── AlexNet-Keras-master.rar │ │ │ ├── train.zip │ │ ├── 图像识别0203-代码0203-1 │ │ │ ├── resnet50_tf │ │ │ │ ├── bike.jpg │ │ │ │ ├── resnet50_weights_tf_dim_ordering_tf_kernels.h5 │ │ │ │ ├── elephant.jpg │ │ │ │ ├── resnet50.py │ │ │ ├── inceptionV3_tf │ │ │ │ ├── inception_v3_weights_tf_dim_ordering_tf_kernels.h5 │ │ │ │ ├── elephant.jpg │ │ │ │ ├── inceptionV3.py │ │ │ ├── mobilenet │ │ │ │ ├── mobilenet.py │ │ │ │ ├── mobilenet_1_0_224_tf.h5 │ │ │ │ ├── elephant.jpg │ │ ├── Hash.py │ │ ├── Hash_素材生成.py │ │ ├── Hash_all.py │ │ ├── DCT.py │ │ ├── ransac.py │ │ ├── lenna_noise.png │ │ ├── PHash.py │ ├── 【PPT】随堂课程 │ │ ├── 图像识别0203-PPT0203-2 │ │ │ ├── 【19】图像识别.pdf │ │ │ ├── 【20】物体检测.pdf │ │ ├── 图像识别-01 PPT 01-2 │ │ │ ├── 【19】图像识别.pptx │ │ ├── 【13】OpenCV算法解析.pptx │ │ ├── 【14】深度学习与神经网络.pptx ├── 【讲座】无中生有，fake图像！ │ ├── 【PPT】随堂课程 │ │ ├── 公开课-生成模型.pdf │ ├── 【代码】配套案例 │ │ ├── 「随堂代码」GAN_minist.py │ ├── 【视频】生成模型 │ │ ├── 无中生有，fake图像.mp4 ├── 【实战】最火的行人目标检测 │ ├── 最火的车辆行人检测.mp4 │ ├── yolo3-tensorflow-master.rar │ ├── 公开课-yolo.pdf ├── 【必备】AI电子书籍 │ ├── 程序员的数学1.pdf │ ├── 算法新解-刘新宇.pdf │ ├── 《统计学习方法》第2版课件.zip │ ├── 数学之美第2版.zip │ ├── 百面机器学习算法工程师带你去面试.pdf │ ├── LDA漫游指南.pdf │ ├── 南瓜书.pdf │ ├── 机器学习实战.pdf │ ├── 支持向量机通俗导论（理解SVM的三层境界）LaTeX最新版_2015.1.9.pdf │ ├── 机器学习[西瓜书].zip │ ├── 统计学习方法（李航）.pdf │ ├── 西瓜书.pdf │ ├── Learning From Data_低配版.pdf │ ├── 动手学深度学习.pdf │ ├── 机器人建模和控制@www.java1234.com.pdf │ ├── 程序员的数学2-概率统计 ,平冈和幸，（日）堀玄著 ,P406.pdf │ ├── 统计学习方法.zip │ ├── 项亮-推荐系统实践.pdf │ ├── 程序员的数学3-线性代数.pdf │ ├── 深度学习(花书).pdf │ ├── 吴恩达资料.txt │ ├── OpenCV-contrib modules中文教程抢鲜版.pdf │ ├── 2019人工智能发展报告.pdf │ ├── 科来网络通讯协议图.pdf │ ├── Pytorch常用函数手册.pdf │ ├── 推荐系统实践.pdf │ ├── Python视觉实战项目52讲.pdf ├── 【讲座】彻底搞懂 Google bert 模型 │ ├── attention is all you need.pdf │ ├── BERT.pdf │ ├── sentence bert.pdf │ ├── R-bert关系抽取.pdf │ ├── bert介绍.pptx │ ├── 彻底搞懂 Google bert 模型.mp4 │ ├── diy_bert.py ├── 【讲座】NLP少样本困境破局之道--文本增强 │ ├── 论文&课程PPT │ │ ├── 文本增强公开课.pptx │ │ ├── EDA.pdf │ │ ├── LAMBADA.pdf │ │ ├── Contextual augment.pdf │ │ ├── UDA.pdf │ │ ├── cbert.pdf │ ├── 文本增强.mp4 ├── 【讲座】BERT大家族讲解（论文、代码、PPT） │ ├── 公开课-论文&代码&课件 │ │ ├── gpt.pdf │ │ ├── xlnet.pdf │ │ ├── spanBert.pdf │ │ ├── nezha.pdf │ │ ├── t5.pdf │ │ ├── BERT.pdf │ │ ├── ernie-baidu.pdf │ │ ├── elmo.pdf │ │ ├── gpt3.pdf │ │ ├── albert.pdf │ │ ├── gpt2.pdf │ │ ├── diy_bert.py │ │ ├── ernie-qinghua.pdf │ │ ├── bert family.pptx │ │ ├── transformer-xl.pdf │ │ ├── roberta.pdf │ │ ├── unilm.pdf │ ├── BERT大家族讲解讲座回放.mp4
