#深度学习

沿着语料处理、词表构建与循环神经网络训练，整理歌词生成实验。适合已理解基础训练循环的读者。

围绕分类任务整理需求分析、数据特征和模型实践笔记，适合学习如何把输入数据转为分类问题的读者。

整理学习率、梯度下降和 Momentum 的公式与训练思路，帮助理解参数更新幅度如何影响优化过程。

结合网络构建与参数计算，整理不同任务的损失函数及应用示例，帮助对应模型输出、标签与训练目标。

沿着数据构造、模型定义和参数优化梳理线性回归训练过程，适合第一次用 PyTorch 理解训练循环的读者。

从线性回归过渡到图像分类，整理数据集、模型和分类训练相关示例。适合已有 Python 基础的深度学习初学者。

以 CIFAR-10 为例整理模型训练、损失观察与 GPU 加速对比，帮助熟悉一次图像分类实验的主要步骤。

围绕 nn.Module、卷积与池化整理模型构建笔记。适合已有张量基础、准备理解神经网络各层作用的读者。

从 Dataset 等基础组件入手整理 PyTorch 学习笔记，帮助理解训练前的数据准备以及框架的基本使用方式。