301-350

在线播放

课程目录

任务301： 为什么需要递归神经网络？

任务302： 递归神经网络介绍

任务303： 语言模型

任务304： RNN的深度

任务305： 梯度爆炸和梯度消失

任务306： Gradient Clipping

任务307： LSTM的介绍

任务308： LSTM的应用

任务309： Bi Directional LSTM

任务310： Gated Recurrent Unit

任务311： 问答系统讲解01

任务312： 问答系统讲解02

任务313： Representation Learning

任务314： What makes good representation 01

任务315： What makes good representation 02

任务316： What makes good representation 03

任务317： Why Deep

任务318： Why Deep Learning Hard to Train

任务319： Ways to Solve Training

任务320： Dropout 介绍

任务321： 为什么Dropout防止过拟合现象

任务322： 机器翻译

任务323： Multimodal Learning

任务324： Seq2Seq模型

任务325： Seq2Seq训练介绍

任务326： Inference Decoding

任务327： Exhaustic Search

任务328： Beam Search

任务329： 回顾Multimodal Learning

任务330： Attention注意力机制介绍

任务331： 看图说话介绍

任务332： 图像识别的注意力机制

任务333： 基于GAN及强化学习的文本生成 01

任务334： 基于GAN及强化学习的文本生成 02

任务335： 回顾Seq2Seq模型

任务336： Seq2Seq的Attention

任务337： Self Attention1

任务338： Self Attention2

任务339： 深度文本匹配 01

任务340： 深度文本匹配 02

任务341： 回顾Attention

任务342： RNN LSTM based models

任务343： Transformer的结构

任务344： Each Encoder Block

任务345： Self Attention

任务346： Add Normalize

任务347： BERT概念

任务348： 回顾Language model

任务349： masked Language model

任务350： masked Language model存在的问题