文件清单 84 项

• 1-1 课程导学-mp4
• 1-2 深度学习如何影响生活@.mp4
• 2-1 环境安装与配置-mp4
• 2-2 使用预训练的ResNet网络给图片分类(一).mp4
• 2-4 使用预训练的GAN网络把马变成斑马-mp4
• 3-1 工业级数据挖掘流程(一).mp4
• 3-2 工业级数据挖掘流程(二).mp4
• 3-3 课程重难点技能分布.mp4
• 4-2 张量的获取与存储(一)@.mp4

展开全部 84 项

• 4-4 张量的基本操作(一).mp4
• 4-5 张量的基本操作(二)@.mp4
• 4-7 张量的命名@.mp4
• 4-8 把张量传递到GPU中进行运算@.mp4
• 4-9 张量的底层实现逻辑(一)@.mp4
• 4-10 张量的底层实现逻辑(二)@.mp4
• 5-1 普通二维图像的加载(一)@.mp4
• 5-3 3D图像的加载-mp4
• 5-5 有时间序列的表格数据加载@.mp4
• 5-6 连续值,序列值,分类值的处理.mp4
• 5-7 自然语言文本数据加载-mp4
• 5-8 本章小结@.mp4
• 6-1 常规模型训练的过程@.mp4
• 6-2 温度计示数转换.mp4
• 6-3 神经网络重要概念-损失.mp4
• 6-4 PyTorch中的广播机制.mp4
• 6-5 神经网络重要概念-梯度.mp4
• 6-6 神经网络重要概念-学习率.mp4
• 6-7 神经网络重要概念-归一化@.mp4
• 6-8 使用超参数优化我们的模型效果@.mp4
• 6-9 使用PyTorch自动计算梯度@.mp4
• 6-10 使用PyTorch提供的优化器@.mp4
• 6-11 神经网络重要概念-激活函数.mp4
• 6-13 构建批量训练方法@.mp4
• 6-14 使用神经网络解决温度计示数转换问题.mp4
• 7-1 CIFAR-10数据集介绍.mp4
• 7-3 为模型准备训练集和验证集@.mp4
• 7-6 全连接网络实现图像分类@.mp4
• 7-7 对全连接网络的改进之卷积网络-mp4
• 7-9 卷积中的数据填充方法padding@.mp4
• 7-10 使用卷积提取图像中的特定特征@.mp4
• 7-11 借助下采样压缩数据-mp4
• 7-12 借助PyTorch搭建卷积网络@.mp4
• 7-13 训练我们的分类模型@.mp4
• 7-15 该用GPU训练我们的模型.mp4
• 7-16 优化方案之增加模型宽度-width.mp4
• 7-17 优化方案之数据正则化-normalization(一)-mp4
• 7-18 优化方案之数据正则化-normalization(二).mp4
• 7-19 优化方案之数据正则化-normalization(三)@.mp4
• 7-21 本章小结.mp4
• 8-2 CT数据是什么样子.mp4
• 8-3 制定一个解决方案.mp4
• 8-5 原始数据是长什么样子的@.mp4
• 8-6 加载标注数据@.mp4
• 8-7 加载CT影像数据@.mp4
• 8-8 数据坐标系的转换.mp4
• 8-10 分割训练集和验证集.mp4
• 8-11 CT数据可视化实现(一)-mp4
• 8-12 CT数据可视化实现(二).mp4
• 8-13 CT数据可视化实现(三)@.mp4
• 9-1 第一个模型:结节分类-mp4
• 9-3 初始化都包含什么内容-mp4
• 9-4 编写数据加载器部分-mp4
• 9-5 实现模型的核心部分.mp4
• 9-6 定义损失计算和训练验证环节(一)@.mp4
• 9-7 定义损失计算和训练验证环节(二).mp4
• 9-9 尝试训练第一个模型@.mp4
• 9-10 借助TensorBoard绘制指标曲线@.mp4
• 9-12 实现F1Score计算逻辑@.mp4
• 9-13 数据优化方法.mp4
• 9-14 数据重复采样的代码实现@.mp4
• 9-15 数据增强的代码实现@.mp4
• 9-16 第二个模型:结节分割-mp4
• 9-17 图像分割的几种类型.mp4
• 9-18 U-Net模型介绍-mp4
• 9-19 为图像分割进行数据预处理@.mp4
• 9-21 构建训练Dataset和使用GPU进行数据增强@.mp4
• 9-22 Adam优化器和Dice损失@.mp4
• 1-课程导学/
• 2-课程内容整体规划/
• 4-PyTorch基础知识必备-张量/
• 5-PyTorch如何处理真实数据/
• 6-神经网络理念解决温度计转换/
• 7-使用神经网络区分小鸟和飞机图像/
• 11-课程总结与面试问题/