各位未来的AI大神，请留步！
黑马程序员含金量爆表的硬核教程——《神经网络与深度学习》正式上线啦！如果你曾对AI大模型心动，但纠结于算法理论看不懂、实战项目做不来......
别划走！这可能是你逆袭AI开发的最佳机会！这不仅是又一门课程，更是你从入门到实战、从理论到高薪的AI开发直通车。
为什么说这套课是“AI入行必修课”？
► 行业硬通货：AI大模型席卷一切，不懂深度学习=错失高薪入场券！
► 学习零压力：保姆级课程设计，7天密集攻坚，带你从框架一路通关至实战！
► 效果看得见：掌握核心技能，用实实在在的项目惊艳面试官！
无论你是初出茅庐的应届生，还是寻求转行的职场人，这套课程都将助你快速斩获深度学习硬核技能，稳稳踏上AI时代的职业风口！
点击查看导学视频：
作为【零基础入门Python+AI大模型开发】体系课程的第四阶段，本课程专攻神经网络与深度学习，旨在系统培养你的算法建模能力，助力你成长为新一代AI大模型开发工程师/算法工程师。
全程7天学习，科学划分为四个阶段：
阶段一（3天）：Pytorch基础–掌握核心工具
阶段二（2天）：深度学习基础–夯实理论根基
阶段三（1天）：【图像】CNN卷积神经网络
阶段四（1天）：【文本】RNN循环神经网络
本课程带你纵览深度学习全貌——从其发展历程、应用场景，到Pytorch框架与ANN人工神经网络，构建完整知识体系。我们以实战驱动教学，覆盖图像与文本两大核心领域的CNN与RNN算法，通过丰富案例，让你在Pytorch框架下亲手完成实战任务，真正学以致用。
完成学习后，你将系统掌握从Pytorch框架、BP神经网络，到CV领域的CNN算法及NLP领域的RNN算法，具备搭建基础神经网络结构的能力，并能独立解决图像分类、文本生成等核心问题。
1. 技能全覆盖：培养学生具备从Pytorch深度学习框架、BP神经网络、CV图像领域核心CNN算法模型到NLP领域核心RNN算法模型搭建能力
2. 实战导向强：能够结合实际业务搭建基础神经网络结构，解决图像和文本领域核心问题。
3. 框架选得好：选择主流的Pytorch深度学习框架，覆盖张量创建、自动微分、Pytorch模型搭建完整内容。
4. 基础挖得深：覆盖核心深度学习基础，不仅有梯度下降及其优化算法，还包括了反向传播、dropout正则化、BN层、激活函数分类及选型等核心基础。
5. 衔接进阶课：深度学习核心解决CV图像识别问题及NLP自然语言处理问题，该课程以实战为导向，覆盖CV和NLP核心算法，学完即可完成图像分类和文本生成实际案例。
6. 体系化学习：该课程同时作为NLP和CV的基础课，为后续在NLP自然处理领域和CV计算机视觉领域进一步深造打下基础。
👉熟练使用Pytorch深度学习框架
👉掌握神经网络基础知识
👉掌握反向传播原理
👉了解深度学习正则化与算法优化
👉利用卷积神经网络（CNN）技术，解决图像分类问题
👉掌握循环神经网络（RNN）技术，解决文本生成问题
👉掌握深度学习核心应用场景及解决问题
这三类人，千万别错过：
刚毕业的迷茫党：没经验，想入行有前景的领域？AI大模型是当下的“香饽饽”，助你用AI项目给简历镀金；
零基础的转行者：想跳出原行业，用AI解决实际问题？不管你之前是做什么的，只要想入门AI，这套“从框架到实战”的教程就是你的最佳选择；
想晋升的职场人：有Java、前端、大数据、运维、嵌入式等开发经验，却遇到职场瓶颈？进入AI赛道，拓展技能边界，轻松实现加薪晋升！
播妞提醒：该教程需要基础（Python基础语法、大模型Python语言进阶、数据处理与统计分析、机器学习），可前往黑马B站根据路线图进行学习。
上下滑动查看：
Day01
01.深度学习_知识框架介绍
02.深度学习_简介
03.深度学习_特点
04.深度学习_常用模型介绍
05.深度学习_应用场景介绍
06.深度学习_发展史介绍
07.PyTorch框架简介
08.PyTorch_张量基本创建方式
09.PyTorch_创建全0_1_指定值张量
09.PyTorch_创建线性和随机张量
10.PyTorch_元素类型转换
11.PyTorch_创建张量方式总结
Day02
01.今日内容大纲介绍
02.张量和Numpy之间相互转换
03.张量的基本运算
04.张量点乘和矩阵乘法
05.张量的常用运算函数
06.张量的索引操作(上)
07.张量的索引操作(下)
08.上午内容回顾
09.张量的形状操作_reshape函数
10.张量的形状操作_unsqueeze和squeeze函数
11.张量的形状操作_transpose和permute函数
12.张量的形状操作_view和contiguous函数
13.张量的拼接操作
14.自动微分模块_介绍
15.自动微分模块案例_更新一次参数
16.自动微分模块案例_循环更新参数
Day03
01.自动微分小问题_detach函数
02.自动微分真实应用场景
03.PyTorch模拟线性回归_准备数据集
04.PyTorch模拟线性回归_模型训练
05.PyTorch模拟线性回归_可视化操作
06.如何构建神经网络(neural network)
07.神经网络_文字介绍
08.激活函数介绍
09.Sigmoid激活函数介绍
10.Tanh激活函数介绍
11.ReLU激活函数介绍
12.Softmax激活函数介绍
Day04
01.参数初始化_介绍
02.参数初始化_代码演示
03.神经网络_搭建流程介绍
04.神经网络_搭建代码实现
05.神经网络_模型训练
06.神经网络_总结
07.损失函数_多分类交叉熵损失介绍
08.损失函数_二分类交叉熵损失介绍
09.损失函数_MAE损失函数介绍
10.损失函数_MSE损失函数介绍
11.损失函数_Smooth L1损失函数介绍
12.梯度下降算法回顾
13.反向传播(了解)
Day05
01.梯度相关知识点回顾
02.指数移动加权平均介绍
03.梯度下降优化方法_动量法
04.梯度下降优化方法_AdaGrad
05.梯度下降优化方法_RMSProp
06.扩展_PyCharm常用插件介绍
07.扩展_如何快速修改PyCharm主题
08.梯度下降优化方法_Adam
09.梯度下降优化方法_总结
10.学习率优化_背景介绍
11.学习率衰减策略_等间隔学习率衰减
12.学习率衰减策略_指定间隔学习率衰减
13.学习率衰减策略_指数间隔学习率衰减
14.学习率衰减策略_总结
15.正则化_dropout(随机失活)介绍
16.正则化_dropout(随机失活)代码演示
17.正则化_批量归一化(BN)介绍
18.正则化_批量归一化(BN)代码实现
19.ANN案例_手机价格分类_需求介绍
20.ANN案例_手机价格分类_准备数据集
Day06
01.ANN案例_手机价格分类_准备数据集(回顾)
02.ANN案例_手机价格分类_搭建神经网络
03.ANN案例_手机价格分类_模型训练
04.ANN案例_手机价格分类_模型测试
05.ANN案例_手机价格分类_调优思路
06.图像相关知识介绍
07.上午内容回顾
08.CNN概述介绍
09.卷积层_计算规则介绍
10.卷积层_填充(Padding)介绍
11.卷积层_步长(Stride)介绍
12.卷积层_多通道卷积计算
13.卷积层_多卷积核卷积计算
14.卷积层_特征图(FeatureMap)计算规则
15.卷积层_API介绍
16.池化层_介绍
17.池化层_API介绍
Day07
01.今日内容大纲介绍
02.CNN图像分类案例_准备数据集
03.CNN图像分类案例_搭建神经网络_思路分析
04.CNN图像分类案例_搭建神经网络_代码实现
05.CNN图像分类案例_模型训练
06.CNN图像分类案例_模型测试
07.CNN图像分类案例_优化及总结
08.RNN介绍
09.词嵌入层_解释
10.词嵌入层_API演示
11.RNN层(循环网络层)_简介
12.RNN层(循环网络层)_API演示
13.RNN_AI歌词生成器案例_构建词表
14.RNN_AI歌词生成器案例_构建数据集
15.RNN_AI歌词生成器案例_搭建神经网络
16.RNN_AI歌词生成器案例_模型训练
17.RNN_AI歌词生成器案例_模型测试
🔥AI风口已至🔥
别等行业满员才后悔莫及
现在上车，正是时候
黑马带你7天密集突破深度学习
扫码学习，开始起飞
来黑马，成为黑马
黑马热门课程全面焕新
线上线下皆可学（不离校不脱产）
