rk0894-尚硅谷AI大模型之NLP教程
——/尚硅谷AI大模型之NLP教程/
├──1.笔记
| └──尚硅谷大模型技术之NLP1.0.3.docx29.73M
├──2.资料
| ├──1.词向量
| | └──sgns.weibo.word.bz2166.51M
| ├──2.数据集
| | ├──1.评论数据集
| | ├──2.对话数据集
| | └──3.中英短句数据集
| └──3.预训练模型
| | └──bert-base-chinese
├──3.代码
└──4.视频
| ├──001-NLP-课程简介.mp426.90M
| ├──002-NLP-课程概述.mp473.93M
| ├──003-NLP-导论-常见任务.mp4147.16M
| ├──004-NLP-导论-技术演进历史.mp4169.82M
| ├──005-NLP-环境准备.mp421.30M
| ├──006-NLP-文本表示-概述.mp4113.00M
| ├──007-NLP-文本表示-分词-英文分词.mp4199.70M
| ├──008-NLP-文本表示-分词-英文分词-BPE算法.mp4148.49M
| ├──009-NLP-文本表示-分词-中文分词.mp488.00M
| ├──010-NLP-文本表示-分词-分词工具-概述.mp421.03M
| ├──011-NLP-文本表示-分词-分词工具-jieba-分词模式.mp464.51M
| ├──012-NLP-文本表示-分词-分词工具-jieba-分词模式-API.mp450.48M
| ├──013-NLP-文本表示-分词-分词工具-jieba-自定义词典.mp459.55M
| ├──014-NLP-文本表示-词表示-one-hot&语义化词向量-概述.mp4108.49M
| ├──015-NLP-文本表示-词表示-语义化词向量-Word2Vec-概述.mp448.16M
| ├──016-NLP-文本表示-词表示-语义化词向量-Word2Vec-原理-Skip-Gram.mp4115.77M
| ├──017-NLP-文本表示-词表示-语义化词向量-Word2Vec-原理-CBOW.mp426.46M
| ├──018-NLP-文本表示-词表示-语义化词向量-Word2Vec-获取-公开词向量-说明.mp483.73M
| ├──019-NLP-文本表示-词表示-语义化词向量-Word2Vec-获取-公开词向量-编码.mp4106.32M
| ├──020-NLP-文本表示-词表示-语义化词向量-训练词向量-概述.mp436.91M
| ├──021-NLP-文本表示-词表示-语义化词向量-训练词向量-实操.mp4156.98M
| ├──022-NLP-文本表示-词表示-语义化词向量-应用-概述.mp450.82M
| ├──023-NLP-文本表示-词表示-语义化词向量-应用-编码.mp4116.20M
| ├──024-NLP-文本表示-词表示-语义化词向量-应用-OOV问题.mp441.28M
| ├──025-NLP-文本表示-词表示-上下文相关词向量.mp469.09M
| ├──026-NLP-传统序列模型-RNN-概述.mp429.11M
| ├──027-NLP-传统序列模型-RNN-基础结构.mp477.31M
| ├──028-NLP-传统序列模型-RNN-示意图.mp421.97M
| ├──029-NLP-传统序列模型-RNN-多层结构.mp432.93M
| ├──030-NLP-传统序列模型-RNN-双向结构.mp474.26M
| ├──031-NLP-传统序列模型-RNN-多层+双向结构.mp416.70M
| ├──032-NLP-传统序列模型-RNN-API-构造参数.mp4107.45M
| ├──033-NLP-传统序列模型-RNN-API-输入输出-概述.mp454.10M
| ├──034-NLP-传统序列模型-RNN-API-输入输出-含义.mp466.91M
| ├──035-NLP-传统序列模型-RNN-API-输入输出-形状分析.mp4135.34M
| ├──036-NLP-传统序列模型-RNN-API-小练习.mp437.48M
| ├──037-NLP-传统序列模型-案例-概述.mp421.22M
| ├──038-NLP-传统序列模型-案例-思路分析-数据集说明.mp4118.22M
| ├──039-NLP-传统序列模型-案例-思路分析-模型结构和训练思路.mp430.91M
| ├──040-NLP-传统序列模型-RNN-案例-项目结构.mp431.62M
| ├──041-NLP-传统序列模型-RNN-案例-数据预处理-思路分析.mp498.17M
| ├──042-NLP-传统序列模型-RNN-案例-数据预处理-读取json文件.mp4106.43M
| ├──043-NLP-传统序列模型-RNN-案例-数据预处理-文件路径说明.mp459.58M
| ├──044-NLP-传统序列模型-RNN-案例-数据预处理-文件路径处理.mp455.66M
| ├──045-NLP-传统序列模型-RNN-案例-数据预处理-构建并保存词表.mp4132.52M
| ├──046-NLP-传统序列模型-RNN-案例-数据预处理-构建训练集.mp4118.13M
| ├──047-NLP-传统序列模型-RNN-案例-数据预处理-保存训练集&测试集.mp465.63M
| ├──048-NLP-传统序列模型-RNN-案例-数据集-说明.mp413.96M
| ├──049-NLP-传统序列模型-RNN-案例-数据集-编码.mp4105.21M
| ├──050-NLP-传统序列模型-RNN-案例-模型定义-初始化方法.mp451.04M
| ├──051-NLP-传统序列模型-RNN-案例-模型定义-前向传播.mp473.33M
| ├──052-NLP-传统序列模型-RNN-案例-训练脚本-环境准备.mp452.24M
| ├──053-NLP-传统序列模型-RNN-案例-训练脚本-训练循环.mp444.40M
| ├──054-NLP-传统序列模型-RNN-案例-训练脚本-单个轮次的训练逻辑.mp477.97M
| ├──055-NLP-传统序列模型-RNN-案例-训练脚本-Tensorboard使用说明.mp4155.47M
| ├──056-NLP-传统序列模型-RNN-案例-训练脚本-保存模型.mp4110.98M
| ├──057-NLP-传统序列模型-RNN-案例-预测脚本-说明.mp416.21M
| ├──058-NLP-传统序列模型-RNN-案例-预测脚本-编码-上.mp4183.99M
| ├──059-NLP-传统序列模型-RNN-案例-预测脚本-编码-下.mp4102.84M
| ├──060-NLP-传统序列模型-RNN-案例-评估脚本-说明.mp434.61M
| ├──061-NLP-传统序列模型-RNN-案例-评估脚本-编码.mp4173.73M
| ├──062-NLP-传统序列模型-RNN-案例-代码改造说明.mp422.89M
| ├──063-NLP-传统序列模型-RNN-案例-Tokenizer-说明.mp447.26M
| ├──064-NLP-传统序列模型-RNN-案例-Tokenizer-编码.mp4261.45M
| ├──065-NLP-传统序列模型-RNN-存在问题-概述.mp456.32M
| ├──066-NLP-传统序列模型-RNN-存在问题-分析.mp4239.55M
| ├──067-NLP-传统序列模型-LSTM-概述.mp466.93M
| ├──068-NLP-传统序列模型-LSTM-基础结构-说明.mp4144.21M
| ├──069-NLP-传统序列模型-LSTM-缓解梯度消失和爆炸.mp490.68M
| ├──070-NLP-传统序列模型-LSTM-复杂结构.mp452.15M
| ├──071-NLP-传统序列模型-LSTM-API-构造参数.mp497.37M
| ├──072-NLP-传统序列模型-LSTM-API-输入输出.mp439.14M
| ├──073-NLP-传统序列模型-LSTM-案例-概述&思路分析.mp475.37M
| ├──074-NLP-传统序列模型-LSTM-案例-数据处理-说明.mp474.31M
| ├──075-NLP-传统序列模型-LSTM-案例-数据处理-编码-上.mp4123.62M
| ├──076-NLP-传统序列模型-LSTM-案例-数据处理-编码-下.mp4101.68M
| ├──077-NLP-传统序列模型-LSTM-案例-数据集.mp425.38M
| ├──078-NLP-传统序列模型-LSTM-案例-模型定义.mp4165.89M
| ├──079-NLP-传统序列模型-LSTM-案例-模型训练.mp4102.57M
| ├──080-NLP-传统序列模型-LSTM-案例-模型预测.mp478.96M
| ├──081-NLP-传统序列模型-LSTM-案例-模型评估.mp451.84M
| ├──082-NLP-传统序列模型-LSTM-存在问题.mp429.94M
| ├──083-NLP-传统序列模型-GRU-基础结构.mp4120.13M
| ├──084-NLP-传统序列模型-GRU-复杂结构&API使用说明.mp414.77M
| ├──085-NLP-传统序列模型-GRU-案例实操.mp430.82M
| ├──086-NLP-传统序列模型-LSTM_GRU_RNN横向对比.mp432.24M
| ├──087-NLP-Seq2Seq-概述.mp467.54M
| ├──088-NLP-Seq2Seq-模型结构-编码器.mp437.81M
| ├──089-NLP-Seq2Seq-模型结构-解码器.mp488.53M
| ├──090-NLP-Seq2Seq-模型结构-训练机制.mp491.34M
| ├──091-NLP-Seq2Seq-模型结构-推理机制.mp470.32M
| ├──092-NLP-Seq2Seq-模型结构-案例实操-概述.mp444.46M
| ├──093-NLP-Seq2Seq-模型结构-案例实操-需求分析.mp4166.61M
| ├──094-NLP-Seq2Seq-模型结构-案例实操-数据预处理-读取文件.mp4108.24M
| ├──095-NLP-Seq2Seq-模型结构-案例实操-数据预处理-改造Tokenizer.mp4140.22M
| ├──096-NLP-Seq2Seq-模型结构-案例实操-数据预处理-词表构建.mp48.16M
| ├──097-NLP-Seq2Seq-模型结构-案例实操-数据预处理-构建数据集.mp456.67M
| ├──098-NLP-Seq2Seq-模型结构-案例实操-Dataloader.mp4164.71M
| ├──099-NLP-Seq2Seq-模型结构-案例实操-模型定义-编码器.mp472.90M
| ├──100-NLP-Seq2Seq-模型结构-案例实操-模型定义-解码器.mp498.83M
| ├──101-NLP-Seq2Seq-模型结构-案例实操-模型定义-完整模型.mp419.63M
| ├──102-NLP-Seq2Seq-模型结构-案例实操-训练脚本-核心代码.mp4253.93M
| ├──103-NLP-Seq2Seq-模型结构-案例实操-训练脚本-pad_token处理逻辑.mp463.67M
| ├──104-NLP-Seq2Seq-案例-预测脚本.mp4387.79M
| ├──105-NLP-Seq2Seq-案例-评估脚本-bleu说明.mp469.66M
| ├──106-NLP-Seq2Seq-案例-评估脚本-编码.mp495.92M
| ├──107-NLP-Seq2Seq-总结.mp444.93M
| ├──108-NLP-Attention机制-概述.mp430.34M
| ├──109-NLP-Attention机制-工作原理-概述.mp429.55M
| ├──110-NLP-Attention机制-工作原理-具体步骤.mp448.00M
| ├──111-NLP-Attention机制-注意力评分函数.mp486.95M
| ├──112-NLP-Attention机制-案例-代码升级改造思路.mp465.31M
| ├──113-NLP-Attention机制-案例-注意力机制-实现思路.mp493.01M
| ├──114-NLP-Attention机制-案例-注意力机制-编码.mp441.73M
| ├──115-NLP-Attention机制-案例-注意力机制-训练和预测逻辑修改.mp431.83M
| ├──116-NLP-Transformer-概述.mp469.98M
| ├──117-NLP-Transformer-核心思想.mp4106.73M
| ├──118-NLP-Transformer-模型结构-整体结构.mp472.76M
| ├──119-NLP-Transformer-模型结构-编码器-概述.mp433.51M
| ├──120-NLP-Transformer-模型结构-编码器-自注意力子层-生成QKV向量.mp4129.04M
| ├──121-NLP-Transformer-模型结构-编码器-自注意力子层-完整计算过程.mp4114.56M
| ├──122-NLP-Transformer-模型结构-编码器-自注意力子层-多头注意力.mp475.38M
| ├──123-NLP-Transformer-模型结构-编码器-前馈神经网络层.mp441.40M
| ├──124-NLP-Transformer-模型结构-编码器-残差连接&层归一化-概述.mp420.95M
| ├──125-NLP-Transformer-模型结构-编码器-残差连接-说明.mp471.76M
| ├──126-NLP-Transformer-模型结构-编码器-层归一化.mp434.56M
| ├──127-NLP-Transformer-模型结构-编码器-位置编码.mp461.50M
| ├──128-NLP-Transformer-模型结构-编码器-说明.mp4153.30M
| ├──129-NLP-Transformer-模型结构-编码器-小结.mp437.09M
| ├──130-NLP-Transformer-模型结构-解码器-概述.mp455.00M
| ├──131-NLP-Transformer-模型结构-解码器-Mask-Attention.mp486.49M
| ├──132-NLP-Transformer-模型结构-解码器-Cross-Attention.mp420.58M
| ├──133-NLP-Transformer-模型结构-解码器-小结.mp410.64M
| ├──134-NLP-Transformer-实现细节-注意力为什么需要缩放.mp475.10M
| ├──135-NLP-Transformer-实现细节-注意力如何感知相对位置.mp475.84M
| ├──136-NLP-Transformer-模型训练和推理机制.mp434.91M
| ├──137-NLP-Transformer-API-概述.mp446.80M
| ├──138-NLP-Transformer-API-nn.Transformer-构造参数.mp470.89M
| ├──139-NLP-Transformer-API-nn.Transformer-forward方法-概述.mp443.58M
| ├──140-NLP-Transformer-API-nn.Transformer-forward方法-输入输出.mp4160.74M
| ├──141-NLP-Transformer-API-nn.Transformer-encoder&decoder.mp474.13M
| ├──142-NLP-Transformer-案例-代码改造思路.mp424.87M
| ├──143-NLP-Transformer-案例-模型定义-基础结构.mp455.60M
| ├──144-NLP-Transformer-案例-模型定义-位置编码-简易实现.mp4159.86M
| ├──145-NLP-Transformer-案例-模型定义-位置编码-哈弗实现.mp4190.63M
| ├──146-NLP-Transformer-案例-模型定义-前向传播.mp4108.48M
| ├──147-NLP-Transformer-案例-训练脚本.mp4100.71M
| ├──148-NLP-Transformer-案例-预测&评估脚本.mp4148.37M
| ├──149-NLP-Transformer-哈佛版本-核心源码解读.mp4240.97M
| ├──150-NLP-预训练模型-概述.mp459.83M
| ├──151-NLP-预训练模型-分类.mp490.77M
| ├──152-NLP-预训练模型-主流模型-GPT-概述.mp413.62M
| ├──153-NLP-预训练模型-主流模型-GPT-模型结构.mp460.75M
| ├──154-NLP-预训练模型-主流模型-GPT-预训练.mp434.56M
| ├──155-NLP-预训练模型-主流模型-GPT-微调.mp4108.90M
| ├──156-NLP-预训练模型-主流模型-BERT-概述.mp441.69M
| ├──157-NLP-预训练模型-主流模型-BERT-模型结构.mp483.14M
| ├──158-NLP-预训练模型-主流模型-BERT-微调.mp4142.79M
| ├──159-NLP-预训练模型-主流模型-BERT-预训练.mp487.80M
| ├──160-NLP-预训练模型-主流模型-T5-概述&模型结构.mp443.02M
| ├──161-NLP-预训练模型-主流模型-T5-预训练&微调.mp457.08M
| ├──162-NLP-预训练模型-HF-概述.mp4170.30M
| ├──163-NLP-预训练模型-HF-模型加载-AutoModel.mp485.55M
| ├──164-NLP-预训练模型-HF-模型加载-AutoModelForXXX.mp486.41M
| ├──165-NLP-预训练模型-HF-模型使用.mp4181.85M
| ├──166-NLP-预训练模型-HF-Tokenizer-加载.mp4135.97M
| ├──167-NLP-预训练模型-HF-Tokenizer-使用.mp4216.04M
| ├──168-NLP-预训练模型-HF-Tokenizer-模型配合使用.mp489.96M
| ├──169-NLP-预训练模型-HF-Datasets-概述.mp437.48M
| ├──170-NLP-预训练模型-HF-Datasets-加载数据集.mp489.76M
| ├──171-NLP-预训练模型-HF-Datasets-查看数据集.mp434.92M
| ├──172-NLP-预训练模型-HF-Datasets-加载在线数据集.mp424.38M
| ├──173-NLP-预训练模型-HF-Datasets-预处理数据集-过滤数据.mp446.07M
| ├──174-NLP-预训练模型-HF-Datasets-预处理数据集-划分数据集.mp419.69M
| ├──175-NLP-预训练模型-HF-Datasets-预处理数据集-map-上.mp4211.88M
| ├──176-NLP-预训练模型-HF-Datasets-预处理数据集-map-下.mp483.22M
| ├──177-NLP-预训练模型-HF-Datasets-保存数据集.mp483.55M
| ├──178-NLP-预训练模型-HF-Datasets-集成Dataloader.mp458.48M
| ├──179-NLP-预训练模型-案例-数据预处理-上.mp4138.52M
| ├──180-NLP-预训练模型-案例-数据预处理-下.mp434.19M
| ├──181-NLP-预训练模型-案例-Dataloader.mp438.85M
| ├──182-NLP-预训练模型-案例-模型定义.mp4101.65M
| ├──183-NLP-预训练模型-案例-模型训练.mp491.15M
| ├──184-NLP-预训练模型-案例-模型推理.mp426.57M
| ├──185-NLP-预训练模型-案例-模型评估.mp428.98M
| ├──186-NLP-预训练模型-案例-测试.mp428.81M
| └──187-NLP-预训练模型-案例-带任务头的预训练模型.mp4169.69M
666666 :):(:D 666666 非常好的资源呀 [百度网盘] rk0894-尚硅谷AI大模型之NLP教程 [复制链接] |主动推送
尚硅谷AI大模型之NLP教程 111111111111111 :) 硅谷AI大模型之NLP教