<menu id="cbory"><strong id="cbory"><samp id="cbory"></samp></strong></menu>

<form id="cbory"><nobr id="cbory"><menu id="cbory"></menu></nobr></form>
<address id="cbory"></address>
<nav id="cbory"></nav>
<menu id="cbory"></menu>

<span id="cbory"><dd id="cbory"><menu id="cbory"></menu></dd></span>
  • <menu id="cbory"><code id="cbory"><samp id="cbory"></samp></code></menu>
    ? ? ?

    深度學習巔峰-人工智能深度學習系統班第6期百度網盤

    初探C4D創意世界:C4D OC零基礎實戰班4期精講

    初探C4D創意世界:C4D OC零基礎實戰班4期精講

    構建智能未來,邁向深度學習的巔峰-人工智能深度學習系統班第6期

    課程由趣資料網站(www.smylily.com)收集整理

    深度學習巔峰-人工智能深度學習系統班第6期百度網盤插圖

    資源簡介:
    課程來自于構建智能未來,邁向深度學習的巔峰-人工智能深度學習系統班第6期

    課程旨在為學員提供全面深入的人工智能深度學習知識體系。通過本課程,學員將了解和掌握深度學習的基本概念、原理和應用。課程內容包括神經網絡基礎、卷積神經網絡、循環神經網絡、深度神經網絡、自動編碼器等。此外,課程還將介紹深度學習在計算機視覺、自然語言處理、語音識別等領域的最新應用,并提供實際項目案例進行實踐操作,以幫助學員鞏固所學知識

    文件目錄
    00 資料

    1.第一章 直播回放

    1-8 節直播6:分割模型Maskformer系列

    maskformer.pdf

    mask2former.pdf

    1-7 節直播5:YOLO系列(V7)算法解讀

    Yolov7結構圖.pptx

    YOLOV7.pdf

    1-15 節直播12:異構圖神經網絡

    HeterogeneousGraph.zip

    異構圖神經網絡.pdf

    異構圖.pdf

    1-6 節直播4:Transfomer在視覺任務中的應用實例

    transformer課件.pdf

    VIT算法模型源碼解讀.zip

    1-3 節直播1:深度學習核心算法-神經網絡與卷積網絡

    神經網絡.pdf

    1-9 節補充:Mask2former源碼解讀

    mask2former(mmdetection).zip

    1-16 節直播13:BEV特征空間

    BEV.pdf

    1-11 節直播8:基于圖模型的時間序列預測

    Raindrop-main.rar

    raindrop-AAAI22.pdf

    2110.05357.pdf

    1-14 節直播11文本生成GPT系列

    ChatGPT

    GPT系列.pdf

    1-13 節直播10:近期內容補充

    Informer_huggingface.zip

    YOLOV7.pdf

    1-12 節直播9:圖像定位與檢索

    CosPlace-main.zip

    small.zip

    1-17 節補充:BevFormer源碼解讀

    bevformer.zip

    1-4 節卷積神經網絡

    卷積神經網絡.pdf

    1-10 節直播7:半監督物體檢測

    mmdetection-3.x.zip

    1-5 節直播3:Transformer架構

    transformer.pdf

    1-1 節開班典禮

    咕泡唐宇迪人工智能【第六期】學習路線圖.pdf

    1-18 節直播14:知識蒸餾

    Reinforced Multi-Teacher Selection for Knowledge Distillation.pdf

    Decoupled Knowledge Distillation.pdf

    蒸餾.pdf

    2.第二章 深度學習必備核?算法

    課件

    詞向量模型資料

    NLP核心模型-Word2vec.zip

    卷積神經網絡.pdf

    深度學習.pdf

    3.第三章 深度學習核?框架PyTorch

    flask預測.zip

    第二,三章:神經網絡實戰分類與回歸任務.zip

    第四章:卷積網絡參數解讀.zip

    第五章:圖像識別模型與訓練策略(重點).zip

    第六章:DataLoader自定義數據集制作.zip

    第七章:LSTM文本分類實戰.zip

    第八章:對抗生成網絡架構原理與實戰解析.zip

    4.第四章 MMLAB實戰系列

    KIE關鍵信息抽取與視頻超分辨率重構

    spynet.pdf

    BasicVSR++.pdf

    KIE.pdf

    DeformableDetr算法解讀

    可變形DETR.pdf

    OCR算法解讀

    ABINET.pdf

    DBNET.pdf

    ner.zip

    第一模塊:mmclassification-master.zip

    第二模塊:mmsegmentation-0.20.2.zip

    第二模塊:MPViT-main.zip

    mask2former(mmdetection).zip

    第三模塊:mmdetection-master.zip

    第四模塊:mmocr-main.zip

    第五模塊:mmgeneration-master.zip

    第六模塊:mmediting-master.zip

    第七模塊:mmdetection3d-1.0.0rc0.zip

    第八模塊:mmrazor-模型蒸餾.zip

    第九模塊:mmaction2-master.zip

    5.第五章 Opencv圖像處理框架實戰

    源碼資料

    第9節:項目實戰-信用卡數字識別.zip

    第10節:項目實戰-文檔掃描OCR識別.zip

    第13節:案例實戰-全景圖像拼接.zip

    第14節:項目實戰-停車場車位識別.zip

    第15節:項目實戰-答題卡識別判卷.zip

    第18節:Opencv的DNN模塊.zip

    第19節:項目實戰-目標追蹤.zip

    第20節:卷積原理與操作.zip

    第21節:人臉關鍵點定位.zip

    第21節:項目實戰-疲勞檢測.zip

    課件

    第2-8節課件

    第2-7節notebook課件.zip

    第8節notebook課件.zip

    第11-12節notebook課件.zip

    第16-17節notebook課件.zip

    6.第六章 綜合項?-物體檢測經典算法實戰

    YOLO系列(PyTorch)

    訓練自己的數據集

    構建自己的數據集.pdf

    json2yolo.py

    COCO-DATA

    COCO數據集.txt

    YOLO新版.pdf

    NEU-DET.zip

    PyTorch-YOLOv3.zip

    YOLO5.zip

    detr目標檢測源碼解讀.zip

    物體檢測.pdf

    EfficientNet.pdf

    CenterNet.pdf

    EfficientDet.zip

    EfficientDet.pdf

    json2yolo.py

    yolov7-main.zip

    第十二章:基于Transformer的detr目標檢測算法.pdf

    7.第七章 圖像分割實戰

    基于Resnet的醫學數據集分類實戰

    Resnet.pdf

    基于Resnet的醫學數據集分類實戰.zip

    基于MASK-RCNN框架訓練自己的數據與任務.zip

    MaskRcnn網絡框架源碼詳解.zip

    mask-rcnn.pdf

    圖像識別核心模塊實戰解讀.zip

    PyTorch框架基本處理操作.zip

    第1節:圖像分割算法

    深度學習分割任務.pdf

    第2節:卷積網絡

    深度學習.pdf

    R(2+1)D網絡.pdf

    第3節:Unet系列算法講解

    深度學習分割任務.pdf

    第4節:unet醫學細胞分割實戰

    新建文件夾

    unet++.zip

    第5節:U-2-Net.zip

    第6節:deeplab系列算法

    DeepLab.pdf

    第7節:基于deeplabV3+版本進行VOC分割實戰

    DeepLabV3Plus.zip

    第8節:基于deeplab的心臟視頻數據診斷分析

    基于deeplab的心臟視頻數據診斷分析.zip

    f112c9fda85536ee3eba662c9043e683.bat

    8.第八章 行為識別實戰

    基礎補充-Resnet模型及其應用實例

    Resnet.pdf

    基于Resnet的醫學數據集分類實戰.zip

    slowfast-add

    download

    ava_annotations

    ava_train_v2.2.csv

    ava_train_v2.1.csv

    ava_val_v2.2.csv

    person_box_67091280_iou90

    train.csv

    ava_detection_val_for_training_boxes_and_labels_include_negative.csv

    ava_train_predicted_boxes.csv

    ava_detection_train_boxes_and_labels_include_negative.csv

    val.csv

    test.csv

    ava_val_predicted_boxes.csv

    ava_detection_val_boxes_and_labels.csv

    ava_detection_test_boxes_and_labels.csv

    ava_detection_val_for_training_boxes_and_labels_include_negative_v2.1.csv

    ava_val_excluded_timestamps_v2.1.csv

    ava_val_v2.1.csv

    ava_detection_train_boxes_and_labels_include_negative_v2.1.csv

    ava_detection_val_for_training_boxes_and_labels_include_negative_v2.2.csv

    ava_train_v2.1.csv

    ava_detection_train_boxes_and_labels_include_negative_v2.2.csv

    ava_action_list_v2.1_for_activitynet_2018.pbtxt

    val.csv

    train.csv

    1j20qq1JyX4.mp4

    _Ca3gOdOHxU.mp4

    -5KQ66BBWC4.mkv.1

    -5KQ66BBWC4.mkv

    _145Aa_xkuE.mp4

    avademo.zip

    slowfast論文.pdf

    基礎補充-PyTorch框架必備核心模塊解讀.zip

    基礎補充-PyTorch框架基本處理操作.zip

    1-slowfast算法知識點通俗解讀.pdf

    4-基于3D卷積的視頻分析與動作識別.zip

    5-視頻異常檢測算法與元學習.pdf

    6-視頻異常檢測CVPR2021論文及其源碼解讀.zip

    9.第九章 2022論?必備-Transformer實戰系列

    transformer系列

    谷歌開源項目BERT源碼解讀與應用實例

    BERT開源項目及數據.zip

    基礎補充-Resnet模型及其應用實例

    Resnet.pdf

    基于Resnet的醫學數據集分類實戰.zip

    Medical-Transformer.zip

    transformer論文.pdf

    第一章:transformer原理解讀

    BERT.pdf

    第二章:Transformer在視覺中的應用VIT算法.pdf

    第三章:VIT算法模型源碼解讀.zip

    第四章:swintransformer算法原理解析.pdf

    第五章:swintransformer源碼解讀.zip

    第六章:基于Transformer的detr目標檢測算法.pdf

    第七章:detr目標檢測源碼解讀.zip

    第九章:項目補充-基于BERT的中文情感分析實戰

    BERT中文情感分類開源項目.zip

    第十一,十二章

    LoFTR.zip

    Loftr.pdf

    2104.00680.pdf

    10.第一十章 圖神經?絡實戰

    第一章:圖神經網絡基礎

    圖神經網絡.pdf

    第二章:圖卷積GCN模型

    圖卷積.pdf

    3-圖模型必備神器PyTorch Geometric安裝與使用

    工具包使用.zip

    4-使用PyTorch Geometric構建自己的圖數據集

    創建自己的數據集.zip

    5-圖注意力機制與序列圖模型

    時間序列TGCN.zip

    Temporal Graph Neural Networks.pdf

    圖注意力機制.pdf

    6-圖相似度論文解讀

    1808.05689.pdf

    7-圖相似度計算實戰

    Extended-SimGNN.zip

    8-基于圖模型的軌跡估計

    軌跡軌跡.pdf

    數據集Demo.mp4

    9-圖模型軌跡估計實戰

    Vector.zip

    11.第一十一章 3D點云實戰

    第1節:3D點云應用領域分析

    點云.pdf

    激光雷達.mp4

    第2節:3D點云PointNet算法

    PointNet++.pdf

    CloudCompare.zip

    第3節:PointNet++算法解讀

    PointNet++.pdf

    第4節:Pointnet++項目實戰

    Pointnet2.zip

    第5節:點云補全PF-Net論文解讀

    點云補全.pdf

    2003.00410.pdf

    第6節:點云補全實戰解讀

    PF-Net-Point-Fractal-Network.zip

    第7節:點云配準及其案例實戰

    RPMNet.zip

    點云匹配.pdf

    2003.13479.pdf

    第8節:基礎補充-對抗生成網絡架構原理與實戰解析

    第八章:對抗生成網絡架構原理與實戰解析.zip

    12.第一十二章 ?標追蹤與姿態估計實戰

    基礎補充-Resnet模型及其應用實例

    基于Resnet的醫學數據集分類實戰.zip

    Resnet.pdf

    基礎補充-PyTorch框架必備核心模塊解讀.zip

    基礎補充-PyTorch框架基本處理操作.zip

    第一章:姿態估計OpenPose系列算法解讀.pdf

    第二章:OpenPose算法源碼分析.zip

    第三章:Deepsort算法知識點解讀.pdf

    第四章:Deepsort源碼解讀.zip

    第五六七章:YOLO目標檢測

    訓練自己的數據集

    構建自己的數據集.pdf

    json2yolo.py

    COCO-DATA

    COCO數據集.txt

    NEU-DET.zip

    YOLO新版.pdf

    YOLO5.zip

    13.第一十三章 ?向深度學習的??駕駛實戰

    1.深度估計算法解讀

    深度估計.pdf

    Monocular_Depth_Estimation_Using_Laplacian_Pyramid-Based_Depth_Residuals.pdf

    2.深度估計項目實戰

    LapDepth.zip

    3-車道線檢測算法與論文解讀

    基于深度學習的車道線檢測.pdf

    4-基于深度學習的車道線檢測項目實戰

    Lane-Detection.zip

    5-商湯LoFTR算法解讀

    Loftr.pdf

    2104.00680.pdf

    6-局部特征關鍵點匹配實戰

    LoFTR.zip

    7-三維重建應用與坐標系基礎

    三維重建.pdf

    8-NeuralRecon算法解讀

    NeuralRecon.pdf

    三維重建.pdf

    9-NeuralRecon項目環境配置

    參考其GITHUB即可

    10-NeuralRecon項目源碼解讀

    NeuralRecon

    data.py

    train_demo.zip

    all_tsdf_9.zip

    11-TSDF算法與應用

    TSDF.pdf

    12-TSDF實戰案例

    TSDF實例

    tsdf-fusion-python-master.zip

    13-軌跡估計算法與論文解讀

    無人駕駛.pdf

    14-軌跡估計預測實戰

    Vector.zip

    15-特斯拉無人駕駛解讀

    Tesla無人駕駛.pdf

    14.第一十四章 對比學習與多模態任務實戰

    CLIP系列

    CLIP.zip

    CLIP及其應用.pdf

    ANINET源碼解讀

    mmocr-main.zip

    多模態文字識別

    ABINET.pdf

    DBNET.pdf

    對比學習算法與實例

    trainCLIP.py

    對比學習.pdf

    多模態3D目標檢測算法源碼解讀

    mmdetection3d-1.0.0rc0.zip

    15.第一十五章 缺陷檢測實戰

    Resnet分類實戰

    基于Resnet的醫學數據集分類實戰.zip

    Resnet.pdf

    PyTorch基礎

    1-PyTorch框架基本處理操作.zip

    2-神經網絡實戰分類與回歸任務.zip

    3-圖像識別核心模塊實戰解讀.zip

    DeepLab鐵質材料缺陷檢測與開源項目應用流程.zip

    第1-4章:YOLOV5缺陷檢測

    YOLO新版.pdf

    Defective_Insulators.zip

    NEU-DET.zip

    YOLO5.zip

    第5章:Semi-supervised布料缺陷檢測實戰.zip

    第6-8章:Opencv各函數使用實例

    第一部分notebook課件.zip

    第二部分notebook課件.zip

    第9章:基于Opencv缺陷檢測項目實戰.zip

    第10章:基于視頻流水線的Opnecv缺陷檢測項目.zip

    第11-12章:deeplab

    DeepLab.pdf

    DeepLabV3Plus.zip

    16.第一十六章 ??重識別實戰

    第1節:行人重識別原理及其應用

    行人重識別.pdf

    第2節:基于注意力機制的ReId模型論文解讀

    Relation-Aware Global Attention.pdf

    第3節:基于Attention的行人重識別項目實戰

    Relation-Aware-Global-Attention-Networks.zip

    第4節:經典會議算法精講(特征融合)

    Relation Network for Person Re-identification.pdf

    第5節:項目實戰-基于行人局部特征融合的再識別實戰

    Relation Network for Person Re-identification.zip

    第6節:曠視研究院最新算法解讀(基于圖模型)

    Wang_High-Order_Information_Matters_Learning_Relation_and_Topology_for_Occluded_Person_CVPR_2020_paper.pdf

    第7節:基于拓撲圖的行人重識別項目實戰

    基于圖模型的ReID(曠視).zip

    17.第一十七章 對抗?成?絡實戰

    static.zip

    cyclegan.pdf

    第2節:對抗生成網絡架構原理與實戰解析.zip

    第3節:基于CycleGan開源項目實戰圖像合成.zip

    第4節:stargan論文架構解析

    stargan.pdf

    1912.01865.pdf

    第5節:stargan項目實戰及其源碼解讀.zip

    第6節:基于starganvc2的變聲器論文原理解讀

    stargan-vc2.pdf

    1907.12279.pdf

    第7節:starganvc2變聲器項目實戰及其源碼解讀.zip

    第8節:圖像超分辨率重構實戰

    srgan超分辨率重構.zip

    srdata.zip

    第9節:基于GAN的圖像補全實戰

    圖像補全人臉數據.zip

    glcic圖像補全.zip

    18.第一十八章 強化學習實戰系列

    第1節:強化學習簡介及其應用.pdf

    第2節:PPO算法與公式推導.pdf

    第3節:策略梯度實戰-月球登陸器訓練實例.zip

    第4節:DQN算法.pdf

    第5節:DQN算法實例演示.zip

    第7節:Actor-Critic算法分析(A3C).pdf

    第8節:A3C算法玩轉超級馬里奧.zip

    19.第一十九章 Openai頂級黑科技算法及其項目實戰

    1 節GPT系列生成模型

    GPT系列.pdf

    GPT.zip

    2 節GPT建模與預測流程

    ChinesePretrainedModels.zip

    3 節CLIP系列

    CLIP.zip

    CLIP及其應用.pdf

    4 節Diffusion模型解讀

    annotated_diffusion.ipynb

    5 節Dalle2及其源碼解讀

    dalle2.pdf

    DALLE2-pytorch-main.zip

    6 節ChatGPT

    GPT系列.pdf

    20.第二十章 面向醫學領域的深度學習實戰

    1-神經網絡算法PPT

    深度學習.pdf

    2-PyTorch框架基本處理操作.zip

    3-PyTorch框架必備核心模塊解讀.zip

    4-基于Resnet的醫學數據集分類實戰

    基于Resnet的醫學數據集分類實戰.zip

    Resnet.pdf

    5-圖像分割及其損失函數概述

    深度學習分割任務.pdf

    6-Unet系列算法講解

    深度學習分割任務.pdf

    7-unet醫學細胞分割實戰

    新建文件夾

    unet++.zip

    8-deeplab系列算法

    DeepLab.pdf

    9-基于deeplabV3+版本進行VOC分割實戰

    DeepLabV3Plus.zip

    10-基于deeplab的心臟視頻數據診斷分析

    基于deeplab的心臟視頻數據診斷分析.zip

    11-YOLO系列物體檢測算法原理解讀

    YOLO.pdf

    YOLOv4.pdf

    12-基于YOLO5細胞檢測實戰

    基于YOLO5細胞檢測實戰.zip

    13-知識圖譜原理解讀

    知識圖譜.pdf

    14-Neo4j數據庫實戰

    NEO4J.pdf

    15-基于知識圖譜的醫藥問答系統實戰

    醫藥問答.zip

    配置與安裝.pdf

    16-詞向量模型與RNN網絡架構.zip

    17-醫學糖尿病數據命名實體識別

    eclipse-命名實體識別.zip

    notebook-瑞金.zip

    21.第二十一章 深度學習模型部署與剪枝優化實戰

    tensorRT

    tensorRT課程PPT

    video1-get-env.mp4

    video1-get-templ.mp4

    1.說在前面.pdf

    2.介紹.pdf

    3.cuda-driver-課程概述.pdf

    4.cuda-driver.pdf

    video-series.mp4

    5.cuda-runtime-課程概述.pdf

    6.cuda-runtime.pdf

    7.tensorrt-basic-課程概述.pdf

    8.tensorrt-basic.pdf

    9.tensorrt-integrate-課程概述.pdf

    10.tensorrt-integrate.pdf

    tensorRT課程代碼

    cuda-runtime-api.tar.gz

    cuda-driver-api.tar.gz

    tensorrt-integrate.tar.gz

    tensorrt-basic.tar.gz

    嵌入式AI

    第一章 認識 jetson nano

    1software

    usbCamera.py

    csiCamera.py

    code_1.71.2-1663189619_arm64.deb

    balenaEtcher-Setup-1.7.9.exe

    SDCardFormatterv5_WinEN.zip

    1.1 jetson nano 硬件介紹.pdf

    1.2b jetson nano 系統安裝過程.pdf

    1.4 安裝使用攝像頭csi usb.pdf

    1.3 感受nano的GPU算力.pdf

    1.2 jetson nano 刷機.pdf

    第二章 AI 實戰

    時間統計.xlsx

    2software

    networks

    bvlc_googlenet.caffemodel

    googlenet_noprob.prototxt

    googlenet.prototxt

    SSD-Mobilenet-v1.tar.gz

    SSD-Mobilenet-v2.tar.gz

    usbCamera.py

    csiCamera.py

    jetson-inference.zip

    mobilenet-v1-ssd-mp-0_675.pth

    2.3 docker中運行分類模型.pdf

    2.1 jetson-inference 入門.pdf

    2.6 轉換出onnx模型,并使用.pdf

    2.5 訓練出自己目標識別模型.pdf

    2.4 訓練自己的目標檢測模型準備.pdf

    2.2 docker 的安裝使用.pdf

    第三章 NVIDIA TAO 實用級的訓練神器

    3.4NVIDIA TAO預訓練模型和訓練.pdf

    3.1NVIDIA TAO介紹和安裝.pdf

    3.2NVIDIA TAO數據準備和環境設置.pdf

    3.3NVIDIA TAO數據轉換.pdf

    3.5TAO 剪枝在訓練推理驗證.pdf

    第四章 deepstream

    software

    camera_gstreamer_code_rtp.py

    Accelerated_GStreamer_User_Guide.pdf

    camera_gstreamer_code_rtsp_out.py

    gstreamer-1.0-msvc-x86_64-1.20.4.msi

    EasyPlayer-RTSP-Win-V3.0.19.0515.zip

    rtspCameraH264.py

    rtspVideoH264.py

    4.4 python實現RTP和RTSP.pdf

    4.1 deepstream 介紹安裝.pdf

    4.5 deepstream推理.pdf

    4.2 deepstream HelloWorld.pdf

    4.3 GStreamer RTP和RTSP.pdf

    4.6 deepstream集成yolov4.pdf

    YOLO部署實例.zip

    PyTorch模型部署實例.zip

    Docker使用命令.zip

    pytorch-slimming.zip

    TensorFlow-serving.zip

    Mobilenet.pdf

    剪枝算法.pdf

    mobilenetv3.py

    22.第二十二章 自然語言處理必備神器Huggingface系列實戰

    第一章:Huggingface與NLP介紹解讀

    Huggingface初識.pptx

    第二章:Transformer工具包基本操作實例解讀

    1-Transformers.zip

    2-Finetuning.zip

    第三章:transformer原理解讀

    transformer.pdf

    第四章:BERT系列算法解讀

    BERT系列.pdf

    第五章:文本標注工具與NER實例

    ner.zip

    第六章:文本預訓練模型構建實例

    Mask Language Model.ipynb

    第七章:GPT系列算法

    GPT系列.pdf

    第八章:GPT訓練與預測部署流程

    GPT.zip

    第九章:文本摘要建模

    Summarization.ipynb

    Summarization.zip

    第十章:圖譜知識抽取實戰

    CMeKG.zip

    第十一章:補充Huggingface數據集制作方法實例

    數據格式轉換.zip

    23.第二十三章 ?然語?處理通?框架-BERT實戰

    課件、源碼

    BERT開源項目及數據.zip

    BERT.zip

    第1節:BERT課件.pdf

    NLP核心模型-word2vec.zip

    第2節:谷歌開源項目BERT源碼解讀與應用實例.zip

    第3節:項目實戰-基于BERT的中文情感分析實戰.zip

    第4節:項目實戰-基于BERT的中文命名實體識別實戰.zip

    第5節:必備基知識點-word2vec模型通俗解讀.zip

    第6節:必備基礎-掌握Tensorflow如何實現word2vec模型.zip

    第7節:必備基礎知識點-RNN網絡架構與情感分析應用實例.zip

    第8節:醫學糖尿病數據命名實體識別.zip

    課后作業

    第八模塊:BERT作業.pdf

    24.第二十四章 ?然語?處理經典案例實戰

    源碼、數據集等

    2:商品信息與文本可視化

    商品可視化展示與文本處理.zip

    3:貝葉斯算法

    5-貝葉斯算法.pdf

    4:貝葉斯算法-新聞分類任務

    貝葉斯Python文本分析

    搜狗新聞語料

    val.txt

    test.txt

    train.txt

    Python文本分析.zip

    5-6:HMM實戰

    隱馬爾科夫模型(課件)

    HMM.pdf

    HMM案例實戰

    HMM

    __pycache__

    get_hmm_param.cpython-36.pyc

    data.cpython-36.pyc

    data.py

    hmm_start.py

    get_hmm_param.py

    hmm實踐.ipynb

    時間序列.ipynb

    data2.csv

    8-9:word2vec詞向量實戰

    Word2Vec

    Gensim-代碼.zip

    gensim訓練model.zip

    tensorflow-word2vec.zip

    word2vec.zip

    10:NLP方法對比

    自然語言處理-特征提取方法對比.zip

    11-14:基于Tensorflow的項目實戰

    LSTM情感分析

    LSTM.ipynb

    LSTM.zip

    NLP-文本相似度

    文本相似度.zip

    唐詩生成

    poem.zip

    LSTM.zip

    問答機器人

    QA問答.zip

    對話問答機器人

    chatbot.zip

    課后作業

    data.txt

    第八模塊:NLP實戰(1).pdf

    課件

    RNN與LSTM.pdf

    tensorflow-RNN.pdf

    貝葉斯算法.pdf

    Python文本分析.pdf

    5-貝葉斯算法.pdf

    NLP常用工具包

    Python-自然語言處理工具包.zip

    Python-自然語言處理工具包(1).zip

    25.第二十五章 知識圖譜實戰系列

    第1.2節:知識圖譜介紹及其應用領域分析

    知識圖譜.pdf

    第3節:Neo4j數據庫實戰

    NEO4J.pdf

    第4節:使用python操作neo4j實例

    python操作neo4j.zip

    第5節:基于知識圖譜的醫藥問答系統實戰

    醫藥問答.zip

    配置與安裝.pdf

    第6節:文本關系抽取實踐

    關系抽取.zip

    第7節:金融平臺風控模型實踐

    貸款風控特征工程.zip

    第8節:醫學糖尿病數據命名實體識別

    eclipse-命名實體識別.zip

    notebook-瑞金.zip

    26.第二十六章 語?識別實戰系列

    論文

    Conv-TasNet論文.pdf

    tacotron2論文.pdf

    stargancv2論文.pdf

    PPT

    語音分離.pdf

    seq2seq.pdf

    stargan-vc2.pdf

    語音合成-tacotron2.pdf

    語音分離Conv-TasNet.zip

    語音識別LAS模型.zip

    語音合成tacotron2實戰.zip

    變聲器pytorch-StarGAN-VC2.zip

    27.第二十七章 推薦系統實戰系列

    第1節:推薦系統介紹.pdf

    第2節:協同過濾與矩陣分解.pdf

    第3節:音樂推薦系統實戰

    Python實現音樂推薦系統

    .ipynb_checkpoints

    推薦系統-checkpoint.ipynb

    __pycache__

    Recommenders.cpython-36.pyc

    train_triplets.txt

    推薦系統.ipynb

    song_playcount_df.csv

    老版.ipynb

    track_metadata.db

    track_metadata_df_sub.csv

    user_playcount_df.csv

    recommendation_engines.py

    triplet_dataset_sub_song.csv

    Recommenders.py

    1.png

    2.png

    3.png

    4.png

    5.png

    6.png

    7.png

    8.png

    第4節:Neo4j數據庫實例

    NEO4J.pdf

    第5節:基于知識圖譜的電影推薦實戰.zip

    第6節:FM與DeepFM算法.pdf

    第7節:DeepFM算法實戰.zip

    第8節:推薦系統常用工具包演示.zip

    第9節:基于文本數據的推薦實例.zip

    第10節:基于統計分析的電影推薦

    電影推薦.zip

    第11節:補充-基于相似度的酒店推薦系統.zip

    28.第二十八章 AI課程所需安裝軟件教程

    torchvision-0.11.0+cu113-cp38-cp38-win_amd64.whl

    VisualStudioSetup.exe

    torch-1.10.0+cu113-cp38-cp38-win_amd64.whl

    mmcv_full-1.4.7-cp38-cp38-win_amd64.whl

    Anaconda3-2020.07-Windows-x86_64.exe

    notepadplusplus-8-4.exe

    cuda_11.3.0_465.89_win10.exe

    pycharm-community-2022.1.2.exe

    29.第二十九章 額外補充

    SPPCSPC(替換SPP)

    源碼.txt

    GCNET(全局特征融合)

    yolo.py

    gc.py

    yolov5s_cb2d.yaml

    1904.11492.pdf

    ConvNeXt

    源碼.txt

    源碼鏈接.txt

    common.py

    yolo.py

    yolov5s_convnextB.yaml

    2201.03545.pdf

    SPD-Conv

    common.py

    SPD-Conv論文.pdf

    yolo.py

    源碼實現.txt

    yolov5s_spd.yaml

    yolov5s.yaml

    mobileone(提速)

    源碼實現.txt

    common.py

    yolo.py

    yolov5s_mobileone.yaml

    2206.04040.pdf

    Coordinate_attention

    源碼實現.txt

    common.py

    yolo.py

    yolov5s_Coordinate_attention.yaml

    Hou_Coordinate_Attention_for_Efficient_Mobile_Network_Design_CVPR_2021_paper.pdf

    ACMIX(卷積與注意力結合)

    common.py

    源碼實現.txt

    yolo.py

    yolov5s_acmix.yaml

    2111.14556.pdf

    gc.py

    gc(2).py

    01 直播課回放

    01 開班典禮

    01 開班典禮.mp4

    02 Pycharm環境配置與Debug演示(沒用過的同學必看)

    01 Pycharm環境配置與Debug演示(沒用過的同學必看).mp4

    03 直播1:深度學習核心算法-神經網絡與卷積網絡

    01 深度學習核心算法-神經網絡與卷積網絡.mp4

    04 直播2:卷積神經網絡

    01 卷積神經網絡.mp4

    05 直播3:Transformer架構

    01 Transformer架構.mp4

    06 直播4:Transfomer在視覺任務中的應用實例

    01 Transfomer在視覺任務中的應用實例.mp4

    07 直播5:YOLO系列(V7)算法解讀

    01 YOLO系列(V7)算法解讀.mp4

    08 直播6:分割模型Maskformer系列

    01 分割模型Maskformer系列.mp4

    09 補充:Mask2former源碼解讀

    01 Backbone獲取多層級特征.mp4

    02 多層級采樣點初始化構建.mp4

    03 多層級輸入特征序列創建方法.mp4

    04 偏移量與權重計算并轉換.mp4

    05 Encoder特征構建方法實例.mp4

    06 query要預測的任務解讀.mp4

    07 Decoder中的AttentionMask方法.mp4

    08 損失模塊輸入參數分析.mp4

    09 標簽分配策略解讀.mp4

    10 正樣本篩選損失計算.mp4

    11 標簽分類匹配結果分析.mp4

    12 最終損失計算流程.mp4

    13 匯總所有損失完成迭代.mp4

    10 直播7:半監督物體檢測

    01 半監督物體檢測.mp4

    11 直播8:基于圖模型的時間序列預測

    01 基于圖模型的時間序列預測.mp4

    12 直播9:圖像定位與檢索

    01 圖像定位與檢索.mp4

    13 直播10:近期內容補充

    01 近期內容補充.mp4

    14 直播11:文本生成GPT系列

    01 文本生成GPT系列.mp4

    15 直播12:異構圖神經網絡

    01 異構圖神經網絡.mp4

    16 直播13:BEV特征空間

    01 BEV特征空間.mp4

    17 補充:BevFormer源碼解讀

    01 環境配置方法解讀.mp4

    02 數據集下載與配置方法.mp4

    03 特征提取以及BEV空間初始化.mp4

    04 特征對齊與位置編碼初始化.mp4

    05 Reference初始點構建.mp4

    06 BEV空間與圖像空間位置對應.mp4

    07 注意力機制模塊計算方法.mp4

    08 BEV空間特征構建.mp4

    09 Decoder要完成的任務分析.mp4

    10 獲取當前BEV特征.mp4

    11 Decoder級聯校正模塊.mp4

    12 損失函數與預測可視化.mp4

    18 直播14:知識蒸餾

    01 知識蒸餾.mp4

    19 直播15:六期總結與論文簡歷

    01 六期總結與論文簡歷.mp4

    02 深度學習必備核心算法

    01 神經網絡算法解讀

    01 神經網絡算法解讀.mp4

    02 卷積神經網絡算法解讀

    01 卷積神經網絡算法解讀.mp4

    03 遞歸神經網絡算法解讀

    01 遞歸神經網絡算法解讀.mp4

    03 深度學習核心框架PyTorch

    01 PyTorch框架介紹與配置安裝

    01 PyTorch框架與其他框架區別分析.mp4

    02 CPU與GPU版本安裝方法解讀.mp4

    02 使用神經網絡進行分類任務

    01 數據集與任務概述.mp4

    02 基本模塊應用測試.mp4

    03 網絡結構定義方法.mp4

    04 數據源定義簡介.mp4

    05 損失與訓練模塊分析.mp4

    06 訓練一個基本的分類模型.mp4

    07 參數對結果的影響.mp4

    03 神經網絡回歸任務-氣溫預測

    01 神經網絡回歸任務-氣溫預測.mp4

    04 卷積網絡參數解讀分析

    01 輸入特征通道分析.mp4

    02 卷積網絡參數解讀.mp4

    03 卷積網絡模型訓練.mp4

    05 圖像識別模型與訓練策略(重點)

    01 任務分析與圖像數據基本處理.mp4

    02 數據增強模塊.mp4

    03 數據集與模型選擇.mp4

    04 遷移學習方法解讀.mp4

    05 輸出層與梯度設置.mp4

    06 輸出類別個數修改.mp4

    07 優化器與學習率衰減.mp4

    08 模型訓練方法.mp4

    09 重新訓練全部模型.mp4

    10 測試結果演示分析.mp4

    06 DataLoader自定義數據集制作

    01 Dataloader要完成的任務分析.mp4

    02 圖像數據與標簽路徑處理.mp4

    03 Dataloader中需要實現的方法分析.mp4

    04 實用Dataloader加載數據并訓練模型.mp4

    07 LSTM文本分類實戰

    01 數據集與任務目標分析.mp4

    02 文本數據處理基本流程分析.mp4

    03 命令行參數與DEBUG.mp4

    04 訓練模型所需基本配置參數分析.mp4

    05 預料表與字符切分.mp4

    06 字符預處理轉換ID.mp4

    07 LSTM網絡結構基本定義.mp4

    08 網絡模型預測結果輸出.mp4

    09 模型訓練任務與總結.mp4

    08 PyTorch框架Flask部署例子

    01 基本結構與訓練好的模型加載.mp4

    02 服務端處理與預測函數.mp4

    03 基于Flask測試模型預測結果.mp4

    04 MMLAB實戰系列

    01 MMCV安裝方法

    01 MMCV安裝方法.mp4

    02 第一模塊:分類任務基本操作

    01 MMCLS問題修正.mp4

    02 準備MMCLS項目.mp4

    03 基本參數配置解讀.mp4

    04 各模塊配置文件組成.mp4

    05 生成完整配置文件.mp4

    06 根據文件夾定義數據集.mp4

    07 構建自己的數據集.mp4

    08 訓練自己的任務.mp4

    03 第一模塊:訓練結果測試與驗證

    01 測試DEMO效果.mp4

    02 測試評估模型效果.mp4

    03 MMCLS中增加一個新的模塊.mp4

    04 修改配置文件中的參數.mp4

    05 數據增強流程可視化展示.mp4

    06 Grad-Cam可視化方法.mp4

    07 可視化細節與效果分析.mp4

    08 MMCLS可視化模塊應用.mp4

    09 模型分析腳本使用.mp4

    04 第一模塊:模型源碼DEBUG演示

    01 VIT任務概述.mp4

    02 數據增強模塊概述分析.mp4

    03 PatchEmbedding層.mp4

    04 前向傳播基本模塊.mp4

    05 CLS與輸出模塊.mp4

    05 第二模塊:使用分割模塊訓練自己的數據集

    01 項目配置基本介紹.mp4

    02 數據集標注與制作方法.mp4

    03 根據預測類別數修改配置文件.mp4

    04 加載預訓練模型開始訓練.mp4

    05 預測DEMO演示.mp4

    06 第二模塊:基于Unet進行各種策略修改

    01 配置文件解讀.mp4

    02 編碼層模塊.mp4

    03 上采樣與輸出層.mp4

    04 輔助層的作用.mp4

    05 給Unet添加一個neck層.mp4

    06 如何修改參數適配網絡結構.mp4

    07 將Unet特征提取模塊替換成transformer.mp4

    08 VIT模塊源碼分析.mp4

    07 第二模塊:分割任務CVPR最新Backbone設計及其應用

    01 注冊自己的Backbone模塊.mp4

    02 配置文件指定.mp4

    03 DEBUG解讀Backbone設計.mp4

    04 PatchEmbedding的作用與實現.mp4

    05 卷積位置編碼計算方法.mp4

    06 近似Attention模塊實現.mp4

    07 完成特征提取與融合模塊.mp4

    08 分割輸出模塊.mp4

    09 全局特征的作用與實現.mp4

    10 匯總多層級特征進行輸出.mp4

    08 第三模塊:mmdet訓練自己的數據任務

    01 數據集標注與標簽獲取.mp4

    02 COCO數據標注格式.mp4

    03 通過腳本生成COCO數據格式.mp4

    04 配置文件數據增強策略分析.mp4

    05 訓練所需配置說明.mp4

    06 模型訓練與DEMO演示.mp4

    07 模型測試與可視化分析模塊.mp4

    08 補充:評估指標.mp4

    09 第三模塊:DeformableDetr物體檢測源碼分析

    01 特征提取與位置編碼.mp4

    02 序列特征展開并疊加.mp4

    03 得到相對位置點編碼.mp4

    04 準備Encoder編碼層所需全部輸入.mp4

    05 編碼層中的序列分析.mp4

    06 偏移量offset計算.mp4

    07 偏移量對齊操作.mp4

    08 Encoder層完成特征對齊.mp4

    09 Decoder要完成的操作.mp4

    10 分類與回歸輸出模塊.mp4

    11 預測輸出結果與標簽匹配模塊.mp4

    10 補充:Mask2former源碼解讀

    01 Backbone獲取多層級特征.mp4

    02 多層級采樣點初始化構建.mp4

    03 多層級輸入特征序列創建方法.mp4

    04 偏移量與權重計算并轉換.mp4

    05 Encoder特征構建方法實例.mp4

    06 query要預測的任務解讀.mp4

    07 Decoder中的AttentionMask方法.mp4

    08 損失模塊輸入參數分析.mp4

    09 標簽分配策略解讀.mp4

    10 正樣本篩選損失計算.mp4

    11 標簽分類匹配結果分析.mp4

    12 最終損失計算流程.mp4

    13 匯總所有損失完成迭代.mp4

    11 第三模塊:DeformableDetr算法解讀

    01 DeformableDetr算法解讀.mp4

    12 KIE關鍵信息抽取與視頻超分辨率重構

    01 KIE關鍵信息抽取與視頻超分辨率重構.mp4

    13 第四模塊:DBNET文字檢測

    01 文字檢測數據概述與配置文件.mp4

    02 配置文件參數設置.mp4

    03 Neck層特征組合.mp4

    04 損失函數模塊概述.mp4

    05 損失計算方法.mp4

    14 第四模塊:ANINET文字識別

    01 數據集與環境概述.mp4

    02 配置文件修改方法.mp4

    03 Bakbone模塊得到特征.mp4

    04 視覺Transformer模塊的作用.mp4

    05 視覺模型中的編碼與解碼的效果.mp4

    06 文本模型中的結構分析.mp4

    07 迭代修正模塊.mp4

    08 輸出層與損失計算.mp4

    15 第四模塊:KIE基于圖模型的關鍵信息抽取

    01 配置文件以及要完成的任務解讀.mp4

    02 KIE數據集格式調整方法.mp4

    03 配置文件與標簽要進行處理操作.mp4

    04 邊框要計算的特征分析.mp4

    05 標簽數據處理與關系特征提取.mp4

    06 特征合并處理.mp4

    07 準備拼接邊與點特征.mp4

    08 整合得到圖模型輸入特征.mp4

    16 第五模塊:stylegan2源碼解讀

    01 要完成的任務與基本思想概述.mp4

    02 得到style特征編碼.mp4

    03 特征編碼風格拼接.mp4

    04 基礎風格特征卷積模塊.mp4

    05 上采樣得到輸出結果.mp4

    06 損失函數概述.mp4

    17 第六模塊:BasicVSR++視頻超分辨重構源碼解讀

    01 要完成的任務分析與配置文件.mp4

    02 特征基礎提取模塊.mp4

    03 光流估計網絡模塊.mp4

    04 基于光流完成對齊操作.mp4

    05 偏移量計算方法.mp4

    06 雙向計算特征對齊.mp4

    07 提特征傳遞流程分析.mp4

    08 序列傳播計算.mp4

    09 準備變形卷積模塊的輸入.mp4

    10 傳播流程整體完成一圈.mp4

    11 完成輸出結果.mp4

    18 第七模塊:多模態3D目標檢測算法源碼解讀

    01 環境配置與數據集概述.mp4

    02 數據與標注文件介紹.mp4

    03 基本流程梳理并進入debug模式.mp4

    04 數據與圖像特征提取模塊.mp4

    05 體素索引位置獲取.mp4

    06 體素特征提取方法解讀.mp4

    07 體素特征計算方法分析.mp4

    08 全局體素特征提取.mp4

    09 多模態特征融合.mp4

    10 3D卷積特征融合.mp4

    11 輸出層預測結果.mp4

    19 第八模塊:模型蒸餾應用實例

    01 任務概述與工具使用.mp4

    02 Teacher與Student網絡結構定義.mp4

    03 訓練T與S得到蒸餾模型.mp4

    04 開始模型訓練過程與問題修正.mp4

    05 日志輸出與模型分離.mp4

    06 分別得到Teacher與Student模型.mp4

    07 實際測試效果演示.mp4

    20 第八模塊:模型剪枝方法概述分析

    01 SuperNet網絡結構分析與剪枝概述.mp4

    02 搜索匹配到符合計算量的模型并訓練.mp4

    21 第九模塊:mmaction行為識別

    01 創建自己的行為識別標注數據集.mp4

    22 OCR算法解讀

    01 OCR算法解讀.mp4

    23 額外補充-在源碼中加入各種注意力機制方法

    01 在源碼中加入各種注意力機制方法.mp4

    05 Opencv圖像處理框架實戰

    01 課程簡介與環境配置

    01 課程簡介.mp4

    02 Python與Opencv配置安裝.mp4

    03 Notebook與IDE環境.mp4

    02 圖像基本操作

    01 計算機眼中的圖像.mp4

    02 視頻的讀取與處理.mp4

    03 ROI區域.mp4

    04 邊界填充.mp4

    05 數值計算.mp4

    03 閾值與平滑處理

    01 圖像閾值.mp4

    02 圖像平滑處理.mp4

    03 高斯與中值濾波.mp4

    04 圖像形態學操作

    01 腐蝕操作.mp4

    02 膨脹操作.mp4

    03 開運算與閉運算.mp4

    04 梯度計算.mp4

    05 禮帽與黑帽.mp4

    05 圖像梯度計算

    01 Sobel算子.mp4

    02 梯度計算方法.mp4

    03 scharr與lapkacian算子.mp4

    06 邊緣檢測

    01 Canny邊緣檢測流程.mp4

    02 非極大值抑制.mp4

    03 邊緣檢測效果.mp4

    07 圖像金字塔與輪廓檢測

    01 圖像金字塔定義.mp4

    02 金字塔制作方法.mp4

    03 輪廓檢測方法.mp4

    04 輪廓檢測結果.mp4

    05 輪廓特征與近似.mp4

    06 模板匹配方法.mp4

    07 匹配效果展示.mp4

    08 直方圖與傅里葉變換

    01 直方圖定義.mp4

    02 均衡化原理.mp4

    03 均衡化效果.mp4

    04 傅里葉概述.mp4

    05 頻域變換結果.mp4

    06 低通與高通濾波.mp4

    09 項目實戰-信用卡數字識別

    01 總體流程與方法講解.mp4

    02 環境配置與預處理.mp4

    03 模板處理方法.mp4

    04 輸入數據處理方法.mp4

    05 模板匹配得出識別結果.mp4

    10 項目實戰-文檔掃描OCR識別

    01 整體流程演示.mp4

    02 文檔輪廓提取.mp4

    03 原始與變換坐標計算.mp4

    04 透視變換結果.mp4

    05 tesseract-ocr安裝配置.mp4

    06 文檔掃描識別效果.mp4

    11 圖像特征-harris

    01 角點檢測基本原理.mp4

    02 基本數學原理.mp4

    03 求解化簡.mp4

    04 特征歸屬劃分.mp4

    05 opencv角點檢測效果.mp4

    12 圖像特征-sift

    01 尺度空間定義.mp4

    02 高斯差分金字塔.mp4

    03 特征關鍵點定位.mp4

    04 生成特征描述.mp4

    05 特征向量生成.mp4

    06 opencv中sift函數使用.mp4

    13 案例實戰-全景圖像拼接

    01 特征匹配方法.mp4

    02 RANSAC算法.mp4

    03 圖像拼接方法.mp4

    04 流程解讀.mp4

    14 項目實戰-停車場車位識別

    01 任務整體流程.mp4

    02 所需數據介紹.mp4

    03 圖像數據預處理.mp4

    04 車位直線檢測.mp4

    05 按列劃分區域.mp4

    06 車位區域劃分.mp4

    07 識別模型構建.mp4

    08 基于視頻的車位檢測.mp4

    15 項目實戰-答題卡識別判卷

    01 整體流程與效果概述.mp4

    02 預處理操作.mp4

    03 填涂輪廓檢測.mp4

    04 選項判斷識別.mp4

    16 背景建模

    01 背景消除-幀差法.mp4

    02 混合高斯模型.mp4

    03 學習步驟.mp4

    04 背景建模實戰.mp4

    17 光流估計

    01 基本概念.mp4

    02 Lucas-Kanade算法.mp4

    03 推導求解.mp4

    04 光流估計實戰.mp4

    18 Opencv的DNN模塊

    01 dnn模塊.mp4

    02 模型加載結果輸出.mp4

    19 項目實戰-目標追蹤

    01 目標追蹤概述.mp4

    02 多目標追蹤實戰.mp4

    03 深度學習檢測框架加載.mp4

    04 基于dlib與ssd的追蹤.mp4

    05 多進程目標追蹤.mp4

    06 多進程效率提升對比.mp4

    20 卷積原理與操作

    01 卷積神經網絡的應用.mp4

    02 卷積層解釋.mp4

    03 卷積計算過程.mp4

    04 pading與stride.mp4

    05 卷積參數共享.mp4

    06 池化層原理.mp4

    07 卷積效果演示.mp4

    08 卷積操作流程.mp4

    21 項目實戰-疲勞檢測

    01 關鍵點定位概述.mp4

    02 獲取人臉關鍵點.mp4

    03 定位效果演示.mp4

    04 閉眼檢測.mp4

    05 檢測效果.mp4

    06 綜合項目-物體檢測經典算法實戰

    01 深度學習經典檢測方法概述

    01 檢測任務中階段的意義.mp4

    02 不同階段算法優缺點分析.mp4

    03 IOU指標計算.mp4

    04 評估所需參數計算.mp4

    05 map指標計算.mp4

    02 YOLO-V1整體思想與網絡架構

    01 YOLO算法整體思路解讀.mp4

    02 檢測算法要得到的結果.mp4

    03 整體網絡架構解讀.mp4

    04 位置損失計算.mp4

    05 置信度誤差與優缺點分析.mp4

    03 YOLO-V2改進細節詳解

    01 V2版本細節升級概述.mp4

    02 網絡結構特點.mp4

    03 架構細節解讀.mp4

    04 基于聚類來選擇先驗框尺寸.mp4

    05 偏移量計算方法.mp4

    06 坐標映射與還原.mp4

    07 感受野的作用.mp4

    08 特征融合改進.mp4

    04 YOLO-V3核心網絡模型

    01 V3版本改進概述.mp4

    02 多scale方法改進與特征融合.mp4

    03 經典變換方法對比分析.mp4

    04 殘差連接方法解讀.mp4

    05 整體網絡模型架構分析.mp4

    06 先驗框設計改進.mp4

    07 sotfmax層改進.mp4

    05 項目實戰-基于V3版本進行源碼解讀(建議直接跑V5版本)

    01 數據與環境配置.mp4

    02 訓練參數設置.mp4

    03 COCO圖像數據讀取與處理.mp4

    04 標簽文件讀取與處理.mp4

    05 debug模式介紹.mp4

    06 基于配置文件構建網絡模型.mp4

    07 路由層與shortcut層的作用.mp4

    08 YOLO層定義解析.mp4

    09 預測結果計算.mp4

    10 網格偏移計算.mp4

    11 模型要計算的損失概述.mp4

    12 標簽值格式修改.mp4

    13 坐標相對位置計算.mp4

    14 完成所有損失函數所需計算指標.mp4

    15 模型訓練與總結.mp4

    16 預測效果展示.mp4

    06 基于YOLO-V3訓練自己的數據集與任務(建議直接跑V5版本)

    01 Labelme工具安裝.mp4

    02 數據信息標注.mp4

    03 完成標簽制作.mp4

    04 生成模型所需配置文件.mp4

    05 json格式轉換成yolo-v3所需輸入.mp4

    06 完成輸入數據準備工作.mp4

    07 訓練代碼與參數配置更改.mp4

    08 訓練模型并測試效果.mp4

    07 YOLO-V4版本算法解讀

    01 V4版本整體概述.mp4

    02 V4版本貢獻解讀.mp4

    03 數據增強策略分析.mp4

    04 DropBlock與標簽平滑方法.mp4

    05 損失函數遇到的問題.mp4

    06 CIOU損失函數定義.mp4

    07 NMS細節改進.mp4

    08 SPP與CSP網絡結構.mp4

    09 SAM注意力機制模塊.mp4

    10 PAN模塊解讀.mp4

    11 激活函數與整體架構總結.mp4

    08 V5版本項目配置

    01 整體項目概述.mp4

    02 訓練自己的數據集方法.mp4

    03 訓練數據參數配置.mp4

    04 測試DEMO演示.mp4

    09 V5項目工程源碼解讀

    01 數據源DEBUG流程解讀.mp4

    02 圖像數據源配置.mp4

    03 加載標簽數據.mp4

    04 Mosaic數據增強方法.mp4

    05 數據四合一方法與流程演示.mp4

    06 getItem構建batch.mp4

    07 網絡架構圖可視化工具安裝.mp4

    08 V5網絡配置文件解讀.mp4

    09 Focus模塊流程分析.mp4

    10 完成配置文件解析任務.mp4

    11 前向傳播計算.mp4

    12 BottleneckCSP層計算方法.mp4

    13 SPP層計算細節分析.mp4

    14 Head層流程解讀.mp4

    15 上采樣與拼接操作.mp4

    16 輸出結果分析.mp4

    17 超參數解讀.mp4

    18 命令行參數介紹.mp4

    19 訓練流程解讀.mp4

    20 各種訓練策略概述.mp4

    21 模型迭代過程.mp4

    10 V7源碼解讀

    01 命令行參數介紹.mp4

    02 基本參數作用.mp4

    03 EMA等訓練技巧解讀.mp4

    04 網絡結構配置文件解讀.mp4

    05 各模塊操作細節分析.mp4

    06 輸出層與配置文件其他模塊解讀.mp4

    07 標簽分配策略準備操作.mp4

    08 候選框偏移方法與find3p模塊解讀.mp4

    09 得到偏移點所在網格位置.mp4

    10 完成BuildTargets模塊.mp4

    11 候選框篩選流程分析.mp4

    12 預測值各項指標獲取與調整.mp4

    13 GT匹配正樣本數量計算.mp4

    14 通過IOU與置信度分配正樣本.mp4

    15 損失函數計算方法.mp4

    16 輔助頭AUX網絡結構配置文件解析.mp4

    17 輔助頭損失函數調整.mp4

    18 BN與卷積權重參數融合方法.mp4

    19 重參數化多分支合并加速.mp4

    11 EfficientNet網絡

    01 EfficientNet網絡模型.mp4

    12 EfficientDet檢測算法

    01 EfficientDet檢測算法.mp4

    13 基于Transformer的detr目標檢測算法

    01 DETR目標檢測基本思想解讀.mp4

    02 整體網絡架構分析.mp4

    03 位置信息初始化query向量.mp4

    04 注意力機制的作用方法.mp4

    05 訓練過程的策略.mp4

    14 detr目標檢測源碼解讀

    01 項目環境配置解讀.mp4

    02 數據處理與dataloader.mp4

    03 位置編碼作用分析.mp4

    04 backbone特征提取模塊.mp4

    05 mask與編碼模塊.mp4

    06 編碼層作用方法.mp4

    07 Decoder層操作與計算.mp4

    08 輸出預測結果.mp4

    09 損失函數與預測輸出.mp4

    07 圖像分割實戰

    01 圖像分割及其損失函數概述

    01 語義分割與實例分割概述.mp4

    02 分割任務中的目標函數定義.mp4

    03 MIOU評估標準.mp4

    02 卷積神經網絡原理與參數解讀

    01 卷積神經網絡應用領域.mp4

    02 卷積的作用.mp4

    03 卷積特征值計算方法.mp4

    04 得到特征圖表示.mp4

    05 步長與卷積核大小對結果的影響.mp4

    06 邊緣填充方法.mp4

    07 特征圖尺寸計算與參數共享.mp4

    08 池化層的作用.mp4

    09 整體網絡架構.mp4

    10 VGG網絡架構.mp4

    11 殘差網絡Resnet.mp4

    12 感受野的作用.mp4

    03 Unet系列算法講解

    01 Unet網絡編碼與解碼過程.mp4

    02 網絡計算流程.mp4

    03 Unet升級版本改進.mp4

    04 后續升級版本介紹.mp4

    04 unet醫學細胞分割實戰

    01 醫學細胞數據集介紹與參數配置.mp4

    02 數據增強工具.mp4

    03 Debug模式演示網絡計算流程.mp4

    04 特征融合方法演示.mp4

    05 迭代完成整個模型計算任務.mp4

    06 模型效果驗證.mp4

    05 U2NET顯著性檢測實戰

    01 任務目標與網絡整體介紹.mp4

    02 顯著性檢測任務與目標概述.mp4

    03 編碼器模塊解讀.mp4

    04 解碼器輸出結果.mp4

    05 損失函數與應用效果.mp4

    06 deeplab系列算法

    01 deeplab分割算法概述.mp4

    02 空洞卷積的作用.mp4

    03 感受野的意義.mp4

    04 SPP層的作用.mp4

    05 ASPP特征融合策略.mp4

    06 deeplabV3Plus版本網絡架構.mp4

    07 基于deeplabV3+版本進行VOC分割實戰

    01 PascalVoc數據集介紹.mp4

    02 項目參數與數據集讀取.mp4

    03 網絡前向傳播流程.mp4

    04 ASPP層特征融合.mp4

    05 分割模型訓練.mp4

    08 醫學心臟視頻數據集分割建模實戰

    01 數據集與任務概述.mp4

    02 項目基本配置參數.mp4

    03 任務流程解讀.mp4

    04 文獻報告分析.mp4

    05 補充:視頻數據源特征處理方法概述.mp4

    06 補充:R(2plus1)D處理方法分析.mp4

    09 物體檢測框架-MaskRcnn項目介紹與配置

    01 Mask-Rcnn開源項目簡介.mp4

    02 開源項目數據集.mp4

    03 開源項目數據集.mp4

    10 MaskRcnn網絡框架源碼詳解

    01 FPN層特征提取原理解讀.mp4

    02 FPN網絡架構實現解讀.mp4

    03 生成框比例設置.mp4

    04 基于不同尺度特征圖生成所有框.mp4

    05 RPN層的作用與實現解讀.mp4

    06 候選框過濾方法.mp4

    07 Proposal層實現方法.mp4

    08 DetectionTarget層的作用.mp4

    09 正負樣本選擇與標簽定義.mp4

    10 RoiPooling層的作用與目的.mp4

    11 RorAlign操作的效果.mp4

    12 整體框架回顧.mp4

    11 基于MASK-RCNN框架訓練自己的數據與任務

    01 Labelme工具安裝.mp4

    02 使用labelme進行數據與標簽標注.mp4

    03 完成訓練數據準備工作.mp4

    04 maskrcnn源碼修改方法.mp4

    05 基于標注數據訓練所需任務.mp4

    06 測試與展示模塊.mp4

    08 行為識別實戰

    01 slowfast算法知識點通俗解讀

    01 slowfast核心思想解讀.mp4

    02 核心網絡結構模塊分析.mp4

    03 數據采樣曾的作用.mp4

    04 模型網絡結構設計.mp4

    05 特征融合模塊與總結分析.mp4

    02 slowfast項目環境配置與配置文件

    01 環境基本配置解讀.mp4

    02 目錄各文件分析.mp4

    03 配置文件作用解讀.mp4

    04 測試DEMO演示.mp4

    05 訓練所需標簽文件說明.mp4

    06 訓練所需視頻數據準備.mp4

    07 視頻數據集切分操作.mp4

    08 完成視頻分幀操作.mp4

    03 slowfast源碼詳細解讀

    01 模型所需配置文件參數讀取.mp4

    02 數據處理概述.mp4

    03 dataloader數據遍歷方法.mp4

    04 數據與標簽讀取實例.mp4

    05 圖像數據所需預處理方法.mp4

    06 slow與fast分別執行采樣操作.mp4

    07 分別計算特征圖輸出結果.mp4

    08 slow與fast特征圖拼接操作.mp4

    09 resnetBolock操作.mp4

    10 RoiAlign與輸出層.mp4

    04 基于3D卷積的視頻分析與動作識別

    01 3D卷積原理解讀.mp4

    02 UCF101動作識別數據集簡介.mp4

    03 測試效果與項目配置.mp4

    04 視頻數據預處理方法.mp4

    05 數據Batch制作方法.mp4

    06 3D卷積網絡所涉及模塊.mp4

    07 訓練網絡模型.mp4

    05 視頻異常檢測算法與元學習

    01 異常檢測要解決的問題與數據集介紹.mp4

    02 基本思想與流程分析.mp4

    03 預測與常見問題.mp4

    04 Meta-Learn要解決的問題.mp4

    05 學習能力與參數定義.mp4

    06 如何找到合適的初始化參數.mp4

    07 MAML算法流程解讀.mp4

    06 視頻異常檢測CVPR2021論文及其源碼解讀

    01 論文概述與環境配置.mp4

    02 數據集配置與讀取.mp4

    03 模型編碼與解碼結構.mp4

    04 注意力機制模塊打造.mp4

    05 損失函數的目的.mp4

    06 特征圖生成.mp4

    07 MetaLearn與輸出.mp4

    07 基礎補充-Resnet模型及其應用實例

    01 醫學疾病數據集介紹.mp4

    02 Resnet網絡架構原理分析.mp4

    03 dataloader加載數據集.mp4

    04 Resnet網絡前向傳播.mp4

    05 殘差網絡的shortcut操作.mp4

    06 特征圖升維與降采樣操作.mp4

    07 網絡整體流程與訓練演示.mp4

    09 2022論文必備-Transformer實戰系列

    01 課程介紹

    01 課程介紹.mp4

    02 自然語言處理通用框架BERT原理解讀

    01 BERT任務目標概述.mp4

    02 傳統解決方案遇到的問題.mp4

    03 注意力機制的作用.mp4

    04 self-attention計算方法.mp4

    05 特征分配與softmax機制.mp4

    06 Multi-head的作用.mp4

    07 位置編碼與多層堆疊.mp4

    08 transformer整體架構梳理.mp4

    09 BERT模型訓練方法.mp4

    10 訓練實例.mp4

    03 Transformer在視覺中的應用VIT算法

    01 transformer發家史介紹.mp4

    02 對圖像數據構建patch序列.mp4

    03 VIT整體架構解讀.mp4

    04 CNN遇到的問題與窘境.mp4

    05 計算公式解讀.mp4

    06 位置編碼與TNT模型.mp4

    07 TNT模型細節分析.mp4

    04 VIT算法模型源碼解讀

    01 項目配置說明.mp4

    02 輸入序列構建方法解讀.mp4

    03 注意力機制計算.mp4

    04 輸出層計算結果.mp4

    05 swintransformer算法原理解析

    01 swintransformer整體概述.mp4

    02 要解決的問題及其優勢分析.mp4

    03 一個block要完成的任務.mp4

    04 獲取各窗口輸入特征.mp4

    05 基于窗口的注意力機制解讀.mp4

    06 窗口偏移操作的實現.mp4

    07 偏移細節分析及其計算量概述.mp4

    08 整體網絡架構整合.mp4

    09 下采樣操作實現方法.mp4

    10 分層計算方法.mp4

    06 swintransformer源碼解讀

    01 數據與環境配置解讀.mp4

    02 圖像數據patch編碼.mp4

    03 數據按window進行劃分計算.mp4

    04 基礎attention計算模塊.mp4

    05 窗口位移模塊細節分析.mp4

    06 patchmerge下采樣操作.mp4

    07 各block計算方法解讀.mp4

    08 輸出層概述.mp4

    07 基于Transformer的detr目標檢測算法

    01 DETR目標檢測基本思想解讀.mp4

    02 整體網絡架構分析.mp4

    03 位置信息初始化query向量.mp4

    04 注意力機制的作用方法.mp4

    05 訓練過程的策略.mp4

    08 detr目標檢測源碼解讀

    01 項目環境配置解讀.mp4

    02 數據處理與dataloader.mp4

    03 位置編碼作用分析.mp4

    04 backbone特征提取模塊.mp4

    05 mask與編碼模塊.mp4

    06 編碼層作用方法.mp4

    07 Decoder層操作與計算.mp4

    08 輸出預測結果.mp4

    09 損失函數與預測輸出.mp4

    09 MedicalTrasnformer論文解讀

    01 論文整體分析.mp4

    02 核心思想分析.mp4

    03 網絡結構計算流程概述.mp4

    04 論文公式計算分析.mp4

    05 位置編碼的作用與效果.mp4

    06 拓展應用分析.mp4

    10 MedicalTransformer源碼解讀

    01 項目環境配置.mp4

    02 醫學數據介紹與分析.mp4

    03 基本處理操作.mp4

    04 AxialAttention實現過程.mp4

    05 位置編碼向量解讀.mp4

    06 注意力計算過程與方法.mp4

    07 局部特征提取與計算.mp4

    11 商湯LoFTR算法解讀

    01 特征匹配的應用場景.mp4

    02 特征匹配的基本流程分析.mp4

    03 整體流程梳理分析.mp4

    04 CrossAttention的作用與效果.mp4

    05 transformer構建匹配特征.mp4

    06 粗粒度匹配過程與作用.mp4

    07 特征圖拆解操作.mp4

    08 細粒度匹配的作用與方法.mp4

    09 基于期望預測最終位置.mp4

    10 總結分析.mp4

    12 局部特征關鍵點匹配實戰

    01 項目與參數配置解讀.mp4

    02 DEMO效果演示.mp4

    03 backbone特征提取模塊.mp4

    04 注意力機制的作用與效果分析.mp4

    05 特征融合模塊實現方法.mp4

    06 cross關系計算方法實例.mp4

    07 粗粒度匹配過程.mp4

    08 完成基礎匹配模塊.mp4

    09 精細化調整方法與實例.mp4

    10 得到精細化輸出結果.mp4

    11 通過期望計算最終輸出.mp4

    13 項目補充-谷歌開源項目BERT源碼解讀與應用實例

    01 BERT開源項目簡介.mp4

    02 項目參數配置.mp4

    03 數據讀取模塊.mp4

    04 數據預處理模塊.mp4

    05 tfrecord制作.mp4

    06 Embedding層的作用.mp4

    07 加入額外編碼特征.mp4

    08 加入位置編碼特征.mp4

    09 mask機制的作用.mp4

    10 構建QKV矩陣.mp4

    11 完成Transformer模塊構建.mp4

    12 訓練BERT模型.mp4

    14 項目補充-基于BERT的中文情感分析實戰

    01 中文分類數據與任務概述.mp4

    02 讀取處理自己的數據集.mp4

    03 訓練BERT中文分類模型.mp4

    10 圖神經網絡實戰

    01 圖神經網絡基礎

    01 圖神經網絡應用領域分析.mp4

    02 圖基本模塊定義.mp4

    03 鄰接矩陣的定義.mp4

    04 GNN中常見任務.mp4

    05 消息傳遞計算方法.mp4

    06 多層GCN的作用.mp4

    02 圖卷積GCN模型

    01 GCN基本模型概述.mp4

    02 圖卷積的基本計算方法.mp4

    03 鄰接的矩陣的變換.mp4

    04 GCN變換原理解讀.mp4

    03 圖模型必備神器PyTorch Geometric安裝與使用

    01 PyTorch Geometric工具包安裝與配置方法.mp4

    02 數據集與鄰接矩陣格式.mp4

    03 模型定義與訓練方法.mp4

    04 文獻引用數據集分類案例實戰.mp4

    04 使用PyTorch Geometric構建自己的圖數據集

    01 構建數據集基本方法.mp4

    02 數據集與任務背景概述.mp4

    03 數據集基本預處理.mp4

    04 用戶行為圖結構創建.mp4

    05 數據集創建函數介紹.mp4

    06 網絡結構定義模塊.mp4

    07 TopkPooling進行下采樣任務.mp4

    08 獲取全局特征.mp4

    09 模型訓練與總結.mp4

    05 圖注意力機制與序列圖模型

    01 圖注意力機制的作用與方法.mp4

    02 鄰接矩陣計算圖Attention.mp4

    03 序列圖神經網絡TGCN應用.mp4

    04 序列圖神經網絡細節.mp4

    06 圖相似度論文解讀

    01 要完成的任務分析.mp4

    02 基本方法概述解讀.mp4

    03 圖模型提取全局與局部特征.mp4

    04 NTN模塊的作用與效果.mp4

    05 點之間的對應關系計算.mp4

    06 結果輸出與總結.mp4

    07 圖相似度計算實戰

    01 數據集與任務概述.mp4

    02 圖卷積特征提取模塊.mp4

    03 分別計算不同Batch點的分布.mp4

    04 獲得直方圖特征結果.mp4

    05 圖的全局特征構建.mp4

    06 NTN圖相似特征提取.mp4

    07 預測得到相似度結果.mp4

    08 基于圖模型的軌跡估計

    01 數據集與標注信息解讀.mp4

    02 整體三大模塊分析.mp4

    03 特征工程的作用與效果.mp4

    04 傳統方法與現在向量空間對比.mp4

    05 輸入細節分析.mp4

    06 子圖模塊構建方法.mp4

    07 特征融合模塊分析.mp4

    08 VectorNet輸出層分析.mp4

    09 圖模型軌跡估計實戰

    01 數據與環境配置.mp4

    02 訓練數據準備.mp4

    03 Agent特征提取方法.mp4

    04 DataLoader構建圖結構.mp4

    05 SubGraph與Attention模型流程.mp4

    11 3D點云實戰

    01 3D點云實戰 3D點云應用領域分析

    01 點云數據概述.mp4

    02 點云應用領域與發展分析.mp4

    03 點云分割任務.mp4

    04 點云補全任務.mp4

    05 點云檢測與配準任務.mp4

    06 點云數據特征提取概述與預告.mp4

    02 3D點云PointNet算法

    01 3D數據應用領域與點云介紹.mp4

    02 點云數據可視化展示.mp4

    03 點云數據特性和及要解決的問題.mp4

    04 PointNet算法出發點解讀.mp4

    05 PointNet算法網絡架構解讀.mp4

    03 PointNet++算法解讀

    01 PointNet升級版算法要解決的問題.mp4

    02 最遠點采樣方法.mp4

    03 分組Group方法原理解讀.mp4

    04 整體流程概述分析.mp4

    05 分類與分割問題解決方案.mp4

    06 遇到的問題及改進方法分析.mp4

    04 Pointnet++項目實戰

    01 項目文件概述.mp4

    02 數據讀取模塊配置.mp4

    03 DEBUG解讀網絡模型架構.mp4

    04 最遠點采樣介紹.mp4

    05 采樣得到中心點.mp4

    06 組區域劃分方法.mp4

    07 實現group操作得到各中心簇.mp4

    08 特征提取模塊整體流程.mp4

    09 預測結果輸出模塊.mp4

    10 分類任務總結.mp4

    11 分割任務數據與配置概述.mp4

    12 分割需要解決的任務概述.mp4

    13 上采樣完成分割任務.mp4

    05 點云補全PF-Net論文解讀

    01 點云補全要解決的問題.mp4

    02 基本解決方案概述.mp4

    03 整體網絡概述.mp4

    04 網絡計算流程.mp4

    05 輸入與計算結果.mp4

    06 點云補全實戰解讀

    01 數據與項目配置解讀.mp4

    02 待補全數據準備方法.mp4

    03 整體框架概述.mp4

    04 MRE特征提取模塊.mp4

    05 分層預測輸出模塊.mp4

    06 補全點云數據.mp4

    07 判別模塊.mp4

    07 點云配準及其案例實戰

    01 點云配準任務概述.mp4

    02 配準要完成的目標解讀.mp4

    03 訓練數據構建.mp4

    04 任務基本流程.mp4

    05 數據源配置方法.mp4

    06 參數計算模塊解讀.mp4

    07 基于模型預測輸出參數.mp4

    08 特征構建方法分析.mp4

    09 任務總結.mp4

    08 基礎補充-對抗生成網絡架構原理與實戰解析

    01 對抗生成網絡通俗解釋.mp4

    02 GAN網絡組成.mp4

    03 損失函數解釋說明.mp4

    04 數據讀取模塊.mp4

    05 生成與判別網絡定義.mp4

    12 目標追蹤與姿態估計實戰

    01 課程介紹

    01 課程介紹.mp4

    02 姿態估計OpenPose系列算法解讀

    01 姿態估計要解決的問題分析.mp4

    02 姿態估計應用領域概述.mp4

    03 傳統topdown方法的問題.mp4

    04 要解決的兩個問題分析.mp4

    05 基于高斯分布預測關鍵點位置.mp4

    06 各模塊輸出特征圖解讀.mp4

    07 PAF向量登場.mp4

    08 PAF標簽設計方法.mp4

    09 預測時PAF積分計算方法.mp4

    10 匹配方法解讀.mp4

    11 CPM模型特點.mp4

    12 算法流程與總結.mp4

    03 OpenPose算法源碼分析

    01 數據集與路徑配置解讀.mp4

    02 讀取圖像與標注信息.mp4

    03 關鍵點與軀干特征圖初始化.mp4

    04 根據關鍵點位置設計關鍵點標簽.mp4

    05 準備構建PAF軀干標簽.mp4

    06 各位置點歸屬判斷.mp4

    07 特征圖各點累加向量計算.mp4

    08 完成PAF特征圖制作.mp4

    09 網絡模型一階段輸出.mp4

    10 多階段輸出與預測.mp4

    04 deepsort算法知識點解讀

    01 卡爾曼濾波通俗解釋.mp4

    02 卡爾曼濾波要完成的任務.mp4

    03 任務本質分析.mp4

    04 基于觀測值進行最優估計.mp4

    05 預測與更新操作.mp4

    06 追蹤中的狀態量.mp4

    07 匈牙利匹配算法概述.mp4

    08 匹配小例子分析.mp4

    09 REID特征的作用.mp4

    10 sort與deepsort建模流程分析.mp4

    11 預測與匹配流程解讀.mp4

    12 追蹤任務流程拆解.mp4

    05 deepsort源碼解讀

    01 項目環境配置.mp4

    02 參數與DEMO演示.mp4

    03 針對檢測結果初始化track.mp4

    04 對track執行預測操作.mp4

    05 狀態量預測結果.mp4

    06 IOU代價矩陣計算.mp4

    07 參數更新操作.mp4

    08 級聯匹配模塊.mp4

    09 ReID特征代價矩陣計算.mp4

    10 匹配結果與總結.mp4

    06 YOLO-V4版本算法解讀

    01 V4版本整體概述.mp4

    02 V4版本貢獻解讀.mp4

    03 數據增強策略分析.mp4

    04 DropBlock與標簽平滑方法.mp4

    05 損失函數遇到的問題.mp4

    06 CIOU損失函數定義.mp4

    07 NMS細節改進.mp4

    08 SPP與CSP網絡結構.mp4

    09 SAM注意力機制模塊.mp4

    10 PAN模塊解讀.mp4

    11 激活函數與整體架構總結.mp4

    07 V5版本項目配置

    01 整體項目概述.mp4

    02 訓練自己的數據集方法.mp4

    03 訓練數據參數配置.mp4

    04 測試DEMO演示.mp4

    08 V5項目工程源碼解讀

    01 數據源DEBUG流程解讀.mp4

    02 圖像數據源配置.mp4

    03 加載標簽數據.mp4

    04 Mosaic數據增強方法.mp4

    05 數據四合一方法與流程演示.mp4

    06 getItem構建batch.mp4

    07 網絡架構圖可視化工具安裝.mp4

    08 V5網絡配置文件解讀.mp4

    09 Focus模塊流程分析.mp4

    10 完成配置文件解析任務.mp4

    11 前向傳播計算.mp4

    12 BottleneckCSP層計算方法.mp4

    13 1-SPP層計算細節分析.mp4

    14 2-Head層流程解讀.mp4

    15 上采樣與拼接操作.mp4

    16 輸出結果分析.mp4

    17 超參數解讀.mp4

    18 命令行參數介紹.mp4

    19 訓練流程解讀.mp4

    20 各種訓練策略概述.mp4

    21 模型迭代過程.mp4

    13 面向深度學習的無人駕駛實戰

    01 深度估計算法原理解讀

    01 深度估計效果與應用.mp4

    02 kitti數據集介紹.mp4

    03 使用backbone獲取層級特征.mp4

    04 差異特征計算邊界信息.mp4

    05 SPP層的作用.mp4

    06 空洞卷積與ASPP.mp4

    07 特征拼接方法分析.mp4

    08 網絡coarse-to-fine過程.mp4

    09 權重參數預處理.mp4

    10 損失計算.mp4

    02 深度估計項目實戰

    01 項目環境配置解讀.mp4

    02 數據與標簽定義方法.mp4

    03 數據集dataloader制作.mp4

    04 使用backbone進行特征提取.mp4

    05 計算差異特征.mp4

    06 權重參數標準化操作.mp4

    07 網絡結構ASPP層.mp4

    08 特征拼接方法解讀.mp4

    09 輸出深度估計結果.mp4

    10 損失函數通俗解讀.mp4

    11 模型DEMO輸出結果.mp4

    03 車道線檢測算法與論文解讀

    01 數據標簽與任務分析.mp4

    02 網絡整體框架分析.mp4

    03 輸出結果分析.mp4

    04 損失函數計算方法.mp4

    05 論文概述分析.mp4

    04 基于深度學習的車道線檢測項目實戰

    01 車道數據與標簽解讀.mp4

    02 項目環境配置演示.mp4

    03 制作數據集dataloader.mp4

    04 車道線標簽數據處理.mp4

    05 四條車道線標簽位置矩陣.mp4

    06 grid設置方法.mp4

    07 完成數據與標簽制作.mp4

    08 算法網絡結構解讀.mp4

    09 損失函數計算模塊分析.mp4

    10 車道線規則損失函數限制.mp4

    11 DEMO制作與配置.mp4

    05 商湯LoFTR算法解讀

    01 特征匹配的應用場景.mp4

    02 特征匹配的基本流程分析.mp4

    03 整體流程梳理分析.mp4

    04 CrossAttention的作用與效果.mp4

    05 transformer構建匹配特征.mp4

    06 粗粒度匹配過程與作用.mp4

    07 特征圖拆解操作.mp4

    08 細粒度匹配的作用與方法.mp4

    09 基于期望預測最終位置.mp4

    10 總結分析.mp4

    06 局部特征關鍵點匹配實戰

    01 項目與參數配置解讀.mp4

    02 DEMO效果演示.mp4

    03 backbone特征提取模塊.mp4

    04 注意力機制的作用與效果分析.mp4

    05 特征融合模塊實現方法.mp4

    06 cross關系計算方法實例.mp4

    07 粗粒度匹配過程.mp4

    08 完成基礎匹配模塊.mp4

    09 精細化調整方法與實例.mp4

    10 得到精細化輸出結果.mp4

    11 通過期望計算最終輸出.mp4

    07 三維重建應用與坐標系基礎

    01 三維重建概述分析.mp4

    02 三維重建應用領域概述.mp4

    03 成像方法概述.mp4

    04 相機坐標系.mp4

    05 坐標系轉換方法解讀.mp4

    06 相機內外參.mp4

    07 通過內外參數進行坐標變換.mp4

    08 相機標定簡介.mp4

    08 NeuralRecon算法解讀

    01 任務流程分析.mp4

    02 基本框架熟悉.mp4

    03 特征映射方法解讀.mp4

    04 片段融合思想.mp4

    05 整體架構重構方法.mp4

    09 NeuralRecon項目環境配置

    01 數據集下載與配置方法.mp4

    02 Scannet數據集內容概述.mp4

    03 TSDF標簽生成方法.mp4

    04 ISSUE的作用.mp4

    05 完成依賴環境配置.mp4

    10 NeuralRecon項目源碼解讀

    01 Backbone得到特征圖.mp4

    02 初始化體素位置.mp4

    03 坐標映射方法實現.mp4

    04 得到體素所對應特征圖.mp4

    05 插值得到對應特征向量.mp4

    06 得到一階段輸出結果.mp4

    07 完成三個階段預測結果.mp4

    08 項目總結.mp4

    11 TSDF算法與應用

    01 TSDF整體概述分析.mp4

    02 合成過程DEMO演示.mp4

    03 布局初始化操作.mp4

    04 TSDF計算基本流程解讀.mp4

    05 坐標轉換流程分析.mp4

    06 輸出結果融合更新.mp4

    12 TSDF實戰案例

    01 環境配置概述.mp4

    02 初始化與數據讀取.mp4

    03 計算得到TSDF輸出.mp4

    13 軌跡估計算法與論文解讀

    01 數據集與標注信息解讀.mp4

    02 整體三大模塊分析.mp4

    03 特征工程的作用與效果.mp4

    04 傳統方法與現在向量空間對比.mp4

    05 輸入細節分析.mp4

    06 子圖模塊構建方法.mp4

    07 特征融合模塊分析.mp4

    08 VectorNet輸出層分析.mp4

    14 軌跡估計預測實戰

    01 數據與環境配置.mp4

    02 訓練數據準備.mp4

    03 Agent特征提取方法.mp4

    04 DataLoader構建圖結構.mp4

    05 SubGraph與Attention模型流程.mp4

    15 特斯拉無人駕駛解讀

    01 特斯拉無人駕駛解讀.mp4

    14 對比學習與多模態任務實戰

    01 對比學習算法與實例

    01 對比學習算法與實例.mp4

    02 CLIP系列

    01 CLIP系列.mp4

    03 多模態3D目標檢測算法源碼解讀

    01 環境配置與數據集概述.mp4

    02 數據與標注文件介紹.mp4

    03 基本流程梳理并進入debug模式.mp4

    04 數據與圖像特征提取模塊.mp4

    05 體素索引位置獲取.mp4

    06 體素特征提取方法解讀.mp4

    07 體素特征計算方法分析.mp4

    08 全局體素特征提取.mp4

    09 多模態特征融合.mp4

    10 3D卷積特征融合.mp4

    11 輸出層預測結果.mp4

    04 多模態文字識別

    01 多模態文字識別.mp4

    05 ANINET源碼解讀

    01 數據集與環境概述.mp4

    02 配置文件修改方法.mp4

    03 Bakbone模塊得到特征.mp4

    04 視覺Transformer模塊的作用.mp4

    05 視覺模型中的編碼與解碼的效果.mp4

    06 文本模型中的結構分析.mp4

    07 迭代修正模塊.mp4

    08 輸出層與損失計算.mp4

    15 缺陷檢測實戰

    01 課程介紹

    01 課程介紹.mp4

    02 物體檢框架YOLO-V4版本算法解讀

    01 V4版本整體概述.mp4

    01 源碼【內有百度云地址,自取】.txt

    02 V4版本貢獻解讀.mp4

    03 數據增強策略分析.mp4

    04 DropBlock與標簽平滑方法.mp4

    05 損失函數遇到的問題.mp4

    06 CIOU損失函數定義.mp4

    07 NMS細節改進.mp4

    08 SPP與CSP網絡結構.mp4

    09 SAM注意力機制模塊.mp4

    10 PAN模塊解讀.mp4

    11 激活函數與整體架構總結.mp4

    03 物體檢測框架YOLOV5版本項目配置

    01 整體項目概述.mp4

    02 訓練自己的數據集方法.mp4

    03 訓練數據參數配置.mp4

    04 測試DEMO演示.mp4

    04 物體檢測框架YOLOV5項目工程源碼解讀

    01 數據源DEBUG流程解讀.mp4

    02 圖像數據源配置.mp4

    03 加載標簽數據.mp4

    04 Mosaic數據增強方法.mp4

    05 數據四合一方法與流程演示.mp4

    06 getItem構建batch.mp4

    07 網絡架構圖可視化工具安裝.mp4

    08 V5網絡配置文件解讀.mp4

    09 Focus模塊流程分析.mp4

    10 完成配置文件解析任務.mp4

    11 前向傳播計算.mp4

    12 BottleneckCSP層計算方法.mp4

    13 SPP層計算細節分析.mp4

    14 Head層流程解讀.mp4

    15 上采樣與拼接操作.mp4

    16 輸出結果分析.mp4

    17 超參數解讀.mp4

    18 命令行參數介紹.mp4

    19 訓練流程解讀.mp4

    20 各種訓練策略概述.mp4

    21 模型迭代過程.mp4

    05 基于YOLOV5的鋼材缺陷檢測實戰

    01 任務需求與項目概述.mp4

    02 數據與標簽配置方法.mp4

    03 標簽轉換格式腳本制作.mp4

    04 各版本模型介紹分析.mp4

    05 項目參數配置.mp4

    06 缺陷檢測模型訓練.mp4

    07 輸出結果與項目總結.mp4

    06 Semi-supervised布料缺陷檢測實戰

    01 任務目標與流程概述.mp4

    02 論文思想與模型分析.mp4

    03 項目配置解讀.mp4

    04 網絡流程分析.mp4

    05 輸出結果展示.mp4

    07 Opencv圖像常用處理方法實例

    01 計算機眼中的圖像.mp4

    02 視頻的讀取與處理.mp4

    03 ROI區域.mp4

    04 邊界填充.mp4

    05 數值計算.mp4

    06 圖像閾值.mp4

    07 圖像平滑處理.mp4

    08 高斯與中值濾波.mp4

    09 腐蝕操作.mp4

    10 膨脹操作.mp4

    11 開運算與閉運算.mp4

    12 梯度計算.mp4

    13 禮帽與黑帽.mp4

    08 Opencv梯度計算與邊緣檢測實例

    01 Canny邊緣檢測流程.mp4

    02 非極大值抑制.mp4

    03 邊緣檢測效果.mp4

    04 Sobel算子.mp4

    05 梯度計算方法.mp4

    06 scharr與lapkacian算子.mp4

    09 Opencv輪廓檢測與直方圖

    01 圖像金字塔定義.mp4

    02 金字塔制作方法.mp4

    03 輪廓檢測方法.mp4

    04 輪廓檢測結果.mp4

    05 輪廓特征與近似.mp4

    06 模板匹配方法.mp4

    07 匹配效果展示.mp4

    08 直方圖定義.mp4

    09 均衡化原理.mp4

    10 均衡化效果.mp4

    11 傅里葉概述.mp4

    12 頻域變換結果.mp4

    13 低通與高通濾波.mp4

    10 基于Opencv缺陷檢測項目實戰

    01 任務需求與環境配置.mp4

    02 數據讀取與基本處理.mp4

    03 缺陷形態學操作.mp4

    04 整體流程解讀.mp4

    05 缺陷檢測效果演示.mp4

    11 基于視頻流水線的Opencv缺陷檢測項目

    01 數據與任務概述.mp4

    02 視頻數據讀取與輪廓檢測.mp4

    03 目標質心計算.mp4

    04 視頻數據遍歷方法.mp4

    05 缺陷區域提取.mp4

    06 不同類型的缺陷檢測方法.mp4

    07 檢測效果演示.mp4

    12 圖像分割deeplab系列算法

    01 deeplab分割算法概述.mp4

    02 空洞卷積的作用.mp4

    03 感受野的意義.mp4

    04 SPP層的作用.mp4

    05 ASPP特征融合策略.mp4

    06 deeplabV3Plus版本網絡架構.mp4

    13 基于deeplabV3+版本進行VOC分割實戰

    01 PascalVoc數據集介紹.mp4

    02 項目參數與數據集讀取.mp4

    03 網絡前向傳播流程.mp4

    04 ASPP層特征融合.mp4

    05 分割模型訓練.mp4

    14 Deeplab鐵質材料缺陷檢測與開源項目應用流程

    01 數據集與任務概述.mp4

    02 開源項目應用方法.mp4

    03 github與kaggle中需要注意的點.mp4

    04 源碼的利用方法.mp4

    04 源碼的利用方法_ev.mp4

    05 數據集制作方法_ev.mp4

    06 數據路徑配置_ev.mp4

    07 訓練模型_ev.mp4

    08 任務總結_ev.mp4

    16 行人重識別實戰

    01 行人重識別原理及其應用

    01 行人重識別要解決的問題_ev.mp4

    02 挑戰與困難分析_ev.mp4

    03 評估標準rank1指標_ev.mp4

    04 map值計算方法_ev.mp4

    05 triplet損失計算實例_ev.mp4

    06 Hard-Negative方法應用_ev.mp4

    02 基于注意力機制的Reld模型論文解讀

    01 論文整體思想及注意力機制的作用解讀_ev.mp4

    02 空間權重值計算流程分析_ev.mp4

    03 融合空間注意力所需特征_ev.mp4

    04 基于特征圖的注意力計算_ev.mp4

    03 基于Attention的行人重識別項目實戰

    01 項目環境與數據集配置_ev.mp4

    02 參數配置與整體架構分析_ev.mp4

    03 進入debug模式解讀網絡計算流程_ev.mp4

    04 獲得空間位置點之間的關系_ev.mp4

    05 組合關系特征圖_ev.mp4

    06 計算得到位置權重值_ev.mp4

    07 基于特征圖的權重計算_ev.mp4

    08 損失函數計算實例解讀_ev.mp4

    09 訓練與測試模塊演示_ev.mp4

    04 AAAI2020頂會算法精講

    01 論文整體框架概述_ev.mp4

    02 局部特征與全局關系計算方法_ev.mp4

    03 特征分組方法_ev.mp4

    04 GCP模塊特征融合方法_ev.mp4

    05 oneVsReset方法實例_ev.mp4

    06 損失函數應用位置_ev.mp4

    05 項目實戰-基于行人局部特征融合的再識別實戰

    01 項目配置與數據集介紹_ev.mp4

    02 數據源構建方法分析_ev.mp4

    03 dataloader加載順序解讀_ev.mp4

    04 debug模式解讀_ev.mp4

    05 網絡計算整體流程演示_ev.mp4

    06 特征序列構建_ev.mp4

    07 GCP全局特征提取_ev.mp4

    08 局部特征提取實例_ev.mp4

    09 特征組合匯總_ev.mp4

    10 得到所有分組特征結果_ev.mp4

    11 損失函數與訓練過程演示_ev.mp4

    12 測試與驗證模塊_ev.mp4

    06 曠視研究院最新算法解讀(基于圖模型)

    01 關鍵點位置特征構建_ev.mp4

    02 圖卷積與匹配的作用_ev.mp4

    03 局部特征熱度圖計算_ev.mp4

    04 基于圖卷積構建人體拓撲關系_ev.mp4

    05 圖卷積模塊實現方法_ev.mp4

    06 圖匹配在行人重識別中的作用_ev.mp4

    07 整體算法框架分析_ev.mp4

    07 基于拓撲圖的行人重識別項目實戰

    01 數據集與環境配置概述_ev.mp4

    02 局部特征準備方法_ev.mp4

    03 得到一階段熱度圖結果_ev.mp4

    04 階段監督訓練_ev.mp4

    05 初始化圖卷積模型_ev.mp4

    06 mask矩陣的作用_ev.mp4

    07 鄰接矩陣學習與更新_ev.mp4

    08 基于拓撲結構組合關鍵點特征_ev.mp4

    09 圖匹配模塊計算流程_ev.mp4

    10 整體項目總結_ev.mp4

    17 對抗生成網絡實戰

    01 課程介紹

    01 課程介紹_ev.mp4

    02 對抗生成網絡架構原理與實戰解析

    01 對抗生成網絡通俗解釋_ev.mp4

    02 GAN網絡組成_ev.mp4

    03 損失函數解釋說明_ev.mp4

    04 數據讀取模塊_ev.mp4

    05 生成與判別網絡定義_ev.mp4

    03 基于CycleGan開源項目實戰圖像合成

    01 CycleGan網絡所需數據_ev.mp4

    02 CycleGan整體網絡架構_ev.mp4

    03 PatchGan判別網絡原理_ev.mp4

    04 Cycle開源項目簡介_ev.mp4

    05 數據讀取與預處理操作_ev.mp4

    06 生成網絡模塊構造_ev.mp4

    07 判別網絡模塊構造_ev.mp4

    08 損失函數:identity loss計算方法_ev.mp4

    09 生成與判別損失函數指定_ev.mp4

    10 額外補充:VISDOM可視化配置_ev.mp4

    04 stargan論文架構解析

    01 stargan效果演示分析_ev.mp4

    02 網絡架構整體思路解讀_ev.mp4

    03 建模流程分析_ev.mp4

    04 V1版本存在的問題及后續改進思路_ev.mp4

    05 V2版本在整體網絡架構_ev.mp4

    06 編碼器訓練方法_ev.mp4

    07 損失函數公式解析_ev.mp4

    08 訓練過程分析_ev.mp4

    05 stargan項目實戰及其源碼解讀

    01 測試模塊效果與實驗分析_ev.mp4

    02 項目配置與數據源下載_ev.mp4

    03 測試效果演示_ev.mp4

    04 項目參數解析_ev.mp4

    05 生成器模塊源碼解讀_ev.mp4

    06 所有網絡模塊構建實例_ev.mp4

    07 數據讀取模塊分析_ev.mp4

    08 判別器損失計算_ev.mp4

    09 損失計算詳細過程_ev.mp4

    10 生成模塊損失計算_ev.mp4

    06 基于starganvc2的變聲器論文原理解讀

    01 論文整體思路與架構解讀_ev.mp4

    02 VCC2016輸入數據_ev.mp4

    03 語音特征提取_ev.mp4

    04 生成器模型架構分析_ev.mp4

    05 InstanceNorm的作用解讀_ev.mp4

    06 AdaIn的目的與效果_ev.mp4

    07 判別器模塊分析_ev.mp4

    07 starganvc2變聲器項目實戰及其源碼解讀

    01 數據與項目文件解讀_ev.mp4

    02 環境配置與工具包安裝_ev.mp4

    03 數據預處理與聲音特征提取_ev.mp4

    04 生成器構造模塊解讀_ev.mp4

    05 下采樣與上采樣操作_ev.mp4

    06 starganvc2版本標簽輸入分析_ev.mp4

    07 生成器前向傳播維度變化_ev.mp4

    08 判別器模塊解讀_ev.mp4

    09 論文損失函數_ev.mp4

    10 源碼損失計算流程_ev.mp4

    11 測試模塊-生成轉換語音_ev.mp4

    08 圖像超分辨率重構實戰

    01 論文概述_ev.mp4

    02 網絡架構_ev.mp4

    03 數據與環境配置_ev.mp4

    04 數據加載與配置_ev.mp4

    05 生成模塊_ev.mp4

    06 判別模塊_ev.mp4

    07 VGG特征提取網絡_ev.mp4

    08 損失函數與訓練_ev.mp4

    09 測試模塊_ev.mp4

    09 基于GAN的圖像補全實戰

    01 論文概述_ev.mp4

    02 網絡架構_ev.mp4

    03 細節設計_ev.mp4

    04 論文總結_ev.mp4

    05 數據與項目概述_ev.mp4

    06 參數基本設計_ev.mp4

    07 網絡結構配置_ev.mp4

    08 網絡迭代訓練_ev.mp4

    09 測試模塊_ev.mp4

    18 強化學習實戰系列

    01 強化學習簡介及其應用

    01 一張圖通俗解釋強化學習_ev.mp4

    02 強化學習的指導依據_ev.mp4

    03 強化學習AI游戲DEMO_ev.mp4

    04 應用領域簡介_ev.mp4

    05 強化學習工作流程_ev.mp4

    06 計算機眼中的狀態與行為_ev.mp4

    02 PPO算法與公式推導

    01 基本情況介紹_ev.mp4

    02 與環境交互得到所需數據_ev.mp4

    03 要完成的目標分析_ev.mp4

    04 策略梯度推導_ev.mp4

    05 baseline方法_ev.mp4

    06 OnPolicy與OffPolicy策略_ev.mp4

    07 importance sampling的作用_ev.mp4

    08 PPO算法整體思路解析_ev.mp4

    03 PPO實戰-月球登陸器訓練實例

    01 Critic的作用與效果_ev.mp4

    02 PPO2版本公式解讀_ev.mp4

    03 參數與網絡結構定義_ev.mp4

    04 得到動作結果_ev.mp4

    05 獎勵獲得與計算_ev.mp4

    06 參數迭代與更新_ev.mp4

    04 Q-learning與DQN算法

    01 整體任務流程演示_ev.mp4

    02 探索與action獲取_ev.mp4

    03 計算target值_ev.mp4

    04 訓練與更新_ev.mp4

    05 算法原理通俗解讀_ev.mp4

    06 目標函數與公式解析_ev.mp4

    07 Qlearning算法實例解讀_ev.mp4

    08 Q值迭代求解_ev.mp4

    09 DQN簡介_ev.mp4

    05 DQN算法實例演示

    01 整體任務流程演示_ev.mp4

    02 探索與action獲取_ev.mp4

    03 計算target值_ev.mp4

    04 訓練與更新_ev.mp4

    06 DQN改進與應用技巧

    01 DoubleDqn要解決的問題_ev.mp4

    02 DuelingDqn改進方法_ev.mp4

    03 Dueling整體網絡架構分析_ev.mp4

    04 MultiSetp策略_ev.mp4

    05 連續動作處理方法_ev.mp4

    07 Actor-Critic算法分析(A3C)

    01 AC算法回顧與知識點總結_ev.mp4

    02 優勢函數解讀與分析_ev.mp4

    03 計算流程實例_ev.mp4

    04 A3C整體架構分析_ev.mp4

    05 損失函數整理_ev.mp4

    08 用A3C玩轉超級馬里奧

    01 整體流程與環境配置_ev.mp4

    02 啟動游戲環境_ev.mp4

    03 要計算的指標回顧_ev.mp4

    04 初始化局部模型并加載參數_ev.mp4

    05 與環境交互得到訓練數據_ev.mp4

    06 訓練網絡模型_ev.mp4

    19 Openai頂級黑科技算法及其項目實戰

    01 GPT系列生成模型

    01 GPT系列_ev.mp4

    02 GPT建模與預測流程

    01 生成模型可以完成的任務概述_ev.mp4

    02 數據樣本生成方法_ev.mp4

    03 訓練所需參數解讀_ev.mp4

    04 模型訓練過程_ev.mp4

    05 部署與網頁預測展示_ev.mp4

    03 CLIP系列

    01 CLIP系列_ev.mp4

    04 Diffusion模型解讀

    01 Diffusion模型解讀_ev.mp4

    05 Dalle2及其源碼解讀

    01 Dalle2源碼解讀_ev.mp4

    06 ChatGPT

    01 ChatGPT_ev.mp4

    20 面向醫學領域的深度學習實戰

    01 卷積神經網絡原理與參數解讀

    01 卷積神經網絡應用領域_ev.mp4

    02 卷積的作用_ev.mp4

    03 卷積特征值計算方法_ev.mp4

    04 得到特征圖表示_ev.mp4

    05 步長與卷積核大小對結果的影響_ev.mp4

    06 邊緣填充方法_ev.mp4

    07 特征圖尺寸計算與參數共享_ev.mp4

    08 池化層的作用_ev.mp4

    09 整體網絡架構_ev.mp4

    10 VGG網絡架構_ev.mp4

    11 殘差網絡Resnet_ev.mp4

    12 感受野的作用_ev.mp4

    02 PyTorch框架基本處理操作

    01 PyTorch實戰課程簡介_ev.mp4

    02 PyTorch框架發展趨勢簡介_ev.mp4

    03 框架安裝方法(CPU與GPU版本)_ev.mp4

    04 PyTorch基本操作簡介_ev.mp4

    05 自動求導機制_ev.mp4

    06 線性回歸DEMO-數據與參數配置_ev.mp4

    07 線性回歸DEMO-訓練回歸模型_ev.mp4

    08 補充:常見tensor格式_ev.mp4

    09 補充:Hub模塊簡介_ev.mp4

    03 PyTorch框架必備核心模塊解讀

    01 卷積網絡參數定義_ev.mp4

    02 網絡流程解讀_ev.mp4

    03 Vision模塊功能解讀_ev.mp4

    04 分類任務數據集定義與配置_ev.mp4

    05 圖像增強的作用_ev.mp4

    06 數據預處理與數據增強模塊_ev.mp4

    07 Batch數據制作_ev.mp4

    08 遷移學習的目標_ev.mp4

    09 遷移學習策略_ev.mp4

    10 加載訓練好的網絡模型_ev.mp4

    11 優化器模塊配置_ev.mp4

    12 實現訓練模塊_ev.mp4

    13 訓練結果與模型保存_ev.mp4

    14 加載模型對測試數據進行預測_ev.mp4

    15 額外補充-Resnet論文解讀_ev.mp4

    16 額外補充-Resnet網絡架構解讀_ev.mp4

    04 基于Resnet的醫學數據集分類實戰

    01 醫學疾病數據集介紹_ev.mp4

    02 Resnet網絡架構原理分析_ev.mp4

    03 dataloader加載數據集_ev.mp4

    04 Resnet網絡前向傳播_ev.mp4

    05 殘差網絡的shortcut操作_ev.mp4

    06 特征圖升維與降采樣操作_ev.mp4

    07 網絡整體流程與訓練演示_ev.mp4

    05 圖像分割及其損失函數概述

    01 語義分割與實例分割概述_ev.mp4

    02 分割任務中的目標函數定義_ev.mp4

    03 MIOU評估標準_ev.mp4

    06 Unet系列算法講解

    01 Unet網絡編碼與解碼過程_ev.mp4

    02 網絡計算流程_ev.mp4

    03 Unet升級版本改進_ev.mp4

    04 后續升級版本介紹_ev.mp4

    07 unet醫學細胞分割實戰

    01 醫學細胞數據集介紹與參數配置_ev.mp4

    02 數據增強工具_ev.mp4

    03 Debug模式演示網絡計算流程_ev.mp4

    04 特征融合方法演示_ev.mp4

    05 迭代完成整個模型計算任務_ev.mp4

    06 模型效果驗證_ev.mp4

    08 deeplab系列算法

    01 deeplab分割算法概述_ev.mp4

    02 空洞卷積的作用_ev.mp4

    03 感受野的意義_ev.mp4

    04 SPP層的作用_ev.mp4

    05 ASPP特征融合策略_ev.mp4

    06 deeplabV3Plus版本網絡架構_ev.mp4

    09 基于deeplabV3+版本進行VOC分割實戰

    01 PascalVoc數據集介紹_ev.mp4

    02 項目參數與數據集讀取_ev.mp4

    03 網絡前向傳播流程_ev.mp4

    04 ASPP層特征融合_ev.mp4

    05 分割模型訓練_ev.mp4

    10 基于deeplab的心臟視頻數據診斷分析

    01 數據集與任務概述_ev.mp4

    02 項目基本配置參數_ev.mp4

    03 任務流程解讀_ev.mp4

    04 文獻報告分析_ev.mp4

    05 補充:視頻數據源特征處理方法概述_ev.mp4

    06 補充:R(2plus1)D處理方法分析_ev.mp4

    11 YOLO系列物體檢測算法原理解讀

    01 檢測任務中階段的意義_ev.mp4

    02 不同階段算法優缺點分析_ev.mp4

    03 IOU指標計算_ev.mp4

    04 評估所需參數計算_ev.mp4

    05 map指標計算_ev.mp4

    06 YOLO算法整體思路解讀_ev.mp4

    07 檢測算法要得到的結果_ev.mp4

    08 整體網絡架構解讀_ev.mp4

    09 位置損失計算_ev.mp4

    10 置信度誤差與優缺點分析_ev.mp4

    11 V2版本細節升級概述_ev.mp4

    12 網絡結構特點_ev.mp4

    13 架構細節解讀_ev.mp4

    14 基于聚類來選擇先驗框尺寸_ev.mp4

    15 偏移量計算方法_ev.mp4

    16 坐標映射與還原_ev.mp4

    17 感受野的作用_ev.mp4

    18 特征融合改進_ev.mp4

    19 V3版本改進概述_ev.mp4

    20 多scale方法改進與特征融合_ev.mp4

    21 經典變換方法對比分析_ev.mp4

    22 殘差連接方法解讀_ev.mp4

    23 整體網絡模型架構分析_ev.mp4

    24 先驗框設計改進_ev.mp4

    25 sotfmax層改進_ev.mp4

    26 V4版本整體概述_ev.mp4

    27 V4版本貢獻解讀_ev.mp4

    28 數據增強策略分析_ev.mp4

    29 DropBlock與標簽平滑方法_ev.mp4

    30 損失函數遇到的問題_ev.mp4

    31 CIOU損失函數定義_ev.mp4

    32 NMS細節改進_ev.mp4

    33 SPP與CSP網絡結構_ev.mp4

    34 SAM注意力機制模塊_ev.mp4

    35 PAN模塊解讀_ev.mp4

    36 激活函數與整體架構總結_ev.mp4

    12 基于YOLO5細胞檢測實戰

    01 任務與細胞數據集介紹_ev.mp4

    02 模型與算法配置參數解讀_ev.mp4

    03 網絡訓練流程演示_ev.mp4

    04 效果評估與展示_ev.mp4

    05 細胞檢測效果演示_ev.mp4

    13 知識圖譜原理解讀

    01 知識圖譜通俗解讀_ev.mp4

    02 知識圖譜在搜索引擎中的應用_ev.mp4

    03 知識圖譜在醫療領域應用實例_ev.mp4

    04 金融與推薦領域的應用_ev.mp4

    05 數據獲取分析_ev.mp4

    06 數據關系抽取分析_ev.mp4

    07 常用NLP技術點分析_ev.mp4

    08 graph-embedding的作用與效果_ev.mp4

    09 金融領域圖編碼實例_ev.mp4

    10 視覺領域圖編碼實例_ev.mp4

    11 圖譜知識融合與總結分析_ev.mp4

    14 Neo4j數據庫實戰

    01 Neo4j圖數據庫介紹_ev.mp4

    02 Neo4j數據庫安裝流程演示_ev.mp4

    03 可視化例子演示_ev.mp4

    04 創建與刪除操作演示_ev.mp4

    05 數據庫更改查詢操作演示_ev.mp4

    15 基于知識圖譜的醫藥問答系統實戰

    01 項目概述與整體架構分析_ev.mp4

    02 醫療數據介紹及其各字段含義_ev.mp4

    03 任務流程概述_ev.mp4

    04 環境配置與所需工具包安裝_ev.mp4

    05 提取數據中的關鍵字段信息_ev.mp4

    06 創建關系邊_ev.mp4

    07 打造醫療知識圖譜模型_ev.mp4

    08 加載所有實體數據_ev.mp4

    09 實體關鍵詞字典制作_ev.mp4

    10 完成對話系統構建_ev.mp4

    16 詞向量模型與RNN網絡架構

    01 詞向量模型通俗解釋_ev.mp4

    02 模型整體框架_ev.mp4

    03 訓練數據構建_ev.mp4

    04 CBOW與Skip-gram模型_ev.mp4

    05 負采樣方案_ev.mp4

    06 額外補充-RNN網絡模型解讀_ev.mp4

    17 醫學糖尿病數據命名實體識別

    01 數據與任務介紹_ev.mp4

    02 整體模型架構_ev.mp4

    03 數據-標簽-語料庫處理_ev.mp4

    04 輸入樣本填充補齊_ev.mp4

    05 訓練網絡模型_ev.mp4

    06 醫療數據集(糖尿?。嶓w識別_ev.mp4

    21 深度學習模型部署與剪枝優化實戰

    01 AIoT人工智能物聯網之認識 jetson nano

    01 jetson nano 硬件介紹_ev.mp4

    02 jetson nano 刷機_ev.mp4

    03 jetson nano 系統安裝過程_ev.mp4

    04 感受nano的GPU算力_ev.mp4

    05 安裝使用攝像頭csi usb_ev.mp4

    02 AIoT人工智能物聯網之AI 實戰

    01 jetson-inference 入門_ev.mp4

    02 docker 的安裝使用_ev.mp4

    03 docker中運行分類模型_ev.mp4

    04 訓練自己的目標檢測模型準備_ev.mp4

    05 訓練出自己目標識別模型a_ev.mp4

    06 訓練出自己目標識別模型b_ev.mp4

    07 轉換出onnx模型,并使用_ev.mp4

    03 AIoT人工智能物聯網之NVIDIA TAO 實用級的訓練神器

    01 NVIDIA TAO介紹和安裝_ev.mp4

    02 NVIDIA TAO數據準備和環境設置_ev.mp4

    03 NVIDIA TAO數據轉換_ev.mp4

    04 NVIDIA TAO預訓練模型和訓練a_ev.mp4

    05 NVIDIA TAO預訓練模型和訓練b_ev.mp4

    06 NVIDIA TAO預訓練模型和訓練c._ev.mp4

    07 TAO 剪枝在訓練推理驗證_ev.mp4

    04 AIoT人工智能物聯網之deepstream

    01 deepstream 介紹安裝_ev.mp4

    02 deepstream HelloWorld_ev.mp4

    03 GStreamer RTP和RTSP1_ev.mp4

    04 GStreamer RTP和RTSP2_ev.mp4

    05 python實現RTP和RTSP_ev.mp4

    06 deepstream推理_ev.mp4

    07 deepstream集成yolov4_ev.mp4

    05 tensorRT視頻

    01 源碼【內有百度云地址,自取】.txt

    01 說在前面_ev.mp4

    02 學習工具環境的介紹,自動環境配置_ev.mp4

    03 cuda驅動API,課程概述和清單_ev.mp4

    04 cuda驅動API,初始化和檢查的理解,CUDA錯誤檢查習慣_ev.mp4

    05 cuda驅動API,上下文管理設置,以及其作用_ev.mp4

    06 cuda驅動API,使用驅動API進行內存分配_ev.mp4

    07 cuda運行時API,課程概述和清單_ev.mp4

    08 cuda運行時API,第一個運行時程序,hello-cuda_ev.mp4

    09 cuda運行時API,內存的學習,pinnedmemory,內存效率問題_ev.mp4

    10 cuda運行時API,流的學習,異步任務的管理_ev.mp4

    11 cuda運行時API,核函數的定義和使用_ev.mp4

    12 cuda運行時API,共享內存的學習_ev.mp4

    13 cuda運行時API,使用cuda核函數加速warpaffine_ev.mp4

    14 cuda運行時API,使用cuda核函數加速yolov5的后處理_ev.mp4

    15 cuda運行時API,錯誤處理的理解以及錯誤的傳播特性_ev.mp4

    16 tensorRT基礎,課程概述清單_ev.mp4

    17 tensorRT基礎,第一個trt程序,實現模型編譯的過程_ev.mp4

    18 tensorRT基礎,實現模型的推理過程_ev.mp4

    19 tensorRT基礎,模型推理時動態shape的具體實現要點_ev.mp4

    20 tensorRT基礎,onnx文件及其結構的學習,編輯修改onnx.mkv_ev.mp4

    21 tensorRT基礎,實際模型上onnx文件的各種操作_ev.mp4

    22 tensorRT基礎,正確導出onnx的介紹,使得onnx問題盡量少_ev.mp4

    23 tensorRT基礎,學習使用onnx解析器來讀取onnx文件,使用onnx-tensorrt源代碼_ev.mp4

    24 tensorRT基礎,學習從下載onnx-tensorrt到配置好并運行起來全過程_ev.mp4

    25 tensorRT基礎,學習第一個插件的編寫_ev.mp4

    26 tensorRT基礎,對插件過程進行封裝,并實現更容易的插件開發_ev.mp4

    27 tensorRT基礎,學習編譯int8模型,對模型進行int8量化_ev.mp4

    28 tensorRT高級,課程概述和清單_ev.mp4

    29 tensorRT高級,第一個完整的分類器程序_ev.mp4

    30 tensorRT高級,學習yolov5目標檢測項目的代碼修改、模型導出、編譯到推理過程,沒有封裝_ev.mp4

    31 tensorRT高級,學習UNet場景分割項目的代碼修改、模型導出、編譯到推理過程,沒有封裝_ev.mp4

    32 tensorRT高級,學習alphapose姿態檢測項目的代碼修改、模型導出、編譯到推理過程,沒有封裝_ev.mp4

    33 tensorRT高級,學習如何處理mmdetection框架下yolox模型的導出,并使得正常推理出來_ev.mp4

    34 tensorRT高級,學習如何使用onnxruntime進行onnx的模型推理過程_ev.mp4

    35 tensorRT高級,學習如何使用openvino進行onnx的模型推理過程_ev.mp4

    36 tensorRT高級,學習深度學習中涉及的線程知識_ev.mp4

    37 tensorRT高級,學習模型部署時常用的生產者消費者模型,以及future、promise、condition_variable.mkv_ev.mp4

    38 tensorRT高級,學習使用RAII資源獲取即初始化配合接口模式對代碼進行有效封裝_ev.mp4

    39 tensorRT高級,學習RAII 接口模式下的生產者消費者以及多Batch的實現_ev.mp4

    40 tensorRT高級,封裝之,模型編譯過程封裝,簡化模型編譯代碼_ev.mp4

    41 tensorRT高級,封裝之,內存管理的封裝,內存的復用_ev.mp4

    42 tensorRT高級,封裝之,tensor張量的封裝,索引計算,內存標記以及自動復制_ev.mp4

    43 tensorRT高級,封裝之,infer推理的封裝,輸入輸出tensor的關聯_ev.mp4

    44 tensorRT高級,封裝之,基于生產者消費者實現的yolov5封裝_ev.mp4

    45 tensorRT高級,封裝之,終極封裝形態,以及考慮的問題_ev.mp4

    46 tensorRT高級,調試方法、思想討論_ev.mp4

    47 tensorRT高級,自動駕駛案例項目self-driving-道路分割分析_ev.mp4

    48 tensorRT高級,自動駕駛案例項目self-driving-深度估計分析_ev.mp4

    49 tensorRT高級,自動駕駛案例項目self-driving-車道線檢測分析_ev.mp4

    50 tensorRT高級,學習使用pybind11為python開發擴展模塊_ev.mp4

    06 pyTorch框架部署實踐

    01 所需基本環境配置_ev.mp4

    02 模型加載與數據預處理_ev.mp4

    03 接收與預測模塊實現_ev.mp4

    04 效果實例演示_ev.mp4

    05 課程簡介_ev.mp4

    05 源碼【內有百度云地址,自取】.txt

    07 YOLO-V3物體檢測部署實例

    01 項目所需配置文件介紹_ev.mp4

    02 加載參數與模型權重_ev.mp4

    03 數據預處理_ev.mp4

    04 返回線性預測結果_ev.mp4

    08 docker實例演示

    01 docker簡介_ev.mp4

    02 docker安裝與配置_ev.mp4

    03 阿里云鏡像配置_ev.mp4

    04 基于docker配置pytorch環境_ev.mp4

    05 安裝演示環境所需依賴_ev.mp4

    06 復制所需配置到容器中_ev.mp4

    07 上傳與下載配置好的項目_ev.mp4

    09 tensorflow-serving實戰

    01 tf-serving項目獲取與配置_ev.mp4

    02 加載并啟動模型服務_ev.mp4

    03 測試模型部署效果_ev.mp4

    04 fashion數據集獲取_ev.mp4

    05 加載fashion模型啟動服務_ev.mp4

    10 模型剪枝-Network Slimming算法分析

    01 論文算法核心框架概述_ev.mp4

    02 BatchNorm要解決的問題_ev.mp4

    03 BN的本質作用_ev.mp4

    04 額外的訓練參數解讀_ev.mp4

    05 稀疏化原理與效果_ev.mp4

    11 模型剪枝-Network Slimming實戰解讀

    01 整體案例流程解讀_ev.mp4

    02 加入L1正則化來進行更新_ev.mp4

    03 剪枝模塊介紹_ev.mp4

    04 篩選需要的特征圖_ev.mp4

    05 剪枝后模型參數賦值_ev.mp4

    06 微調完成剪枝模型_ev.mp4

    12 Mobilenet三代網絡模型架構

    01 模型剪枝分析_ev.mp4

    02 常見剪枝方法介紹_ev.mp4

    03 mobilenet簡介_ev.mp4

    04 經典卷積計算量與參數量分析_ev.mp4

    05 深度可分離卷積的作用與效果_ev.mp4

    06 參數與計算量的比較_ev.mp4

    07 V1版本效果分析_ev.mp4

    08 V2版本改進以及Relu激活函數的問題_ev.mp4

    09 倒殘差結構的作用_ev.mp4

    10 V2整體架構與效果分析_ev.mp4

    11 V3版本網絡架構分析_ev.mp4

    12 SE模塊作用與效果解讀_ev.mp4

    13 代碼實現mobilenetV3網絡架構_ev.mp4

    22 自然語言處理必備神器Huggingface系列實戰

    01 Huggingface與NLP介紹解讀

    01 Huggingface與NLP介紹解讀_ev.mp4

    02 Transformer工具包基本操作實例解讀

    01 工具包與任務整體介紹_ev.mp4

    02 NLP任務常規流程分析_ev.mp4

    03 文本切分方法實例解讀_ev.mp4

    04 AttentionMask配套使用方法_ev.mp4

    05 數據集與模型_ev.mp4

    06 數據Dataloader封裝_ev.mp4

    07 模型訓練所需配置參數_ev.mp4

    08 模型訓練DEMO_ev.mp4

    03 transformer原理解讀

    01 transformer原理解讀_ev.mp4

    04 BERT系列算法解讀

    01 BERT模型訓練方法解讀_ev.mp4

    02 ALBERT基本定義_ev.mp4

    03 ALBERT中的簡化方法解讀_ev.mp4

    04 RoBerta模型訓練方法解讀_ev.mp4

    05 DistilBert模型解讀_ev.mp4

    05 文本標注工具與NER實例

    01 文本標注工具Doccano配置方法_ev.mp4

    02 命名實體識別任務標注方法實例_ev.mp4

    03 標注導出與BIO處理_ev.mp4

    04 標簽處理并完成對齊操作_ev.mp4

    05 預訓練模型加載與參數配置_ev.mp4

    06 模型訓練與輸出結果預測_ev.mp4

    06 文本預訓練模型構建實例

    01 預訓練模型效果分析_ev.mp4

    02 文本數據截斷處理_ev.mp4

    03 預訓練模型自定義訓練_ev.mp4

    07 GPT系列算法

    01 GPT系列算法概述_ev.mp4

    02 GPT三代版本分析_ev.mp4

    03 GPT初代版本要解決的問題_ev.mp4

    04 GPT第二代版本訓練策略_ev.mp4

    05 采樣策略與多樣性_ev.mp4

    06 GPT3的提示與生成方法_ev.mp4

    07 應用場景CODEX分析_ev.mp4

    08 DEMO應用演示_ev.mp4

    08 GPT訓練與預測部署流程

    01 源碼【內有百度云地址,自取】.txt

    01 生成模型可以完成的任務概述_ev.mp4

    02 數據樣本生成方法_ev.mp4

    03 訓練所需參數解讀_ev.mp4

    04 模型訓練過程_ev.mp4

    05 部署與網頁預測展示_ev.mp4

    09 文本摘要建模

    01 源碼【內有百度云地址,自取】.txt

    01 中文商城評價數據處理方法_ev.mp4

    02 模型訓練與測試結果_ev.mp4

    03 文本摘要數據標注方法_ev.mp4

    04 訓練自己標注的數據并測試_ev.mp4

    10 圖譜知識抽取實戰

    01 應用場景概述分析_ev.mp4

    02 數據標注格式樣例分析_ev.mp4

    03 數據處理與讀取模塊_ev.mp4

    04 實體抽取模塊分析_ev.mp4

    05 標簽與數據結構定義方法_ev.mp4

    06 模型構建與計算流程_ev.mp4

    07 網絡模型前向計算方法_ev.mp4

    08 關系抽取模型訓練_ev.mp4

    11 補充Huggingface數據集制作方法實例

    01 數據結構分析_ev.mp4

    02 Huggingface中的預處理實例_ev.mp4

    03 數據處理基本流程_ev.mp4

    23 自然語言處理通用框架-BERT實戰

    01 自然語言處理通用框架BERT原理解讀

    01 BERT課程簡介_ev.mp4

    02 BERT任務目標概述_ev.mp4

    03 傳統解決方案遇到的問題_ev.mp4

    04 注意力機制的作用_ev.mp4

    05 self-attention計算方法_ev.mp4

    06 特征分配與softmax機制_ev.mp4

    07 Multi-head的作用_ev.mp4

    08 位置編碼與多層堆疊_ev.mp4

    09 transformer整體架構梳理_ev.mp4

    10 BERT模型訓練方法_ev.mp4

    11 訓練實例_ev.mp4

    02 谷歌開源項目BERT源碼解讀與應用實例

    01 BERT開源項目簡介_ev.mp4

    02 項目參數配置_ev.mp4

    03 數據讀取模塊_ev.mp4

    04 數據預處理模塊_ev.mp4

    05 tfrecord數據源制作_ev.mp4

    06 Embedding層的作用_ev.mp4

    07 加入額外編碼特征_ev.mp4

    08 加入位置編碼特征_ev.mp4

    09 mask機制的作用_ev.mp4

    10 構建QKV矩陣_ev.mp4

    11 完成Transformer模塊構建_ev.mp4

    12 訓練BERT模型_ev.mp4

    03 項目實戰-基于BERT的中文情感分析實戰

    01 中文分類數據與任務概述_ev.mp4

    02 讀取處理自己的數據集_ev.mp4

    03 訓練BERT中文分類模型_ev.mp4

    04 項目實戰-基于BERT的中文命名實體識別識別實戰

    01 命名實體識別數據分析與任務目標_ev.mp4

    02 NER標注數據處理與讀取_ev.mp4

    03 構建BERT與CRF模型_ev.mp4

    05 必備基礎知識點-woed2vec模型通俗解讀

    01 詞向量模型通俗解釋_ev.mp4

    02 模型整體框架_ev.mp4

    03 訓練數據構建_ev.mp4

    04 CBOW與Skip-gram模型_ev.mp4

    05 負采樣方案_ev.mp4

    06 必備基礎-掌握Tensorflow如何實現word2vec模型

    01 數據與任務流程_ev.mp4

    02 數據清洗_ev.mp4

    03 batch數據制作_ev.mp4

    04 網絡訓練_ev.mp4

    05 可視化展示_ev.mp4

    07 必備基礎知識點-RNN網絡架構與情感分析應用實例

    01 RNN網絡模型解讀_ev.mp4

    02 NLP應用領域與任務簡介_ev.mp4

    03 項目流程解讀_ev.mp4

    04 加載詞向量特征_ev.mp4

    05 正負樣本數據讀取_ev.mp4

    06 構建LSTM網絡模型_ev.mp4

    07 訓練與測試效果_ev.mp4

    08 LSTM情感分析_ev.mp4

    08 醫學糖尿病數據命名實體識別

    01 數據與任務介紹_ev.mp4

    02 整體模型架構_ev.mp4

    03 數據-標簽-語料庫處理_ev.mp4

    04 訓練網絡模型_ev.mp4

    05 醫療數據集(糖尿?。嶓w識別_ev.mp4

    06 輸入樣本填充補齊_ev.mp4

    24 自然語言處理經典案例實戰

    01 NLP常用工具包實戰

    01 Python字符串處理_ev.mp4

    02 正則表達式基本語法_ev.mp4

    03 正則常用符號_ev.mp4

    04 常用函數介紹_ev.mp4

    05 NLTK工具包簡介_ev.mp4

    06 停用詞過濾_ev.mp4

    07 詞性標注_ev.mp4

    08 數據清洗實例_ev.mp4

    09 Spacy工具包_ev.mp4

    10 名字實體匹配_ev.mp4

    11 恐怖襲擊分析_ev.mp4

    12 統計分析結果_ev.mp4

    13 結巴分詞器_ev.mp4

    14 詞云展示_ev.mp4

    02 商品信息可視化與文本分析

    01 在線商城商品數據信息概述_ev.mp4

    02 商品類別劃分方式_ev.mp4

    03 商品類別可視化展示_ev.mp4

    04 商品描述長度對價格的影響分析_ev.mp4

    05 關鍵詞的詞云可視化展示_ev.mp4

    06 基于tf-idf提取關鍵詞信息_ev.mp4

    07 通過降維進行可視化展示_ev.mp4

    08 聚類分析與主題模型展示_ev.mp4

    03 貝葉斯算法

    01 貝葉斯算法概述_ev.mp4

    02 貝葉斯推導實例_ev.mp4

    03 貝葉斯拼寫糾錯實例_ev.mp4

    04 垃圾郵件過濾實例_ev.mp4

    05 貝葉斯實現拼寫檢查器_ev.mp4

    04 新聞分類任務實戰

    01 文本分析與關鍵詞提取_ev.mp4

    02 相似度計算_ev.mp4

    03 新聞數據與任務簡介_ev.mp4

    04 TF-IDF關鍵詞提取_ev.mp4

    05 LDA建模_ev.mp4

    06 基于貝葉斯算法進行新聞分類_ev.mp4

    05 HMM隱馬爾科夫模型

    01 馬爾科夫模型_ev.mp4

    02 隱馬爾科夫模型基本出發點_ev.mp4

    03 組成與要解決的問題_ev.mp4

    04 暴力求解方法_ev.mp4

    05 復雜度計算_ev.mp4

    06 前向算法_ev.mp4

    07 前向算法求解實例_ev.mp4

    08 Baum-Welch算法_ev.mp4

    09 參數求解_ev.mp4

    10 維特比算法_ev.mp4

    06 HMM工具包實戰

    01 hmmlearn工具包_ev.mp4

    02 工具包使用方法_ev.mp4

    03 中文分詞任務_ev.mp4

    04 實現中文分詞_ev.mp4

    07 語言模型

    01 開篇_ev.mp4

    02 語言模型_ev.mp4

    03 N-gram模型_ev.mp4

    04 詞向量_ev.mp4

    05 神經網絡模型_ev.mp4

    06 Hierarchical Softmax_ev.mp4

    07 CBOW模型實例_ev.mp4

    08 CBOW求解目標_ev.mp4

    09 銻度上升求解_ev.mp4

    10 負采樣模型_ev.mp4

    08 使用Gemsim構建詞向量

    01 使用Gensim庫構造詞向量_ev.mp4

    02 維基百科中文數據處理_ev.mp4

    03 Gensim構造word2vec模型_ev.mp4

    04 測試模型相似度結果_ev.mp4

    09 基于word2vec的分類任務

    01 影評情感分類_ev.mp4

    02 基于詞袋模型訓練分類器_ev.mp4

    03 準備word2vec輸入數據_ev.mp4

    04 使用gensim構建word2vec詞向量(新)_ev.mp4

    10 NLP-文本特征方法對比

    01 任務概述_ev.mp4

    02 詞袋模型_ev.mp4

    03 詞袋模型分析_ev.mp4

    04 TFIDF模型_ev.mp4

    05 word2vec詞向量模型_ev.mp4

    06 深度學習模型_ev.mp4

    11 NLP-相似度模型

    01 任務概述_ev.mp4

    02 數據展示_ev.mp4

    03 正負樣本制作_ev.mp4

    04 數據預處理_ev.mp4

    05 網絡模型定義_ev.mp4

    06 基于字符的訓練_ev.mp4

    07 基于句子的相似度訓練_ev.mp4

    12 LSTM情感分析

    01 RNN網絡架構_ev.mp4

    02 LSTM網絡架構_ev.mp4

    03 案例:使用LSTM進行情感分類_ev.mp4

    04 情感數據集處理_ev.mp4

    05 基于word2vec的LSTM模型_ev.mp4

    13 機器人寫唐詩

    01 任務概述與環境配置_ev.mp4

    02 參數配置_ev.mp4

    03 數據預處理模塊_ev.mp4

    04 batch數據制作_ev.mp4

    05 RNN模型定義_ev.mp4

    06 完成訓練模塊_ev.mp4

    07 訓練唐詩生成模型_ev.mp4

    08 測試唐詩生成效果_ev.mp4

    14 對話機器人

    01 效果演示_ev.mp4

    02 參數配置與數據加載_ev.mp4

    03 數據處理_ev.mp4

    04 詞向量與投影_ev.mp4

    05 seq網絡_ev.mp4

    06 網絡訓練_ev.mp4

    25 知識圖譜實戰系列

    01 知識圖譜介紹及其應用領域分析

    01 知識圖譜通俗解讀_ev.mp4

    02 知識圖譜在搜索引擎中的應用_ev.mp4

    03 知識圖譜在醫療領域應用實例_ev.mp4

    04 金融與推薦領域的應用_ev.mp4

    05 數據獲取分析_ev.mp4

    02 知識圖譜涉及技術點分析

    01 數據關系抽取分析_ev.mp4

    02 常用NLP技術點分析_ev.mp4

    03 graph-embedding的作用與效果_ev.mp4

    04 金融領域圖編碼實例_ev.mp4

    05 視覺領域圖編碼實例_ev.mp4

    06 圖譜知識融合與總結分析_ev.mp4

    03 Neo4j數據庫實戰

    01 Neo4j圖數據庫介紹_ev.mp4

    02 Neo4j數據庫安裝流程演示_ev.mp4

    03 可視化例子演示_ev.mp4

    04 創建與刪除操作演示_ev.mp4

    05 數據庫更改查詢操作演示_ev.mp4

    04 使用python操作neo4j實例

    01 使用Py2neo建立連接_ev.mp4

    02 提取所需的指標信息_ev.mp4

    03 在圖中創建實體_ev.mp4

    04 根據給定實體創建關系_ev.mp4

    05 基于知識圖譜的醫藥問答系統實戰

    01 項目概述與整體架構分析_ev.mp4

    02 醫療數據介紹及其各字段含義_ev.mp4

    03 任務流程概述_ev.mp4

    04 環境配置與所需工具包安裝_ev.mp4

    05 提取數據中的關鍵字段信息_ev.mp4

    06 創建關系邊_ev.mp4

    07 打造醫療知識圖譜模型_ev.mp4

    08 加載所有實體數據_ev.mp4

    09 實體關鍵詞字典制作_ev.mp4

    10 完成對話系統構建_ev.mp4

    06 文本關系抽取實踐

    01 關系抽取要完成的任務演示與分析_ev.mp4

    02 LTP工具包概述介紹_ev.mp4

    03 pyltp安裝與流程演示_ev.mp4

    04 得到分詞與詞性標注結果_ev.mp4

    05 依存句法概述_ev.mp4

    06 句法分析結果整理_ev.mp4

    07 語義角色構建與分析_ev.mp4

    08 設計規則完成關系抽取_ev.mp4

    07 金融平臺風控模型實踐

    01 競賽任務目標_ev.mp4

    02 圖模型信息提取_ev.mp4

    03 節點權重特征提取(PageRank)_ev.mp4

    04 deepwalk構建圖頂點特征_ev.mp4

    05 各項統計特征_ev.mp4

    06 app安裝特征_ev.mp4

    07 圖中聯系人特征_ev.mp4

    08 醫學糖尿病數據命名實體識別

    01 數據與任務介紹_ev.mp4

    02 整體模型架構_ev.mp4

    03 數據-標簽-語料庫處理_ev.mp4

    04 輸入樣本填充補齊_ev.mp4

    05 訓練網絡模型_ev.mp4

    06 醫療數據集(糖尿?。嶓w識別_ev.mp4

    26 語音識別實戰系列

    01 seq2seq序列網絡模型

    01 序列網絡模型概述分析_ev.mp4

    02 工作原理概述_ev.mp4

    03 注意力機制的作用_ev.mp4

    04 加入attention的序列模型整體架構_ev.mp4

    05 TeacherForcing的作用與訓練策略_ev.mp4

    06 額外補充-RNN網絡模型解讀_ev.mp4

    02 LAS模型語音識別實戰

    01 數據源與環境配置_ev.mp4

    02 語料表制作方法_ev.mp4

    03 制作json標注數據_ev.mp4

    04 聲音數據處理模塊解讀_ev.mp4

    05 Pack與Pad操作解析_ev.mp4

    06 編碼器模塊整體流程_ev.mp4

    07 加入注意力機制_ev.mp4

    08 計算得到每個輸出的attention得分_ev.mp4

    09 解碼器與訓練過程演示_ev.mp4

    03 starganvc2變聲器論文原理解讀

    01 論文整體思路與架構解讀_ev.mp4

    02 VCC2016輸入數據_ev.mp4

    03 語音特征提取_ev.mp4

    04 生成器模型架構分析_ev.mp4

    05 InstanceNorm的作用解讀_ev.mp4

    06 AdaIn的目的與效果_ev.mp4

    07 判別器模塊分析_ev.mp4

    04 staeganvc2變聲器源碼實戰

    01 數據與項目文件解讀_ev.mp4

    02 環境配置與工具包安裝_ev.mp4

    03 數據預處理與聲音特征提取_ev.mp4

    04 生成器構造模塊解讀_ev.mp4

    05 下采樣與上采樣操作_ev.mp4

    06 starganvc2版本標簽輸入分析_ev.mp4

    07 生成器前向傳播維度變化_ev.mp4

    08 判別器模塊解讀_ev.mp4

    09 論文損失函數_ev.mp4

    10 源碼損失計算流程_ev.mp4

    11 測試模塊-生成轉換語音_ev.mp4

    05 語音分離ConvTasnet模型

    01 語音分離任務分析_ev.mp4

    02 經典語音分離模型概述_ev.mp4

    03 DeepClustering論文解讀_ev.mp4

    04 TasNet編碼器結構分析_ev.mp4

    05 DW卷積的作用與效果_ev.mp4

    06 基于Mask得到分離結果_ev.mp4

    06 ConvTasnet語音分離實戰

    01 數據準備與環境配置_ev.mp4

    02 訓練任務所需參數介紹_ev.mp4

    03 DataLoader定義_ev.mp4

    04 采樣數據特征編碼_ev.mp4

    05 編碼器特征提取_ev.mp4

    06 構建更大的感受區域_ev.mp4

    07 解碼得到分離后的語音_ev.mp4

    08 測試模塊所需參數_ev.mp4

    07 語音合成tacotron最新版實戰

    01 語音合成項目所需環境配置_ev.mp4

    02 所需數據集介紹_ev.mp4

    03 路徑配置與整體流程解讀_ev.mp4

    04 Dataloader構建數據與標簽_ev.mp4

    05 編碼層要完成的任務_ev.mp4

    06 得到編碼特征向量_ev.mp4

    07 解碼器輸入準備_ev.mp4

    08 解碼器流程梳理_ev.mp4

    09 注意力機制應用方法_ev.mp4

    10 得到加權的編碼向量_ev.mp4

    11 模型輸出結果_ev.mp4

    12 損失函數與預測_ev.mp4

    27 推薦系統實戰系列

    01 推薦系統介紹及其應用

    01 1-推薦系統通俗解讀_ev.mp4

    02 2-推薦系統發展簡介_ev.mp4

    03 3-應用領域與多方位評估指標_ev.mp4

    04 4-任務流程與挑戰概述_ev.mp4

    05 5-常用技術點分析_ev.mp4

    06 6-與深度學習的結合_ev.mp4

    02 協同過濾與矩陣分解

    01 1-協同過濾與矩陣分解簡介_ev.mp4

    02 2-基于用戶與商品的協同過濾_ev.mp4

    03 3-相似度計算與推薦實例_ev.mp4

    04 4-矩陣分解的目的與效果_ev.mp4

    05 5-矩陣分解中的隱向量_ev.mp4

    06 6-目標函數簡介_ev.mp4

    07 7-隱式情況分析_ev.mp4

    08 8-Embedding的作用_ev.mp4

    03 音樂推薦系統實戰

    01 1-音樂推薦任務概述_ev.mp4

    02 2-數據集整合_ev.mp4

    03 3-基于物品的協同過濾_ev.mp4

    04 4-物品相似度計算與推薦_ev.mp4

    05 5-SVD矩陣分解_ev.mp4

    06 6-基于矩陣分解的音樂推薦_ev.mp4

    04 知識圖譜與Neo4j數據庫實例

    01 1-知識圖譜通俗解讀_ev.mp4

    02 2-知識圖譜在搜索引擎中的應用_ev.mp4

    03 3-知識圖譜在醫療領域應用實例_ev.mp4

    04 4-金融與推薦領域的應用_ev.mp4

    05 5-數據獲取分析_ev.mp4

    06 1-Neo4j圖數據庫介紹_ev.mp4

    07 2-Neo4j數據庫安裝流程演示_ev.mp4

    08 3-可視化例子演示_ev.mp4

    09 4-創建與刪除操作演示_ev.mp4

    10 5-數據庫更改查詢操作演示_ev.mp4

    05 基于知識圖譜的電影推薦實戰

    01 1-知識圖譜推薦系統效果演示_ev.mp4

    02 2-kaggle電影數據集下載與配置_ev.mp4

    03 3-圖譜需求與任務流程解讀_ev.mp4

    04 4-項目所需環境配置安裝_ev.mp4

    05 5-構建用戶電影知識圖譜_ev.mp4

    06 6-圖譜查詢與匹配操作_ev.mp4

    07 7-相似度計算與推薦引擎構建_ev.mp4

    06 點擊率估計FM與DeepFM算法

    01 1-CTR估計及其經典方法概述_ev.mp4

    02 2-高維特征帶來的問題_ev.mp4

    03 3-二項式特征的作用與挑戰_ev.mp4

    04 4-二階公式推導與化簡_ev.mp4

    05 5-FM算法解析_ev.mp4

    06 6-DeepFm整體架構解讀_ev.mp4

    07 7-輸入層所需數據樣例_ev.mp4

    08 8-Embedding層的作用與總結_ev.mp4

    07 DeepFM算法實戰

    01 1-數據集介紹與環境配置_ev.mp4

    02 2-廣告點擊數據預處理實例_ev.mp4

    03 3-數據處理模塊Embedding層_ev.mp4

    04 4-Index與Value數據制作_ev.mp4

    05 5-一階權重參數設計_ev.mp4

    06 6-二階特征構建方法_ev.mp4

    07 7-特征組合方法實例分析_ev.mp4

    08 8-完成FM模塊計算_ev.mp4

    09 9-DNN模塊與訓練過程_ev.mp4

    08 推薦系統常用工具包演示

    01 1-環境配置與數據集介紹_ev.mp4

    02 2-電影數據集預處理分析_ev.mp4

    03 3-surprise工具包基本使用_ev.mp4

    04 4-模型測試集結果_ev.mp4

    05 5-評估指標概述_ev.mp4

    09 基于文本數據的推薦實例

    01 1-數據與環境配置介紹_ev.mp4

    02 2-數據科學相關數據介紹_ev.mp4

    03 3-文本數據預處理_ev.mp4

    04 4-TFIDF構建特征矩陣_ev.mp4

    05 5-矩陣分解演示_ev.mp4

    06 6-LDA主題模型效果演示_ev.mp4

    07 7-推薦結果分析_ev.mp4

    10 基本統計分析的電影推薦

    01 1-電影數據與環境配置_ev.mp4

    02 2-數據與關鍵詞信息展示_ev.mp4

    03 3-關鍵詞云與直方圖展示_ev.mp4

    04 4-特征可視化_ev.mp4

    05 5-數據清洗概述_ev.mp4

    06 6-缺失值填充方法_ev.mp4

    07 7-推薦引擎構造_ev.mp4

    08 8-數據特征構造_ev.mp4

    09 9-得出推薦結果_ev.mp4

    11 補充-基于相似度的酒店推薦系統

    01 1-酒店數據與任務介紹_ev.mp4

    02 2-文本詞頻統計_ev.mp4

    03 3-ngram結果可視化展示_ev.mp4

    04 4-文本清洗_ev.mp4

    05 5-相似度計算_ev.mp4

    06 6-得出推薦結果_ev.mp4

    28 AI課程所需安裝軟件教程

    01 AI課程所需安裝軟件教程

    01 AI課程所需安裝軟件教程_ev.mp4

    29 額外補充

    01 通用創新點

    01 ACMIX(卷積與注意力融合)_ev.mp4

    02 GCnet(全局特征融合)_ev.mp4

    03 Coordinate_attention_ev.mp4

    04 SPD(可替換下采樣)_ev.mp4

    05 SPP改進_ev.mp4

    06 mobileOne(加速)_ev.mp4

    07 Deformable(替換selfAttention)_ev.mp4

    08 ProbAttention(采樣策略)_ev.mp4

    09 CrossAttention融合特征_ev.mp4

    10 Attention額外加入先驗知識_ev.mp4

    11 結合GNN構建局部特征_ev.mp4

    12 損失函數約束項_ev.mp4

    13 自適應可學習參數_ev.mp4

    14 Coarse2Fine大框架_ev.mp4

    15 只能機器學習模型時湊工作量(特征工程)_ev.mp4

    16 自己數據集如何發的好(要開源)_ev.mp4

    17 可變形卷積加入方法_ev.mp4

    18 在源碼中加入各種注意力機制方法_ev.mp4


    深度學習巔峰-人工智能深度學習系統班第6期百度網盤

    深度學習巔峰-人工智能深度學習系統班第6期百度網盤插圖1

    易靈微課:黑客之路-WEB安全體系課

    易靈微課:黑客之路-WEB安全體系課

    構建智能未來,邁向深度學習的巔峰-人工智能深度學習系統班第6期

    0
    沒有賬號? 忘記密碼?
    XXXX性按摩BBBB,扒开腿狂躁女人爽出白浆,日日狠狠久久8888偷偷色,99精品国产福久久久久久,亚洲超清中文字幕无码无广告