BERT课程

本文是作者即将在CSDN作直播的课程的预备知识，对课程感兴趣但是没有相关背景知识的同学可以提前学习这些内容。新增课程slides和视频回放地址。

目录

• 课程视频和slides
• 背景知识
• 深度学习基础知识
• Word Embedding
• 语言模型
• RNN/LSTM/GRU、Seq2Seq和Attention机制
• Tensorflow基础知识
• PyTorch基础知识
• BERT

课程视频和slides

回放视频地址是这里。 课程的slides可以在这里下载。

背景知识

为了理解课程的内容，读者需要以下背景知识。

• 深度学习基础知识
• Word Embedding
• 语言模型
• RNN/LSTM/GRU
• Seq2Seq模型
• Attention机制
• Tensorflow基础知识
• PyTorch基础知识

深度学习基础知识

• 从Image Caption Generation理解深度学习（part I）

  介绍机器学习和深度学习的基本概念。

• 从Image Caption Generation理解深度学习（part II）

  介绍多层神经网络(DNN)的基本概念

• 从Image Caption Generation理解深度学习（part III）

  介绍反向传播算法，不感兴趣的读者可以跳过细节。

• 自动梯度求解——反向传播算法的另外一种视角

  建议了解一下就行，自动梯度是深度学习框架的基础。我们通常不需要实现反向算法，因为框架通常帮我们做了，但是了解一下它的原理是有用的。

• 自动梯度求解——cs231n的notes

  内容主要参考CS231N课程的Notes，还是介绍自动梯度。

• 自动梯度求解——使用自动求导实现多层神经网络

  使用自动梯度实现多层神经网络，对怎么自己实现自动梯度感兴趣的读者可以参考，不感兴趣的可以跳过。

• 详解卷积神经网络

  卷积神经网络的介绍。

• Theano tutorial和卷积神经网络的Theano实现 Part1

  卷积神经网络的实现，代码实现是用theano的，建议了解一下就行。现在更建议使用Tensorflow或者PyTorch。

• Theano tutorial和卷积神经网络的Theano实现 Part2

  同上。

• 卷积神经网络之Batch Normalization的原理及实现

  介绍Batch Normalization。读者了解一下原理即可，现在的框架都有现成的。

• 卷积神经网络之Dropout

  Dropout是最常见也最有用的防止过拟合的技巧之一。

• 三层卷积网络和vgg的实现

  自动动手实现CNN，并且实现常见的CNN架构——VGG。比较关注实现细节，不感兴趣的读者可以跳过。

• Caffe训练ImageNet简介及深度卷积网络最新技术

  训练ImageNet的过程可以跳过，因为现在很少需要自己从零开始训练ImageNet了，大部分框架都有Pretraining好的模型。读者可以了解一下ResNet和Inception，后面的BERT也使用到了残差连接，在如今(2019年)这是非常常用的技巧了。

• Neural Networks and Deep Learning

  Michael Nielsen的免费书籍，作者前面的文章参考了很多里面的内容。有兴趣的读者可以阅读一下，大部分内容前面已经介绍过了，因此也可以跳过。

• CS231N课程

  斯坦福的课程，作者的文章也参考了一些内容。有兴趣的读者可以学习一下，跳过不影响对课程的理解。

Word Embedding

• Word Embedding教程

  理解Word Embedding的概念即可，跳过Word2Vec的推导、Softmax和Negative Sample并不影响后续阅读。

语言模型

• 语言模型教程

  理解语言模型的概念即可，N-Gram可以稍微了解一下，平滑和回退等tricky可以跳过，RNN语言模型需要RNN的知识，请参考RNN/LSTM/GRU的部分。

RNN/LSTM/GRU、Seq2Seq和Attention机制

• 循环神经网络简介

  介绍vanilla RNN、LSTM和GRU的基本概念。

• 手把手教你用PyTorch实现图像描述

  包含PyTorch的基本概念，包括用RNN来进行人名国家分类，生成不同国家的人名。本来还有一个看图说话的例子，但是编辑似乎忘了加进去。

• 手把手教你搭一个机器翻译模型

  使用PyTorch实现一个机器翻译系统，包括LSTM/GRU、Attention机制等内容。

• 使用PyTorch实现Chatbot

  使用PyTorch实现一个Chatbot。里面会涉及Seq2Seq模型和Attention机制。

Tensorflow基础知识

• Tensorflow简明教程

  Tensorflow的基础知识，熟悉的读者也建议读读，也许会有新的收获。

PyTorch基础知识

• PyTorch简明教程

  来自官网的教程，包含60分钟PyTorch教程、通过例子学PyTorch和迁移学习教程。

BERT

下面的内容会在课程上详细讲解，但是建议同学们提前预习一下。

• Transformer图解

  通过图解详细的介绍Transformer的原理。

• Transformer代码阅读

  详细解读Transformer的代码。

• BERT模型详解

  本文详细介绍BERT模型的原理，包括相关的ELMo和OpenAI GPT模型。

• BERT代码阅读

  详细解读BERT模型的代码。

---

• ← PREVIOUS POST
• NEXT POST →

---

FEATURED TAGS

人工智能 深度学习 自然语言处理 PyTorch Java 机器学习 《深度学习理论与实战》拾遗NLP 强化学习 强化学习简介系列文章 BERT 语音识别 MFCC 《深度学习理论与实战：提高篇》Tensorflow 语言模型 Transformer ELMo OpenAI GPT Self-Attention 编程 OCR解码器 End-to-End WFST 加权有限状态转换器 计算机视觉 Faster R-CNN 代码Mask R-CNN 目标检测 R-CNN 围棋 AlphaZero

---

FRIENDS