深度学习第六回，基于Pytorch的AlexNet卷积神经网络模型。本回采用卷积神经网络进行分类训练，分类的训练集采用CIFAR10。由于训练模型较为复杂，训练数据量较大，引入了GPU进行数据训练。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118

本次开启深度学习第八回，基于Pytorch的GoogleNet卷积神经网络模型。对于卷积神经网络，咱们讲过了AlexNe模型和VGG模型。本回再分享一个新的模型，叫做GoogleNet模型。这个模型的突出点是采用了不同大小的卷积核进行组合训练。接下来给大家分享具体思路。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本

本次开启深度学习第十回，基于Pytorch的DenseNet卷积神经网络模型。这是分享的第五个卷积神经网络模型。在第九回当中，分享了ResNet模型，该模型解决了梯度消失和网络退化的问题。本回的DenseNet模型在某种程度上来说是ResNet模型的升级版，接下来给大家分享具体思路。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，py

本次开启深度学习第十一回，基于Pytorch的RNN循环神经网络模型。前面我们已经分享过线性神经网络、多层神经网络和卷积神经网络。接下来，开始学习循环神经网络。本回分享的第一个循环神经网络，叫做RNN模型。在本回中，设计通过RNN模型来对股票收盘价格进行预测。接下来给大家分享具体思路。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，p

本次开启深度学习第十四回，基于Pytorch的神经网络编码器。本回分享VAE变分自动编码器。在本回中，通过minist数据集来分享如何建立一个变分自动编码器。接下来给大家分享具体思路。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0

本次开启深度学习第十三回，基于Pytorch的神经网络编码器。本回先分享一个自动编码器。在本回中，通过minist数据集来分享如何建立一个简单的自动编码器。接下来给大家分享具体思路。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118，d2l的版本是1.0.3

Pytorch学习第四回，采用两层的神经网络完成非线性数据的分类。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118

本次开启深度学习第十二回，基于Pytorch的LSTM循环神经网络模型。本回分享第二个循环神经网络，叫做LSTM模型。在本回中，设计通过LSTM模型来对股票收盘价格进行预测。接下来给大家分享具体思路。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118，d2l的版本是1.0.3

本次开启深度学习第十五回，基于Pytorch的神经网络编码器。本回分享的是GAN生成对抗网络。在本回中，通过minist数据集来分享如何建立一个GAN生成对抗网络。接下来给大家分享具体思路。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0

本次开启深度学习第十一回，基于Pytorch的RNN循环神经网络模型。前面我们已经分享过线性神经网络、多层神经网络和卷积神经网络。接下来，开始学习循环神经网络。本回分享的第一个循环神经网络，叫做RNN模型。在本回中，设计通过RNN模型来对股票收盘价格进行预测。接下来给大家分享具体思路。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，p