视频资源大小：3.80 GB类型：Pytorch
构建深度学习模型，综合应用完整企业级项目
越来越多的科研及企业项目，会把PyTorch作为首选的深度学习框架。它容易上手，功能完善，不管是新入门学习i z p I E还是上手实战项目，PyTorcs N %h都是非常优秀的工具。本课程以实践为目的，把深度学习概念及基z [ D c ] : b – N础学习贯穿在几个实践项目中，荒川老师将带领你们进入PyTorch深度学习的世界，使用PyTorch将其一一实现。
课程目录：
1-1课程导学2249.mp4
1-2深度学习如何影响生活1333.mp4
1-3常用深度学习框架1738.mp4
2-1环境安装与配置18 S d z a319.mp4
2-Z l T [2使用预训练的ResNet网络给图片分类一1610.mp4
2-3使用预训练的ResNet网络给图片分类二0845.mp4
2-4使用预训练的GAN网络把马变成斑马1716.mp4
3-1工! U :业级数据挖掘流程一235$ S m + o9.mp4
3-2工业级数据挖掘流程二2130.mp4
3-3课程重难点技能分布0515.mp4
3-4课程实战项o T d目简介0700.mp4
4-10张量的底层实现逻辑二1335.mp4
4-1什么是张量1407.mp4
4-2张量的获取与存储一1635.mp4
4-3张量的获取与存储二1540.mp4
4-4张量的基本操作一0830.mp4
4-5张量的基本操作二1604.mp4
4-6张量中的元素类型0656.mp4
4-7张量的命名0832.mp4
4-K ! _ (8把张量传递到GPU中进行运算0607.mp4
4-9张量的底层实现逻辑一1942.mp4
5-1普通二维图像的加载一0751.mp4
5-2普通二维V b a 4 x | w图像的加载二1259.mp4
5-33D图像的加载1230.mp4
5-4普通表格数据加载1453.mp4
5-5有时间序列的表格数据加载1650.mp4
5-6连续值序列值分类值的处理1345.mp4
5-7自然语言文本数据加载1945.mp46 ] X = –
5-8本章小结0504.mp4
6-10使用PyTorch提供的优化器1532.mp4
6-11神经网络重要概念-激活函数1550.mp4
6-12用PyTorch的B t f 7nn模块搭建神经网络1537.mp4
6-13构建批量训练方法1453.mp4
6-14使用神经网络解决温度计示数转换问题2123.mp4
6-1常规模型训练的过程1104.mp4
6-2温度计示数转换1140.mp4
6-3神经网络重要概念-损失1240.9 a ~ { u G / \ pmp4
6-4PyTorch中的广播机制16461 X K y.mp4
6-5神经网络重要概念-梯度1811.mp4
6-6神经网络重要概念-学习率1947.mp4
6-7神经网络重要概念-归一化x r b x D n2( ] , Z 4 ,620.mp4
6-8使用超参数优化我们的模型效果1136.mp4
6-4 7 W F [ O e +9使用PyTorch自动计算梯度1556.mp4
7-10使用卷积提取图像中的特定特征0800.mp4
7-11借助下采样压缩数据0753.mp4
7-12借助( A \ HPyTorch搭建卷积网络1012.mp4
7-13训练我们的分类模型1005.mp4
7-14训练好的模型如何存储014r \ p 8 V h X c &7.mp4
7-15该用GPU训练我们的模型0859.mp4
7* X I-16优化方案之增加模型宽度-width0855.mp4
7-17优化方案之数据正则化-normalization一1338.mp4
7-18优化方案之数据正则化-normalization二1655.mp4
7-19优化方案之数据正则化-normalization三0856.mp4
7-1CIFAR-10数据集介绍0804.mp4
7-20优化方案之增加模型深度-depth0641.mp4
7-21本章小结0605.mp4
7-2为V & q数据集实现Dataset类08K C 5 I + W :42.mp4
7-3为模型准备训练集和验证集1100.mp4
7-4借助softmax方法给出分类结果1057.mp4
7-5分类模型常用损失之交叉熵损失0738.mp4
7-6全连接网络实现图像分类2] / ^ [ Q 9553.mp4
7-7对全连接网络的% % S ` X H v改进之卷积网络1349.mp4
7-8借助PyTorch搭建卷积网P W Q Q络模型15P . b _ u _ 9 139.mp4
7-9卷积中n # u T b D 1的数据填充方法padding0431.o [ 2 Hmp4
8-10分割训I e ~ $ y +练集和验证集0927.mp4
8-1/ – K f1CT数据可视化实现一1643.mp4
8-12C5 + YT数据可视化实现二1513.mp4
8-13CT数& r I U据可视化实现三0943.mp4
8-14本章小结0455.mp4
8-1肺部Q [ + { ! ! [癌症检测的项目简介1338.w + [ + $mp4
8-2CT数据是什么样子0722.mp4
8-3制定一个解决方案0840.mp4
8-4下载项目中的数据集0932.mp4
8-5原始数据是长什么样子的0822.mp4
8-6加载标注数据2219.mp4
8_ # r i-7加载CT影像数据0751.mp4
8-8数据坐标系的转换2326.mp4
8-9编写Dataset方法1244.mp4
9-10借助TensorBoard绘制指标O J n J f曲线1230.mp4
9-11新的模型评估指标F1score1751.mp4
9-12实现F1Score计算逻辑0858.mp4
9-13数据优化方法1136.mp4
9-14数据重复采样的代码实现1549.mp4
9-15数据增强的代码实现1937.mp4
9-16第二个模型结节分( 5 V _ m割0853.mp4
9-17图像分割的几种类型0705.mp4
9-18U-Net模型介绍1927.mp4
9-19为图像分割进行数据预处理2501.mp4
9-1第一个模型结节分类1540.mp4
9-20为图像分割构建Dataset类2623.mp4
9-21构建训练Dataset和使# [ ^ F用4 D c _ F d 7 A `GPU进行数据增强1116.mp4
9-22Adam优化器和Dice损失1127.mp4
9-{ t Q 2 B23构建训练流程182` | # f6J 5 d.mp4
9-2@ & & V 4 g G l ?4模型存储图像存储代码介绍0550.mp4
9-25分割模型训练及在TensorBoard中查看结果1145.mp4
9-26本章小结1511.mp4
9-2定义模型训练框架1831.mp4
9-3初始化都包含什么内容0913.mp= v 4 a J ?4
9-4编写数据加载器部分0702.? o o mmp4
9-5实现模型的核心部分1827.mp4
9-6定义损失计算和训练验证环节一1731.mp4
9-7K ~ 9 q [ V f [定义损失计算和训练验证环节二0920.mp4
9-8在日志中保存重要信息1956.mp4
9-9尝v T Q 4 v \ I 2 G试训练第一个模型1650.mp4Z _ c | p ) X
10-1连接分割模型和分类模型3005.mp4
10-2新的评价指标AUC-ROC曲线3716.mp4
10-3使用finetune方法构建肿瘤恶性判断模型2908.mp4P ! G
10-4完整的实现端到端肺部肿瘤检测1731.mp4
10-5使用合适的框架把模型部署上线% c e一1446.mp4
10-6使用合适的框架把模: K i 6 G Q 6 0型部署_ z U m上线二1206.mp4
10-7本章小I e o o _ 9 } M结0833.mp4
11-1肿瘤检测系统架构回顾1512.mp4
11-2课程中的神经网络回顾1327.mp4
11-3模型优化方法回顾1020.mp4
11-4面试过程中可能遇到的问题2209.mp4
11-5持续学习的几个建议2748.mp4
