1-1  课程—导学 (07:43)

1-2  课前准备 (21:49)

1-3  深度学习简介—-神经元 (11:31)

1-4  深度学习简介—-激励函数 (07:33)

1-5  深度学习简介—神经网络和深度神经网络 (04:22)

1-6  深度学习为什么这么强 (03:39)

1-7  深度学习的应用 (02:28)

2-1  网络结构 (03:26)

2-2  网络结构_代码部分 (13:39)

2-3  线性回归的训练--样本，开始训练 (09:05)

2-4  线性回归的训练--梯度下降法，一元凸函数 (08:47)

2-5  线性回归的训练--二元凸函数 (06:54)

2-6  神经网络的训练--前向传播 (04:41)

2-7  神经网络的训练--前向传播代码部分 (07:28)

2-8  神经网络的训练--反向传更新 (05:35)

2-9  神经网络的训练--反向传更新_代码部分 (19:20)

2-10  神经网络的训练--随机梯度下降 (02:10)

2-11  神经网络的训练--随机梯度下降代码部分 (04:51)

2-12  应用案例—-前馈神经网络代码的手写数字识别 (13:47)

3-1  并行计算 (07:30)

3-2  梯度消失问题 (08:52)

3-3  归一化 (05:07)

3-4  参数初始化问题 (03:55)

3-5  参数的初始化问题-代码实现 (03:24)

3-6  正则化 (10:55)

3-7  正则化-代码实现 (01:54)

3-8  学习率和dropout (03:05)

3-9  交叉熵 (08:12)

3-10  交叉熵-代码实现 (06:37)

3-11  模型的保存和加载及代码实现 (11:27)

3-12  应用案例—-提高版本的前馈神经网络代码的手写数字识别 (15:17)

4-1  与全连接网络的对比 (05:14)

4-2  全连接层GPU实现 代码实现 (25:08)

4-3  卷积核 (06:09)

4-4  卷积层其他参数 (04:46)

4-5  池化层 (04:17)

4-6  卷积池化层 代码实现 (06:16)

4-7  典型CNN网络 (06:39)

4-8  图片识别 (04:34)

4-9  softmax (04:13)

4-10  softmax层 代码实现 (03:39)

4-11  应用案例—-卷积神经网络代码的手写数字识别 (18:05)

5-1  tensorflow简介 (15:14)

5-2  如何选择好的框架：tensorflow的优势 (06:31)

5-3  多环境与集群支持 (05:33)

5-4  应用案例—-tensorflow版本的线性回归的实现 (12:04)

5-5  tensorboard (05:39)

5-6  tensorboard 使用演示 (05:58)

5-7  训练模型的加载与保存 (06:47)

5-8  应用案例—-tensorflow版本的手写数字识别 (16:30)

6-1  .简介 (03:58)

6-2  .tensorflow单GPU版本上 (12:19)

6-3  .tensorflow单GPU版本下 (11:14)

6-4  tensorflow多GPU版本 (07:56)

7-1  caffe应用对比（上） (15:27)

7-2  caffe应用对比（下） (13:01)

7-3  keras应用对比 (16:45)

8-1  课程总结_ (03:54)