
本课程是一套专为希望深入人工智能领域、掌握前沿技术的开发者与研究人员量身打造的系统性实战训练营。课程以“夯实基础、深入原理、项目驱动、紧跟前沿”为核心,系统性地串联起从深度学习核心算法、PyTorch框架、OpenCV图像处理,到计算机视觉(CV)、自然语言处理(NLP)、图神经网络(GNN)、3D点云、强化学习(RL)及多模态等完整知识体系。你将不仅掌握AI的核心理论,更能通过大量实战项目与最新顶会论文(如YOLOv7, BEVFormer, ChatGPT, Diffusion)的源码解读,积累从模型构建到部署优化的全流程经验,最终具备解决复杂AI问题和进行科研创新的能力。
核心学习路径
1. 深度学习基础与核心框架
算法基石:系统学习神经网络、卷积神经网络(CNN)、循环神经网络(RNN)等核心算法的原理与实现,为后续学习打下坚实的理论基础。
PyTorch框架:从环境配置到核心模块,深入掌握PyTorch框架的使用。学习如何自定义数据集、构建网络模型、进行训练与预测,并掌握模型部署(Flask)的基本方法。
2. 计算机视觉(CV)核心与实战
图像处理基础:系统学习OpenCV框架,掌握图像的读写、变换、滤波、边缘检测、轮廓分析等基本操作,并通过信用卡数字识别、文档扫描OCR、疲劳检测等项目进行实战。
目标检测:深入剖析YOLO系列(v3/v4/v5/v7)、DETR、EfficientDet等经典与前沿的目标检测算法。通过钢材缺陷检测、细胞检测等项目,掌握从训练自己的数据集到模型部署的全流程。
图像分割:系统学习Unet、DeepLab、Mask R-CNN等主流分割模型。通过医学细胞分割、心脏视频诊断、VOC数据集分割等实战,掌握语义分割与实例分割的核心技术。
行为识别与追踪:学习SlowFast、3D卷积等视频分析算法,以及OpenPose姿态估计和DeepSort目标追踪算法,并通过源码解读深入理解其实现细节。
3. 自然语言处理(NLP)与大模型
NLP基础:掌握词向量(Word2Vec)、RNN/LSTM、BERT等NLP核心模型。学习使用Huggingface等主流工具库,并通过中文情感分析、命名实体识别(NER)等项目进行实战。
大模型与生成式AI:紧跟技术前沿,系统学习GPT系列、ChatGPT、CLIP、Diffusion、DALL-E 2等生成式模型的原理与应用。深入解读其建模、训练与预测流程,探索AIGC的无限可能。
4. 前沿领域与高级专题
图神经网络(GNN):学习GCN、GAT等图模型基础,并使用PyTorch Geometric工具包进行实战,应用于轨迹估计、图相似度计算等任务。
3D点云处理:深入剖析PointNet/PointNet++、PF-Net等3D点云处理算法,学习点云分类、分割、补全与配准等核心技术。
强化学习(RL):从Q-learning、DQN到PPO、A3C,系统学习强化学习的核心算法,并通过“月球登陆器”、“超级马里奥”等经典环境进行实战训练。
多模态与对比学习:探索CLIP等多模态模型,学习对比学习算法,并实战多模态3D目标检测、文字识别等前沿任务。
5. 模型部署、优化与行业应用
模型部署与加速:学习使用TensorRT、Docker、TensorFlow-Serving等工具进行模型的生产化部署。掌握模型剪枝(Network Slimming)、量化等优化技术,提升推理效率。
行业应用实战:
无人驾驶:实战深度估计、车道线检测、三维重建、NeuralRecon等自动驾驶核心技术。
智慧医疗:通过医学图像分割、疾病分类、医药问答系统等案例,探索AI在医疗领域的应用。
推荐系统:学习协同过滤、矩阵分解、DeepFM等推荐算法,并实战电影、音乐推荐系统。
知识图谱:学习Neo4j图数据库,并实战构建医药问答、金融风控等领域的知识图谱应用。
课程亮点
体系完整,覆盖广泛:课程涵盖了从CV、NLP到GNN、RL、3D视觉等AI全领域,内容全面且系统,为你构建完整的AI知识版图。
紧跟前沿,源码解读:课程最大亮点。不仅讲解经典算法,更深度解读YOLOv7、BEVFormer、ChatGPT、Diffusion等最新顶会论文与SOTA模型源码,让你始终站在技术最前沿。
项目驱动,实战为王:课程包含数十个实战项目,从基础的OpenCV应用到复杂的无人驾驶、医疗诊断,确保你在动手实践中巩固知识,积累宝贵的项目经验。
原理与实战并重:拒绝“调包侠”式教学,深入剖析每个算法和模型的底层原理,并结合源码解读与项目实战,让你真正理解并掌握AI核心技术。
课程目录:
人工智能深度
+—00 资料
| +—1.第一章 直播回放
| | +—1-1 节开班典礼
| | | 咕泡唐宇迪人工智能【第六期】学习路线图.pdf
| | |
| | +—1-10 节直播7:半监督物体检测
| | | mmdetection-3.x.zip
| | |
| | +—1-11 节直播8:基于图模型的时间序列预测
| | | 2110.05357.pdf
| | | raindrop-AAAI22.pdf
| | | Raindrop-main.rar
| | |
| | +—1-12 节直播9:图像定位与检索
| | | CosPlace-main.zip
| | | small.zip
| | |
| | +—1-13 节直播10:近期内容补充
| | | Informer_huggingface.zip
| | | YOLOV7.pdf
| | |
| | +—1-14 节直播11文本生成GPT系列
| | | \—ChatGPT
| | | GPT系列.pdf
| | |
| | +—1-15 节直播12:异构图神经网络
| | | HeterogeneousGraph.zip
| | | 异构图.pdf
| | | 异构图神经网络.pdf
| | |
| | +—1-16 节直播13:BEV特征空间
| | | BEV.pdf
| | |
| | +—1-17 节补充:BevFormer源码解读
| | | bevformer.zip
| | |
| | +—1-18 节直播14:知识蒸馏
| | | Decoupled Knowledge Distillation.pdf
| | | Reinforced Multi-Teacher Selection for Knowledge Distillation.pdf
| | | 蒸馏.pdf
| | |
| | +—1-3 节直播1:深度学习核心算法-神经网络与卷积网络
| | | 神经网络.pdf
| | |
| | +—1-4 节卷积神经网络
| | | 卷积神经网络.pdf
| | |
| | +—1-5 节直播3:Transformer架构
| | | transformer.pdf
| | |
| | +—1-6 节直播4:Transfomer在视觉任务中的应用实例
| | | transformer课件.pdf
| | | VIT算法模型源码解读.zip
| | |
| | +—1-7 节直播5:YOLO系列(V7)算法解读
| | | YOLOV7.pdf
| | | Yolov7结构图.pptx
| | |
| | +—1-8 节直播6:分割模型Maskformer系列
| | | mask2former.pdf
| | | maskformer.pdf
| | |
| | \—1-9 节补充:Mask2former源码解读
| | mask2former(mmdetection).zip
| |
| +—10.第一十章 图神经?络实战
| | +—3-图模型必备神器PyTorch Geometric安装与使用
| | | 工具包使用.zip
| | |
| | +—4-使用PyTorch Geometric构建自己的图数据集
| | | 创建自己的数据集.zip
| | |
| | +—5-图注意力机制与序列图模型
| | | Temporal Graph Neural Networks.pdf
| | | 图注意力机制.pdf
| | | 时间序列TGCN.zip
| | |
| | +—6-图相似度论文解读
| | | 1808.05689.pdf
| | |
| | +—7-图相似度计算实战
| | | Extended-SimGNN.zip
| | |
| | +—8-基于图模型的轨迹估计
| | | 数据集Demo.mp4
| | | 轨迹轨迹.pdf
| | |
| | +—9-图模型轨迹估计实战
| | | Vector.zip
| | |
| | +—第一章:图神经网络基础
| | | 图神经网络.pdf
| | |
| | \—第二章:图卷积GCN模型
| | 图卷积.pdf
| |
| +—11.第一十一章 3D点云实战
| | +—第1节:3D点云应用领域分析
| | | 激光雷达.mp4
| | | 点云.pdf
| | |
| | +—第2节:3D点云PointNet算法
| | | CloudCompare.zip
| | | PointNet++.pdf
| | |
| | +—第3节:PointNet++算法解读
| | | PointNet++.pdf
| | |
| | +—第4节:Pointnet++项目实战
| | | Pointnet2.zip
| | |
| | +—第5节:点云补全PF-Net论文解读
| | | 2003.00410.pdf
| | | 点云补全.pdf
| | |
| | +—第6节:点云补全实战解读
| | | PF-Net-Point-Fractal-Network.zip
| | |
| | +—第7节:点云配准及其案例实战
| | | 2003.13479.pdf
| | | RPMNet.zip
| | | 点云匹配.pdf
| | |
| | \—第8节:基础补充-对抗生成网络架构原理与实战解析
| | 第八章:对抗生成网络架构原理与实战解析.zip
| |
| +—12.第一十二章 ?标追踪与姿态估计实战
| | | 基础补充-PyTorch框架基本处理操作.zip
| | | 基础补充-PyTorch框架必备核心模块解读.zip
| | | 第一章:姿态估计OpenPose系列算法解读.pdf
| | | 第三章:Deepsort算法知识点解读.pdf
| | | 第二章:OpenPose算法源码分析.zip
| | | 第四章:Deepsort源码解读.zip
| | |
| | +—基础补充-Resnet模型及其应用实例
| | | Resnet.pdf
| | | 基于Resnet的医学数据集分类实战.zip
| | |
| | \—第五六七章:YOLO目标检测
| | | NEU-DET.zip
| | | YOLO5.zip
| | | YOLO新版.pdf
| | |
| | +—COCO-DATA
| | | COCO数据集.txt
| | |
| | \—训练自己的数据集
| | json2yolo.py
| | 构建自己的数据集.pdf
| |
| +—13.第一十三章 ?向深度学习的??驾驶实战
| | +—1.深度估计算法解读
| | | Monocular_Depth_Estimation_Using_Laplacian_Pyramid-Based_Depth_Residuals.pdf
| | | 深度估计.pdf
| | |
| | +—10-NeuralRecon项目源码解读
| | | \—NeuralRecon
| | | all_tsdf_9.zip
| | | data.py
| | | train_demo.zip
| | |
| | +—11-TSDF算法与应用
| | | TSDF.pdf
| | |
| | +—12-TSDF实战案例
| | | \—TSDF实例
| | | tsdf-fusion-python-master.zip
| | |
| | +—13-轨迹估计算法与论文解读
| | | 无人驾驶.pdf
| | |
| | +—14-轨迹估计预测实战
| | | Vector.zip
| | |
| | +—15-特斯拉无人驾驶解读
| | | Tesla无人驾驶.pdf
| | |
| | +—2.深度估计项目实战
| | | LapDepth.zip
| | |
| | +—3-车道线检测算法与论文解读
| | | 基于深度学习的车道线检测.pdf
| | |
| | +—4-基于深度学习的车道线检测项目实战
| | | Lane-Detection.zip
| | |
| | +—5-商汤LoFTR算法解读
| | | 2104.00680.pdf
| | | Loftr.pdf
| | |
| | +—6-局部特征关键点匹配实战
| | | LoFTR.zip
| | |
| | +—7-三维重建应用与坐标系基础
| | | 三维重建.pdf
| | |
| | +—8-NeuralRecon算法解读
| | | NeuralRecon.pdf
| | | 三维重建.pdf
| | |
| | \—9-NeuralRecon项目环境配置
| | \—参考其GITHUB即可
| +—14.第一十四章 对比学习与多模态任务实战
| | +—ANINET源码解读
| | | mmocr-main.zip
| | |
| | +—CLIP系列
| | | CLIP.zip
| | | CLIP及其应用.pdf
| | |
| | +—多模态3D目标检测算法源码解读
| | | mmdetection3d-1.0.0rc0.zip
| | |
| | +—多模态文字识别
| | | ABINET.pdf
| | | DBNET.pdf
| | |
| | \—对比学习算法与实例
| | trainCLIP.py
| | 对比学习.pdf
| |
| +—15.第一十五章 缺陷检测实战
| | | DeepLab铁质材料缺陷检测与开源项目应用流程.zip
| | | 第10章:基于视频流水线的Opnecv缺陷检测项目.zip
| | | 第5章:Semi-supervised布料缺陷检测实战.zip
| | | 第9章:基于Opencv缺陷检测项目实战.zip
| | |
| | +—PyTorch基础
| | | 1-PyTorch框架基本处理操作.zip
| | | 2-神经网络实战分类与回归任务.zip
| | | 3-图像识别核心模块实战解读.zip
| | |
| | +—Resnet分类实战
| | | Resnet.pdf
| | | 基于Resnet的医学数据集分类实战.zip
| | |
| | +—第1-4章:YOLOV5缺陷检测
| | | Defective_Insulators.zip
| | | NEU-DET.zip
| | | YOLO5.zip
| | | YOLO新版.pdf
| | |
| | +—第11-12章:deeplab
| | | DeepLab.pdf
| | | DeepLabV3Plus.zip
| | |
| | \—第6-8章:Opencv各函数使用实例
| | 第一部分notebook课件.zip
| | 第二部分notebook课件.zip
| |
| +—16.第一十六章 ??重识别实战
| | +—第1节:行人重识别原理及其应用
| | | 行人重识别.pdf
| | |
| | +—第2节:基于注意力机制的ReId模型论文解读
| | | Relation-Aware Global Attention.pdf
| | |
| | +—第3节:基于Attention的行人重识别项目实战
| | | Relation-Aware-Global-Attention-Networks.zip
| | |
| | +—第4节:经典会议算法精讲(特征融合)
| | | Relation Network for Person Re-identification.pdf
| | |
| | +—第5节:项目实战-基于行人局部特征融合的再识别实战
| | | Relation Network for Person Re-identification.zip
| | |
| | +—第6节:旷视研究院最新算法解读(基于图模型)
| | | Wang_High-Order_Information_Matters_Learning_Relation_and_Topology_for_Occluded_Person_CVPR_2020_paper.pdf
| | |
| | \—第7节:基于拓扑图的行人重识别项目实战
| | 基于图模型的ReID(旷视).zip
| |
| +—17.第一十七章 对抗?成?络实战
| | | cyclegan.pdf
| | | static.zip
| | | 第2节:对抗生成网络架构原理与实战解析.zip
| | | 第3节:基于CycleGan开源项目实战图像合成.zip
| | | 第5节:stargan项目实战及其源码解读.zip
| | | 第7节:starganvc2变声器项目实战及其源码解读.zip
| | |
| | +—第4节:stargan论文架构解析
| | | 1912.01865.pdf
| | | stargan.pdf
| | |
| | +—第6节:基于starganvc2的变声器论文原理解读
| | | 1907.12279.pdf
| | | stargan-vc2.pdf
| | |
| | +—第8节:图像超分辨率重构实战
| | | srdata.zip
| | | srgan超分辨率重构.zip
| | |
| | \—第9节:基于GAN的图像补全实战
| | glcic图像补全.zip
| | 图像补全人脸数据.zip
| |
| +—18.第一十八章 强化学习实战系列
| | 第1节:强化学习简介及其应用.pdf
| | 第2节:PPO算法与公式推导.pdf
| | 第3节:策略梯度实战-月球登陆器训练实例.zip
| | 第4节:DQN算法.pdf
| | 第5节:DQN算法实例演示.zip
| | 第7节:Actor-Critic算法分析(A3C).pdf
| | 第8节:A3C算法玩转超级马里奥.zip
| |
| +—19.第一十九章 Openai顶级黑科技算法及其项目实战
| | +—1 节GPT系列生成模型
| | | GPT.zip
| | | GPT系列.pdf
| | |
| | +—2 节GPT建模与预测流程
| | | ChinesePretrainedModels.zip
| | |
| | +—3 节CLIP系列
| | | CLIP.zip
| | | CLIP及其应用.pdf
| | |
| | +—4 节Diffusion模型解读
| | | annotated_diffusion.ipynb
| | |
| | +—5 节Dalle2及其源码解读
| | | DALLE2-pytorch-main.zip
| | | dalle2.pdf
| | |
| | \—6 节ChatGPT
| | GPT系列.pdf
| |
| +—2.第二章 深度学习必备核?算法
| | \—课件
| | | 卷积神经网络.pdf
| | | 深度学习.pdf
| | |
| | \—词向量模型资料
| | NLP核心模型-word2vec.zip
| |
| +—20.第二十章 面向医学领域的深度学习实战
| | | 16-词向量模型与RNN网络架构.zip
| | | 2-PyTorch框架基本处理操作.zip
| | | 3-PyTorch框架必备核心模块解读.zip
| | |
| | +—1-神经网络算法PPT
| | | 深度学习.pdf
| | |
| | +—10-基于deeplab的心脏视频数据诊断分析
| | | 基于deeplab的心脏视频数据诊断分析.zip
| | |
| | +—11-YOLO系列物体检测算法原理解读
| | | YOLO.pdf
| | | YOLOv4.pdf
| | |
| | +—12-基于YOLO5细胞检测实战
| | | 基于YOLO5细胞检测实战.zip
| | |
| | +—13-知识图谱原理解读
| | | 知识图谱.pdf
| | |
| | +—14-Neo4j数据库实战
| | | NEO4J.pdf
| | |
| | +—15-基于知识图谱的医药问答系统实战
| | | 医药问答.zip
| | | 配置与安装.pdf
| | |
| | +—17-医学糖尿病数据命名实体识别
| | | eclipse-命名实体识别.zip
| | | notebook-瑞金.zip
| | |
| | +—4-基于Resnet的医学数据集分类实战
| | | Resnet.pdf
| | | 基于Resnet的医学数据集分类实战.zip
| | |
| | +—5-图像分割及其损失函数概述
| | | 深度学习分割任务.pdf
| | |
| | +—6-Unet系列算法讲解
| | | 深度学习分割任务.pdf
| | |
| | +—7-unet医学细胞分割实战
| | | | unet++.zip
| | | |
| | | \—新建文件夹
| | +—8-deeplab系列算法
| | | DeepLab.pdf
| | |
| | \—9-基于deeplabV3+版本进行VOC分割实战
| | DeepLabV3Plus.zip
| |
| +—21.第二十一章 深度学习模型部署与剪枝优化实战
| | | Docker使用命令.zip
| | | Mobilenet.pdf
| | | mobilenetv3.py
| | | pytorch-slimming.zip
| | | PyTorch模型部署实例.zip
| | | TensorFlow-serving.zip
| | | YOLO部署实例.zip
| | | 剪枝算法.pdf
| | |
| | +—tensorRT
| | | +—tensorRT课程PPT
| | | | 1.说在前面.pdf
| | | | 10.tensorrt-integrate.pdf
| | | | 2.介绍.pdf
| | | | 3.cuda-driver-课程概述.pdf
| | | | 4.cuda-driver.pdf
| | | | 5.cuda-runtime-课程概述.pdf
| | | | 6.cuda-runtime.pdf
| | | | 7.tensorrt-basic-课程概述.pdf
| | | | 8.tensorrt-basic.pdf
| | | | 9.tensorrt-integrate-课程概述.pdf
| | | | video-series.mp4
| | | | video1-get-env.mp4
| | | | video1-get-templ.mp4
| | | |
| | | \—tensorRT课程代码
| | | cuda-driver-api.tar.gz
| | | cuda-runtime-api.tar.gz
| | | tensorrt-basic.tar.gz
| | | tensorrt-integrate.tar.gz
| | |
| | \—嵌入式AI
| | +—第一章 认识 jetson nano
| | | | 1.1 jetson nano 硬件介绍.pdf
| | | | 1.2 jetson nano 刷机.pdf
| | | | 1.2b jetson nano 系统安装过程.pdf
| | | | 1.3 感受nano的GPU算力.pdf
| | | | 1.4 安装使用摄像头csi usb.pdf
| | | |
| | | \—1software
| | | balenaEtcher-Setup-1.7.9.exe
| | | code_1.71.2-1663189619_arm64.deb
| | | csiCamera.py
| | | SDCardFormatterv5_WinEN.zip
| | | usbCamera.py
| | |
| | +—第三章 NVIDIA TAO 实用级的训练神器
| | | 3.1NVIDIA TAO介绍和安装.pdf
| | | 3.2NVIDIA TAO数据准备和环境设置.pdf
| | | 3.3NVIDIA TAO数据转换.pdf
| | | 3.4NVIDIA TAO预训练模型和训练.pdf
| | | 3.5TAO 剪枝在训练推理验证.pdf
| | |
| | +—第二章 AI 实战
| | | | 2.1 jetson-inference 入门.pdf
| | | | 2.2 docker 的安装使用.pdf
| | | | 2.3 docker中运行分类模型.pdf
| | | | 2.4 训练自己的目标检测模型准备.pdf
| | | | 2.5 训练出自己目标识别模型.pdf
| | | | 2.6 转换出onnx模型,并使用.pdf
| | | | 时间统计.xlsx
| | | |
| | | \—2software
| | | | csiCamera.py
| | | | jetson-inference.zip
| | | | mobilenet-v1-ssd-mp-0_675.pth
| | | | usbCamera.py
| | | |
| | | \—networks
| | | bvlc_googlenet.caffemodel
| | | googlenet.prototxt
| | | googlenet_noprob.prototxt
| | | SSD-Mobilenet-v1.tar.gz
| | | SSD-Mobilenet-v2.tar.gz
| | |
| | \—第四章 deepstream
| | | 4.1 deepstream 介绍安装.pdf
| | | 4.2 deepstream HelloWorld.pdf
| | | 4.3 GStreamer RTP和RTSP.pdf
| | | 4.4 python实现RTP和RTSP.pdf
| | | 4.5 deepstream推理.pdf
| | | 4.6 deepstream集成yolov4.pdf
| | |
| | \—software
| | Accelerated_GStreamer_User_Guide.pdf
| | camera_gstreamer_code_rtp.py
| | camera_gstreamer_code_rtsp_out.py
| | EasyPlayer-RTSP-Win-V3.0.19.0515.zip
| | gstreamer-1.0-msvc-x86_64-1.20.4.msi
| | rtspCameraH264.py
| | rtspVideoH264.py
| |
| +—22.第二十二章 自然语言处理必备神器Huggingface系列实战
| | +—第一章:Huggingface与NLP介绍解读
| | | Huggingface初识.pptx
| | |
| | +—第七章:GPT系列算法
| | | GPT系列.pdf
| | |
| | +—第三章:transformer原理解读
| | | transformer.pdf
| | |
| | +—第九章:文本摘要建模
| | | Summarization.ipynb
| | | Summarization.zip
| | |
| | +—第二章:Transformer工具包基本操作实例解读
| | | 1-Transformers.zip
| | | 2-Finetuning.zip
| | |
| | +—第五章:文本标注工具与NER实例
| | | ner.zip
| | |
| | +—第八章:GPT训练与预测部署流程
| | | GPT.zip
| | |
| | +—第六章:文本预训练模型构建实例
| | | Mask Language Model.ipynb
| | |
| | +—第十一章:补充Huggingface数据集制作方法实例
| | | 数据格式转换.zip
| | |
| | +—第十章:图谱知识抽取实战
| | | CMeKG.zip
| | |
| | \—第四章:BERT系列算法解读
| | BERT系列.pdf
| |
| +—23.第二十三章 ?然语?处理通?框架-BERT实战
| | +—课件、源码
| | | BERT.zip
| | | BERT开源项目及数据.zip
| | | NLP核心模型-word2vec.zip
| | | 第1节:BERT课件.pdf
| | | 第2节:谷歌开源项目BERT源码解读与应用实例.zip
| | | 第3节:项目实战-基于BERT的中文情感分析实战.zip
| | | 第4节:项目实战-基于BERT的中文命名实体识别实战.zip
| | | 第5节:必备基知识点-word2vec模型通俗解读.zip
| | | 第6节:必备基础-掌握Tensorflow如何实现word2vec模型.zip
| | | 第7节:必备基础知识点-RNN网络架构与情感分析应用实例.zip
| | | 第8节:医学糖尿病数据命名实体识别.zip
| | |
| | \—课后作业
| | 第八模块:BERT作业.pdf
| |
| +—24.第二十四章 ?然语?处理经典案例实战
| | +—NLP常用工具包
| | | Python-自然语言处理工具包(1).zip
| | | Python-自然语言处理工具包.zip
| | |
| | +—源码、数据集等
| | | +—10:NLP方法对比
| | | | 自然语言处理-特征提取方法对比.zip
| | | |
| | | +—11-14:基于Tensorflow的项目实战
| | | | +—LSTM情感分析
| | | | | LSTM.ipynb
| | | | | LSTM.zip
| | | | |
| | | | +—NLP-文本相似度
| | | | | 文本相似度.zip
| | | | |
| | | | +—唐诗生成
| | | | | LSTM.zip
| | | | | poem.zip
| | | | |
| | | | +—对话问答机器人
| | | | | chatbot.zip
| | | | |
| | | | \—问答机器人
| | | | QA问答.zip
| | | |
| | | +—2:商品信息与文本可视化
| | | | 商品可视化展示与文本处理.zip
| | | |
| | | +—3:贝叶斯算法
| | | | 5-贝叶斯算法.pdf
| | | |
| | | +—4:贝叶斯算法-新闻分类任务
| | | | \—贝叶斯Python文本分析
| | | | | Python文本分析.zip
| | | | |
| | | | \—搜狗新闻语料
| | | | test.txt
| | | | train.txt
| | | | val.txt
| | | |
| | | +—5-6:HMM实战
| | | | +—HMM案例实战
| | | | | | data2.csv
| | | | | | hmm实践.ipynb
| | | | | | 时间序列.ipynb
| | | | | |
| | | | | \—HMM
| | | | | | data.py
| | | | | | get_hmm_param.py
| | | | | | hmm_start.py
| | | | | |
| | | | | \—__pycache__
| | | | | data.cpython-36.pyc
| | | | | get_hmm_param.cpython-36.pyc
| | | | |
| | | | \—隐马尔科夫模型(课件)
| | | | HMM.pdf
| | | |
| | | \—8-9:word2vec词向量实战
| | | \—Word2Vec
| | | Gensim-代码.zip
| | | gensim训练model.zip
| | | tensorflow-word2vec.zip
| | | word2vec.zip
| | |
| | +—课件
| | | 5-贝叶斯算法.pdf
| | | Python文本分析.pdf
| | | RNN与LSTM.pdf
| | | tensorflow-RNN.pdf
| | | 贝叶斯算法.pdf
| | |
| | \—课后作业
| | data.txt
| | 第八模块:NLP实战(1).pdf
| |
| +—25.第二十五章 知识图谱实战系列
| | +—第1.2节:知识图谱介绍及其应用领域分析
| | | 知识图谱.pdf
| | |
| | +—第3节:Neo4j数据库实战
| | | NEO4J.pdf
| | |
| | +—第4节:使用python操作neo4j实例
| | | python操作neo4j.zip
| | |
| | +—第5节:基于知识图谱的医药问答系统实战
| | | 医药问答.zip
| | | 配置与安装.pdf
| | |
| | +—第6节:文本关系抽取实践
| | | 关系抽取.zip
| | |
| | +—第7节:金融平台风控模型实践
| | | 贷款风控特征工程.zip
| | |
| | \—第8节:医学糖尿病数据命名实体识别
| | eclipse-命名实体识别.zip
| | notebook-瑞金.zip
| |
| +—26.第二十六章 语?识别实战系列
| | | 变声器pytorch-StarGAN-VC2.zip
| | | 语音分离Conv-TasNet.zip
| | | 语音合成tacotron2实战.zip
| | | 语音识别LAS模型.zip
| | |
| | +—PPT
| | | seq2seq.pdf
| | | stargan-vc2.pdf
| | | 语音分离.pdf
| | | 语音合成-tacotron2.pdf
| | |
| | \—论文
| | Conv-TasNet论文.pdf
| | stargancv2论文.pdf
| | tacotron2论文.pdf
| |
| +—27.第二十七章 推荐系统实战系列
| | | 第11节:补充-基于相似度的酒店推荐系统.zip
| | | 第1节:推荐系统介绍.pdf
| | | 第2节:协同过滤与矩阵分解.pdf
| | | 第5节:基于知识图谱的电影推荐实战.zip
| | | 第6节:FM与DeepFM算法.pdf
| | | 第7节:DeepFM算法实战.zip
| | | 第8节:推荐系统常用工具包演示.zip
| | | 第9节:基于文本数据的推荐实例.zip
| | |
| | +—第10节:基于统计分析的电影推荐
| | | 电影推荐.zip
| | |
| | +—第3节:音乐推荐系统实战
| | | \—Python实现音乐推荐系统
| | | | 1.png
| | | | 2.png
| | | | 3.png
| | | | 4.png
| | | | 5.png
| | | | 6.png
| | | | 7.png
| | | | 8.png
| | | | recommendation_engines.py
| | | | Recommenders.py
| | | | song_playcount_df.csv
| | | | track_metadata.db
| | | | track_metadata_df_sub.csv
| | | | train_triplets.txt
| | | | triplet_dataset_sub_song.csv
| | | | user_playcount_df.csv
| | | | 推荐系统.ipynb
| | | | 老版.ipynb
| | | |
| | | +—.ipynb_checkpoints
| | | | 推荐系统-checkpoint.ipynb
| | | |
| | | \—__pycache__
| | | Recommenders.cpython-36.pyc
| | |
| | \—第4节:Neo4j数据库实例
| | NEO4J.pdf
| |
| +—28.第二十八章 AI课程所需安装软件教程
| | Anaconda3-2020.07-Windows-x86_64.exe
| | cuda_11.3.0_465.89_win10.exe
| | mmcv_full-1.4.7-cp38-cp38-win_amd64.whl
| | notepadplusplus-8-4.exe
| | pycharm-community-2022.1.2.exe
| | torch-1.10.0+cu113-cp38-cp38-win_amd64.whl
| | torchvision-0.11.0+cu113-cp38-cp38-win_amd64.whl
| | VisualStudioSetup.exe
| |
| +—29.第二十九章 额外补充
| | | gc(2).py
| | | gc.py
| | |
| | +—ACMIX(卷积与注意力结合)
| | | 2111.14556.pdf
| | | common.py
| | | yolo.py
| | | yolov5s_acmix.yaml
| | | 源码实现.txt
| | |
| | +—ConvNeXt
| | | 2201.03545.pdf
| | | common.py
| | | yolo.py
| | | yolov5s_convnextB.yaml
| | | 源码.txt
| | | 源码链接.txt
| | |
| | +—Coordinate_attention
| | | common.py
| | | Hou_Coordinate_Attention_for_Efficient_Mobile_Network_Design_CVPR_2021_paper.pdf
| | | yolo.py
| | | yolov5s_Coordinate_attention.yaml
| | | 源码实现.txt
| | |
| | +—GCNET(全局特征融合)
| | | 1904.11492.pdf
| | | gc.py
| | | yolo.py
| | | yolov5s_cb2d.yaml
| | |
| | +—mobileone(提速)
| | | 2206.04040.pdf
| | | common.py
| | | yolo.py
| | | yolov5s_mobileone.yaml
| | | 源码实现.txt
| | |
| | +—SPD-Conv
| | | common.py
| | | SPD-Conv论文.pdf
| | | yolo.py
| | | yolov5s.yaml
| | | yolov5s_spd.yaml
| | | 源码实现.txt
| | |
| | \—SPPCSPC(替换SPP)
| | 源码.txt
| |
| +—3.第三章 深度学习核?框架PyTorch
| | flask预测.zip
| | 第七章:LSTM文本分类实战.zip
| | 第二,三章:神经网络实战分类与回归任务.zip
| | 第五章:图像识别模型与训练策略(重点).zip
| | 第八章:对抗生成网络架构原理与实战解析.zip
| | 第六章:DataLoader自定义数据集制作.zip
| | 第四章:卷积网络参数解读.zip
| |
| +—4.第四章 MMLAB实战系列
| | | mask2former(mmdetection).zip
| | | ner.zip
| | | 第一模块:mmclassification-master.zip
| | | 第七模块:mmdetection3d-1.0.0rc0.zip
| | | 第三模块:mmdetection-master.zip
| | | 第九模块:mmaction2-master.zip
| | | 第二模块:mmsegmentation-0.20.2.zip
| | | 第二模块:MPViT-main.zip
| | | 第五模块:mmgeneration-master.zip
| | | 第八模块:mmrazor-模型蒸馏.zip
| | | 第六模块:mmediting-master.zip
| | | 第四模块:mmocr-main.zip
| | |
| | +—DeformableDetr算法解读
| | | 可变形DETR.pdf
| | |
| | +—KIE关键信息抽取与视频超分辨率重构
| | | BasicVSR++.pdf
| | | KIE.pdf
| | | spynet.pdf
| | |
| | \—OCR算法解读
| | ABINET.pdf
| | DBNET.pdf
| |
| +—5.第五章 Opencv图像处理框架实战
| | +—源码资料
| | | 第10节:项目实战-文档扫描OCR识别.zip
| | | 第13节:案例实战-全景图像拼接.zip
| | | 第14节:项目实战-停车场车位识别.zip
| | | 第15节:项目实战-答题卡识别判卷.zip
| | | 第18节:Opencv的DNN模块.zip
| | | 第19节:项目实战-目标追踪.zip
| | | 第20节:卷积原理与操作.zip
| | | 第21节:人脸关键点定位.zip
| | | 第21节:项目实战-疲劳检测.zip
| | | 第9节:项目实战-信用卡数字识别.zip
| | |
| | \—课件
| | | 第11-12节notebook课件.zip
| | | 第16-17节notebook课件.zip
| | |
| | \—第2-8节课件
| | 第2-7节notebook课件.zip
| | 第8节notebook课件.zip
| |
| +—6.第六章 综合项?-物体检测经典算法实战
| | | CenterNet.pdf
| | | detr目标检测源码解读.zip
| | | EfficientDet.pdf
| | | EfficientDet.zip
| | | EfficientNet.pdf
| | | json2yolo.py
| | | yolov7-main.zip
| | | 物体检测.pdf
| | | 第十二章:基于Transformer的detr目标检测算法.pdf
| | |
| | \—YOLO系列(PyTorch)
| | | NEU-DET.zip
| | | PyTorch-YOLOv3.zip
| | | YOLO5.zip
| | | YOLO新版.pdf
| | |
| | +—COCO-DATA
| | | COCO数据集.txt
| | |
| | \—训练自己的数据集
| | json2yolo.py
| | 构建自己的数据集.pdf
| |
| +—7.第七章 图像分割实战
| | | f112c9fda85536ee3eba662c9043e683.bat
| | | mask-rcnn.pdf
| | | MaskRcnn网络框架源码详解.zip
| | | PyTorch框架基本处理操作.zip
| | | R(2+1)D网络.pdf
| | | 图像识别核心模块实战解读.zip
| | | 基于MASK-RCNN框架训练自己的数据与任务.zip
| | | 第5节:U-2-Net.zip
| | |
| | +—基于Resnet的医学数据集分类实战
| | | Resnet.pdf
| | | 基于Resnet的医学数据集分类实战.zip
| | |
| | +—第1节:图像分割算法
| | | 深度学习分割任务.pdf
| | |
| | +—第2节:卷积网络
| | | 深度学习.pdf
| | |
| | +—第3节:Unet系列算法讲解
| | | 深度学习分割任务.pdf
| | |
| | +—第4节:unet医学细胞分割实战
| | | | unet++.zip
| | | |
| | | \—新建文件夹
| | +—第6节:deeplab系列算法
| | | DeepLab.pdf
| | |
| | +—第7节:基于deeplabV3+版本进行VOC分割实战
| | | DeepLabV3Plus.zip
| | |
| | \—第8节:基于deeplab的心脏视频数据诊断分析
| | 基于deeplab的心脏视频数据诊断分析.zip
| |
| +—8.第八章 行为识别实战
| | | 1-slowfast算法知识点通俗解读(1).pdf
| | | 1-slowfast算法知识点通俗解读.pdf
| | | 4-基于3D卷积的视频分析与动作识别.zip
| | | 5-视频异常检测算法与元学习(1).pdf
| | | 5-视频异常检测算法与元学习.pdf
| | | 6-视频异常检测CVPR2021论文及其源码解读.zip
| | | slowfast论文.pdf
| | | 基础补充-PyTorch框架基本处理操作.zip
| | | 基础补充-PyTorch框架必备核心模块解读.zip
| | |
| | +—slowfast-add
| | | | avademo.zip
| | | |
| | | \—download
| | | | -5KQ66BBWC4.mkv
| | | | -5KQ66BBWC4.mkv.1
| | | | 1j20qq1JyX4.mp4
| | | | train.csv
| | | | val.csv
| | | | _145Aa_xkuE.mp4
| | | | _Ca3gOdOHxU.mp4
| | | |
| | | \—ava_annotations
| | | | ava_train_v2.1.csv
| | | | ava_train_v2.2.csv
| | | | ava_val_v2.2.csv
| | | |
| | | \—person_box_67091280_iou90
| | | ava_action_list_v2.1_for_activitynet_2018.pbtxt
| | | ava_detection_test_boxes_and_labels.csv
| | | ava_detection_train_boxes_and_labels_include_negative.csv
| | | ava_detection_train_boxes_and_labels_include_negative_v2.1.csv
| | | ava_detection_train_boxes_and_labels_include_negative_v2.2.csv
| | | ava_detection_val_boxes_and_labels.csv
| | | ava_detection_val_for_training_boxes_and_labels_include_negative.csv
| | | ava_detection_val_for_training_boxes_and_labels_include_negative_v2.1.csv
| | | ava_detection_val_for_training_boxes_and_labels_include_negative_v2.2.csv
| | | ava_train_predicted_boxes.csv
| | | ava_train_v2.1.csv
| | | ava_val_excluded_timestamps_v2.1.csv
| | | ava_val_predicted_boxes.csv
| | | ava_val_v2.1.csv
| | | test.csv
| | | train.csv
| | | val.csv
| | |
| | \—基础补充-Resnet模型及其应用实例
| | Resnet.pdf
| | 基于Resnet的医学数据集分类实战.zip
| |
| \—9.第九章 2022论?必备-Transformer实战系列
| \—transformer系列
| | Medical-Transformer.zip
| | transformer论文.pdf
| | 第七章:detr目标检测源码解读.zip
| | 第三章:VIT算法模型源码解读.zip
| | 第二章:Transformer在视觉中的应用VIT算法.pdf
| | 第五章:swintransformer源码解读.zip
| | 第六章:基于Transformer的detr目标检测算法.pdf
| | 第四章:swintransformer算法原理解析.pdf
| |
| +—基础补充-Resnet模型及其应用实例
| | Resnet.pdf
| | 基于Resnet的医学数据集分类实战.zip
| |
| +—第一章:transformer原理解读
| | BERT.pdf
| |
| +—第九章:项目补充-基于BERT的中文情感分析实战
| | BERT中文情感分类开源项目.zip
| |
| +—第十一,十二章
| | 2104.00680.pdf
| | Loftr.pdf
| | LoFTR.zip
| |
| \—谷歌开源项目BERT源码解读与应用实例
| BERT开源项目及数据.zip
|
+—01 直播课回放
| +—01 开班典礼
| | 01 开班典礼.mp4
| |
| +—02 Pycharm环境配置与Debug演示(没用过的同学必看)
| | 01 Pycharm环境配置与Debug演示(没用过的同学必看).mp4
| |
| +—03 直播1:深度学习核心算法-神经网络与卷积网络
| | 01 深度学习核心算法-神经网络与卷积网络.mp4
| |
| +—04 直播2:卷积神经网络
| | 01 卷积神经网络.mp4
| |
| +—05 直播3:Transformer架构
| | 01 Transformer架构.mp4
| |
| +—06 直播4:Transfomer在视觉任务中的应用实例
| | 01 Transfomer在视觉任务中的应用实例.mp4
| |
| +—07 直播5:YOLO系列(V7)算法解读
| | 01 YOLO系列(V7)算法解读.mp4
| |
| +—08 直播6:分割模型Maskformer系列
| | 01 分割模型Maskformer系列.mp4
| |
| +—09 补充:Mask2former源码解读
| | 01 Backbone获取多层级特征.mp4
| | 02 多层级采样点初始化构建.mp4
| | 03 多层级输入特征序列创建方法.mp4
| | 04 偏移量与权重计算并转换.mp4
| | 05 Encoder特征构建方法实例.mp4
| | 06 query要预测的任务解读.mp4
| | 07 Decoder中的AttentionMask方法.mp4
| | 08 损失模块输入参数分析.mp4
| | 09 标签分配策略解读.mp4
| | 10 正样本筛选损失计算.mp4
| | 11 标签分类匹配结果分析.mp4
| | 12 最终损失计算流程.mp4
| | 13 汇总所有损失完成迭代.mp4
| |
| +—10 直播7:半监督物体检测
| | 01 半监督物体检测.mp4
| |
| +—11 直播8:基于图模型的时间序列预测
| | 01 基于图模型的时间序列预测.mp4
| |
| +—12 直播9:图像定位与检索
| | 01 图像定位与检索.mp4
| |
| +—13 直播10:近期内容补充
| | 01 近期内容补充.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:异构图神经网络
| | 01 异构图神经网络.mp4
| |
| +—16 直播13:BEV特征空间
| | 01 BEV特征空间.mp4
| |
| +—17 补充:BevFormer源码解读
| | 01 环境配置方法解读.mp4
| | 02 数据集下载与配置方法.mp4
| | 03 特征提取以及BEV空间初始化.mp4
| | 04 特征对齐与位置编码初始化.mp4
| | 05 Reference初始点构建.mp4
| | 06 BEV空间与图像空间位置对应.mp4
| | 07 注意力机制模块计算方法.mp4
| | 08 BEV空间特征构建.mp4
| | 09 Decoder要完成的任务分析.mp4
| | 10 获取当前BEV特征.mp4
| | 11 Decoder级联校正模块.mp4
| | 12 损失函数与预测可视化.mp4
| |
| +—18 直播14:知识蒸馏
| | 01 知识蒸馏.mp4
| |
| \—19 直播15:六期总结与论文简历
| 01 六期总结与论文简历.mp4
|
+—02 深度学习必备核心算法
| +—01 神经网络算法解读
| | 01 神经网络算法解读.mp4
| |
| +—02 卷积神经网络算法解读
| | 01 卷积神经网络算法解读.mp4
| |
| \—03 递归神经网络算法解读
| 01 递归神经网络算法解读.mp4
|
+—03 深度学习核心框架PyTorch
| +—01 PyTorch框架介绍与配置安装
| | 01 PyTorch框架与其他框架区别分析.mp4
| | 02 CPU与GPU版本安装方法解读.mp4
| |
| +—02 使用神经网络进行分类任务
| | 01 数据集与任务概述.mp4
| | 02 基本模块应用测试.mp4
| | 03 网络结构定义方法.mp4
| | 04 数据源定义简介.mp4
| | 05 损失与训练模块分析.mp4
| | 06 训练一个基本的分类模型.mp4
| | 07 参数对结果的影响.mp4
| |
| +—03 神经网络回归任务-气温预测
| | 01 神经网络回归任务-气温预测.mp4
| |
| +—04 卷积网络参数解读分析
| | 01 输入特征通道分析.mp4
| | 02 卷积网络参数解读.mp4
| | 03 卷积网络模型训练.mp4
| |
| +—05 图像识别模型与训练策略(重点)
| | 01 任务分析与图像数据基本处理.mp4
| | 02 数据增强模块.mp4
| | 03 数据集与模型选择.mp4
| | 04 迁移学习方法解读.mp4
| | 05 输出层与梯度设置.mp4
| | 06 输出类别个数修改.mp4
| | 07 优化器与学习率衰减.mp4
| | 08 模型训练方法.mp4
| | 09 重新训练全部模型.mp4
| | 10 测试结果演示分析.mp4
| |
| +—06 DataLoader自定义数据集制作
| | 01 Dataloader要完成的任务分析.mp4
| | 02 图像数据与标签路径处理.mp4
| | 03 Dataloader中需要实现的方法分析.mp4
| | 04 实用Dataloader加载数据并训练模型.mp4
| |
| +—07 LSTM文本分类实战
| | 01 数据集与任务目标分析.mp4
| | 02 文本数据处理基本流程分析.mp4
| | 03 命令行参数与DEBUG.mp4
| | 04 训练模型所需基本配置参数分析.mp4
| | 05 预料表与字符切分.mp4
| | 06 字符预处理转换ID.mp4
| | 07 LSTM网络结构基本定义.mp4
| | 08 网络模型预测结果输出.mp4
| | 09 模型训练任务与总结.mp4
| |
| \—08 PyTorch框架Flask部署例子
| 01 基本结构与训练好的模型加载.mp4
| 02 服务端处理与预测函数.mp4
| 03 基于Flask测试模型预测结果.mp4
|
+—04 MMLAB实战系列
| +—01 MMCV安装方法
| | 01 MMCV安装方法.mp4
| |
| +—02 第一模块:分类任务基本操作
| | 01 MMCLS问题修正.mp4
| | 02 准备MMCLS项目.mp4
| | 03 基本参数配置解读.mp4
| | 04 各模块配置文件组成.mp4
| | 05 生成完整配置文件.mp4
| | 06 根据文件夹定义数据集.mp4
| | 07 构建自己的数据集.mp4
| | 08 训练自己的任务.mp4
| |
| +—03 第一模块:训练结果测试与验证
| | 01 测试DEMO效果.mp4
| | 02 测试评估模型效果.mp4
| | 03 MMCLS中增加一个新的模块.mp4
| | 04 修改配置文件中的参数.mp4
| | 05 数据增强流程可视化展示.mp4
| | 06 Grad-Cam可视化方法.mp4
| | 07 可视化细节与效果分析.mp4
| | 08 MMCLS可视化模块应用.mp4
| | 09 模型分析脚本使用.mp4
| |
| +—04 第一模块:模型源码DEBUG演示
| | 01 VIT任务概述.mp4
| | 02 数据增强模块概述分析.mp4
| | 03 PatchEmbedding层.mp4
| | 04 前向传播基本模块.mp4
| | 05 CLS与输出模块.mp4
| |
| +—05 第二模块:使用分割模块训练自己的数据集
| | 01 项目配置基本介绍.mp4
| | 02 数据集标注与制作方法.mp4
| | 03 根据预测类别数修改配置文件.mp4
| | 04 加载预训练模型开始训练.mp4
| | 05 预测DEMO演示.mp4
| |
| +—06 第二模块:基于Unet进行各种策略修改
| | 01 配置文件解读.mp4
| | 02 编码层模块.mp4
| | 03 上采样与输出层.mp4
| | 04 辅助层的作用.mp4
| | 05 给Unet添加一个neck层.mp4
| | 06 如何修改参数适配网络结构.mp4
| | 07 将Unet特征提取模块替换成transformer.mp4
| | 08 VIT模块源码分析.mp4
| |
| +—07 第二模块:分割任务CVPR最新Backbone设计及其应用
| | 01 注册自己的Backbone模块.mp4
| | 02 配置文件指定.mp4
| | 03 DEBUG解读Backbone设计.mp4
| | 04 PatchEmbedding的作用与实现.mp4
| | 05 卷积位置编码计算方法.mp4
| | 06 近似Attention模块实现.mp4
| | 07 完成特征提取与融合模块.mp4
| | 08 分割输出模块.mp4
| | 09 全局特征的作用与实现.mp4
| | 10 汇总多层级特征进行输出.mp4
| |
| +—08 第三模块:mmdet训练自己的数据任务
| | 01 数据集标注与标签获取.mp4
| | 02 COCO数据标注格式.mp4
| | 03 通过脚本生成COCO数据格式.mp4
| | 04 配置文件数据增强策略分析.mp4
| | 05 训练所需配置说明.mp4
| | 06 模型训练与DEMO演示.mp4
| | 07 模型测试与可视化分析模块.mp4
| | 08 补充:评估指标.mp4
| |
| +—09 第三模块:DeformableDetr物体检测源码分析
| | 01 特征提取与位置编码.mp4
| | 02 序列特征展开并叠加.mp4
| | 03 得到相对位置点编码.mp4
| | 04 准备Encoder编码层所需全部输入.mp4
| | 05 编码层中的序列分析.mp4
| | 06 偏移量offset计算.mp4
| | 07 偏移量对齐操作.mp4
| | 08 Encoder层完成特征对齐.mp4
| | 09 Decoder要完成的操作.mp4
| | 10 分类与回归输出模块.mp4
| | 11 预测输出结果与标签匹配模块.mp4
| |
| +—10 补充:Mask2former源码解读
| | 01 Backbone获取多层级特征.mp4
| | 02 多层级采样点初始化构建.mp4
| | 03 多层级输入特征序列创建方法.mp4
| | 04 偏移量与权重计算并转换.mp4
| | 05 Encoder特征构建方法实例.mp4
| | 06 query要预测的任务解读.mp4
| | 07 Decoder中的AttentionMask方法.mp4
| | 08 损失模块输入参数分析.mp4
| | 09 标签分配策略解读.mp4
| | 10 正样本筛选损失计算.mp4
| | 11 标签分类匹配结果分析.mp4
| | 12 最终损失计算流程.mp4
| | 13 汇总所有损失完成迭代.mp4
| |
| +—11 第三模块:DeformableDetr算法解读
| | 01 DeformableDetr算法解读.mp4
| |
| +—12 KIE关键信息抽取与视频超分辨率重构
| | 01 KIE关键信息抽取与视频超分辨率重构.mp4
| |
| +—13 第四模块:DBNET文字检测
| | 01 文字检测数据概述与配置文件.mp4
| | 02 配置文件参数设置.mp4
| | 03 Neck层特征组合.mp4
| | 04 损失函数模块概述.mp4
| | 05 损失计算方法.mp4
| |
| +—14 第四模块:ANINET文字识别
| | 01 数据集与环境概述.mp4
| | 02 配置文件修改方法.mp4
| | 03 Bakbone模块得到特征.mp4
| | 04 视觉Transformer模块的作用.mp4
| | 05 视觉模型中的编码与解码的效果.mp4
| | 06 文本模型中的结构分析.mp4
| | 07 迭代修正模块.mp4
| | 08 输出层与损失计算.mp4
| |
| +—15 第四模块:KIE基于图模型的关键信息抽取
| | 01 配置文件以及要完成的任务解读.mp4
| | 02 KIE数据集格式调整方法.mp4
| | 03 配置文件与标签要进行处理操作.mp4
| | 04 边框要计算的特征分析.mp4
| | 05 标签数据处理与关系特征提取.mp4
| | 06 特征合并处理.mp4
| | 07 准备拼接边与点特征.mp4
| | 08 整合得到图模型输入特征.mp4
| |
| +—16 第五模块:stylegan2源码解读
| | 01 要完成的任务与基本思想概述.mp4
| | 02 得到style特征编码.mp4
| | 03 特征编码风格拼接.mp4
| | 04 基础风格特征卷积模块.mp4
| | 05 上采样得到输出结果.mp4
| | 06 损失函数概述.mp4
| |
| +—17 第六模块:BasicVSR++视频超分辨重构源码解读
| | 01 要完成的任务分析与配置文件.mp4
| | 02 特征基础提取模块.mp4
| | 03 光流估计网络模块.mp4
| | 04 基于光流完成对齐操作.mp4
| | 05 偏移量计算方法.mp4
| | 06 双向计算特征对齐.mp4
| | 07 提特征传递流程分析.mp4
| | 08 序列传播计算.mp4
| | 09 准备变形卷积模块的输入.mp4
| | 10 传播流程整体完成一圈.mp4
| | 11 完成输出结果.mp4
| |
| +—18 第七模块:多模态3D目标检测算法源码解读
| | 01 环境配置与数据集概述.mp4
| | 02 数据与标注文件介绍.mp4
| | 03 基本流程梳理并进入debug模式.mp4
| | 04 数据与图像特征提取模块.mp4
| | 05 体素索引位置获取.mp4
| | 06 体素特征提取方法解读.mp4
| | 07 体素特征计算方法分析.mp4
| | 08 全局体素特征提取.mp4
| | 09 多模态特征融合.mp4
| | 10 3D卷积特征融合.mp4
| | 11 输出层预测结果.mp4
| |
| +—19 第八模块:模型蒸馏应用实例
| | 01 任务概述与工具使用.mp4
| | 02 Teacher与Student网络结构定义.mp4
| | 03 训练T与S得到蒸馏模型.mp4
| | 04 开始模型训练过程与问题修正.mp4
| | 05 日志输出与模型分离.mp4
| | 06 分别得到Teacher与Student模型.mp4
| | 07 实际测试效果演示.mp4
| |
| +—20 第八模块:模型剪枝方法概述分析
| | 01 SuperNet网络结构分析与剪枝概述.mp4
| | 02 搜索匹配到符合计算量的模型并训练.mp4
| |
| +—21 第九模块:mmaction行为识别
| | 01 创建自己的行为识别标注数据集.mp4
| |
| +—22 OCR算法解读
| | 01 OCR算法解读.mp4
| |
| \—23 额外补充-在源码中加入各种注意力机制方法
| 01 在源码中加入各种注意力机制方法.mp4
|
+—05 Opencv图像处理框架实战
| +—01 课程简介与环境配置
| | 01 课程简介.mp4
| | 02 Python与Opencv配置安装.mp4
| | 03 Notebook与IDE环境.mp4
| |
| +—02 图像基本操作
| | 01 计算机眼中的图像.mp4
| | 02 视频的读取与处理.mp4
| | 03 ROI区域.mp4
| | 04 边界填充.mp4
| | 05 数值计算.mp4
| |
| +—03 阈值与平滑处理
| | 01 图像阈值.mp4
| | 02 图像平滑处理.mp4
| | 03 高斯与中值滤波.mp4
| |
| +—04 图像形态学操作
| | 01 腐蚀操作.mp4
| | 02 膨胀操作.mp4
| | 03 开运算与闭运算.mp4
| | 04 梯度计算.mp4
| | 05 礼帽与黑帽.mp4
| |
| +—05 图像梯度计算
| | 01 Sobel算子.mp4
| | 02 梯度计算方法.mp4
| | 03 scharr与lapkacian算子.mp4
| |
| +—06 边缘检测
| | 01 Canny边缘检测流程.mp4
| | 02 非极大值抑制.mp4
| | 03 边缘检测效果.mp4
| |
| +—07 图像金字塔与轮廓检测
| | 01 图像金字塔定义.mp4
| | 02 金字塔制作方法.mp4
| | 03 轮廓检测方法.mp4
| | 04 轮廓检测结果.mp4
| | 05 轮廓特征与近似.mp4
| | 06 模板匹配方法.mp4
| | 07 匹配效果展示.mp4
| |
| +—08 直方图与傅里叶变换
| | 01 直方图定义.mp4
| | 02 均衡化原理.mp4
| | 03 均衡化效果.mp4
| | 04 傅里叶概述.mp4
| | 05 频域变换结果.mp4
| | 06 低通与高通滤波.mp4
| |
| +—09 项目实战-信用卡数字识别
| | 01 总体流程与方法讲解.mp4
| | 02 环境配置与预处理.mp4
| | 03 模板处理方法.mp4
| | 04 输入数据处理方法.mp4
| | 05 模板匹配得出识别结果.mp4
| |
| +—10 项目实战-文档扫描OCR识别
| | 01 整体流程演示.mp4
| | 02 文档轮廓提取.mp4
| | 03 原始与变换坐标计算.mp4
| | 04 透视变换结果.mp4
| | 05 tesseract-ocr安装配置.mp4
| | 06 文档扫描识别效果.mp4
| |
| +—11 图像特征-harris
| | 01 角点检测基本原理.mp4
| | 02 基本数学原理.mp4
| | 03 求解化简.mp4
| | 04 特征归属划分.mp4
| | 05 opencv角点检测效果.mp4
| |
| +—12 图像特征-sift
| | 01 尺度空间定义.mp4
| | 02 高斯差分金字塔.mp4
| | 03 特征关键点定位.mp4
| | 04 生成特征描述.mp4
| | 05 特征向量生成.mp4
| | 06 opencv中sift函数使用.mp4
| |
| +—13 案例实战-全景图像拼接
| | 01 特征匹配方法.mp4
| | 02 RANSAC算法.mp4
| | 03 图像拼接方法.mp4
| | 04 流程解读.mp4
| |
| +—14 项目实战-停车场车位识别
| | 01 任务整体流程.mp4
| | 02 所需数据介绍.mp4
| | 03 图像数据预处理.mp4
| | 04 车位直线检测.mp4
| | 05 按列划分区域.mp4
| | 06 车位区域划分.mp4
| | 07 识别模型构建.mp4
| | 08 基于视频的车位检测.mp4
| |
| +—15 项目实战-答题卡识别判卷
| | 01 整体流程与效果概述.mp4
| | 02 预处理操作.mp4
| | 03 填涂轮廓检测.mp4
| | 04 选项判断识别.mp4
| |
| +—16 背景建模
| | 01 背景消除-帧差法.mp4
| | 02 混合高斯模型.mp4
| | 03 学习步骤.mp4
| | 04 背景建模实战.mp4
| |
| +—17 光流估计
| | 01 基本概念.mp4
| | 02 Lucas-Kanade算法.mp4
| | 03 推导求解.mp4
| | 04 光流估计实战.mp4
| |
| +—18 Opencv的DNN模块
| | 01 dnn模块.mp4
| | 02 模型加载结果输出.mp4
| |
| +—19 项目实战-目标追踪
| | 01 目标追踪概述.mp4
| | 02 多目标追踪实战.mp4
| | 03 深度学习检测框架加载.mp4
| | 04 基于dlib与ssd的追踪.mp4
| | 05 多进程目标追踪.mp4
| | 06 多进程效率提升对比.mp4
| |
| +—20 卷积原理与操作
| | 01 卷积神经网络的应用.mp4
| | 02 卷积层解释.mp4
| | 03 卷积计算过程.mp4
| | 04 pading与stride.mp4
| | 05 卷积参数共享.mp4
| | 06 池化层原理.mp4
| | 07 卷积效果演示.mp4
| | 08 卷积操作流程.mp4
| |
| \—21 项目实战-疲劳检测
| 01 关键点定位概述.mp4
| 02 获取人脸关键点.mp4
| 03 定位效果演示.mp4
| 04 闭眼检测.mp4
| 05 检测效果.mp4
|
+—06 综合项目-物体检测经典算法实战
| +—01 深度学习经典检测方法概述
| | 01 检测任务中阶段的意义.mp4
| | 02 不同阶段算法优缺点分析.mp4
| | 03 IOU指标计算.mp4
| | 04 评估所需参数计算.mp4
| | 05 map指标计算.mp4
| |
| +—02 YOLO-V1整体思想与网络架构
| | 01 YOLO算法整体思路解读.mp4
| | 02 检测算法要得到的结果.mp4
| | 03 整体网络架构解读.mp4
| | 04 位置损失计算.mp4
| | 05 置信度误差与优缺点分析.mp4
| |
| +—03 YOLO-V2改进细节详解
| | 01 V2版本细节升级概述.mp4
| | 02 网络结构特点.mp4
| | 03 架构细节解读.mp4
| | 04 基于聚类来选择先验框尺寸.mp4
| | 05 偏移量计算方法.mp4
| | 06 坐标映射与还原.mp4
| | 07 感受野的作用.mp4
| | 08 特征融合改进.mp4
| |
| +—04 YOLO-V3核心网络模型
| | 01 V3版本改进概述.mp4
| | 02 多scale方法改进与特征融合.mp4
| | 03 经典变换方法对比分析.mp4
| | 04 残差连接方法解读.mp4
| | 05 整体网络模型架构分析.mp4
| | 06 先验框设计改进.mp4
| | 07 sotfmax层改进.mp4
| |
| +—05 项目实战-基于V3版本进行源码解读(建议直接跑V5版本)
| | 01 数据与环境配置.mp4
| | 02 训练参数设置.mp4
| | 03 COCO图像数据读取与处理.mp4
| | 04 标签文件读取与处理.mp4
| | 05 debug模式介绍.mp4
| | 06 基于配置文件构建网络模型.mp4
| | 07 路由层与shortcut层的作用.mp4
| | 08 YOLO层定义解析.mp4
| | 09 预测结果计算.mp4
| | 10 网格偏移计算.mp4
| | 11 模型要计算的损失概述.mp4
| | 12 标签值格式修改.mp4
| | 13 坐标相对位置计算.mp4
| | 14 完成所有损失函数所需计算指标.mp4
| | 15 模型训练与总结.mp4
| | 16 预测效果展示.mp4
| |
| +—06 基于YOLO-V3训练自己的数据集与任务(建议直接跑V5版本)
| | 01 Labelme工具安装.mp4
| | 02 数据信息标注.mp4
| | 03 完成标签制作.mp4
| | 04 生成模型所需配置文件.mp4
| | 05 json格式转换成yolo-v3所需输入.mp4
| | 06 完成输入数据准备工作.mp4
| | 07 训练代码与参数配置更改.mp4
| | 08 训练模型并测试效果.mp4
| |
| +—07 YOLO-V4版本算法解读
| | 01 V4版本整体概述.mp4
| | 02 V4版本贡献解读.mp4
| | 03 数据增强策略分析.mp4
| | 04 DropBlock与标签平滑方法.mp4
| | 05 损失函数遇到的问题.mp4
| | 06 CIOU损失函数定义.mp4
| | 07 NMS细节改进.mp4
| | 08 SPP与CSP网络结构.mp4
| | 09 SAM注意力机制模块.mp4
| | 10 PAN模块解读.mp4
| | 11 激活函数与整体架构总结.mp4
| |
| +—08 V5版本项目配置
| | 01 整体项目概述.mp4
| | 02 训练自己的数据集方法.mp4
| | 03 训练数据参数配置.mp4
| | 04 测试DEMO演示.mp4
| |
| +—09 V5项目工程源码解读
| | 01 数据源DEBUG流程解读.mp4
| | 02 图像数据源配置.mp4
| | 03 加载标签数据.mp4
| | 04 Mosaic数据增强方法.mp4
| | 05 数据四合一方法与流程演示.mp4
| | 06 getItem构建batch.mp4
| | 07 网络架构图可视化工具安装.mp4
| | 08 V5网络配置文件解读.mp4
| | 09 Focus模块流程分析.mp4
| | 10 完成配置文件解析任务.mp4
| | 11 前向传播计算.mp4
| | 12 BottleneckCSP层计算方法.mp4
| | 13 SPP层计算细节分析.mp4
| | 14 Head层流程解读.mp4
| | 15 上采样与拼接操作.mp4
| | 16 输出结果分析.mp4
| | 17 超参数解读.mp4
| | 18 命令行参数介绍.mp4
| | 19 训练流程解读.mp4
| | 20 各种训练策略概述.mp4
| | 21 模型迭代过程.mp4
| |
| +—10 V7源码解读
| | 01 命令行参数介绍.mp4
| | 02 基本参数作用.mp4
| | 03 EMA等训练技巧解读.mp4
| | 04 网络结构配置文件解读.mp4
| | 05 各模块操作细节分析.mp4
| | 06 输出层与配置文件其他模块解读.mp4
| | 07 标签分配策略准备操作.mp4
| | 08 候选框偏移方法与find3p模块解读.mp4
| | 09 得到偏移点所在网格位置.mp4
| | 10 完成BuildTargets模块.mp4
| | 11 候选框筛选流程分析.mp4
| | 12 预测值各项指标获取与调整.mp4
| | 13 GT匹配正样本数量计算.mp4
| | 14 通过IOU与置信度分配正样本.mp4
| | 15 损失函数计算方法.mp4
| | 16 辅助头AUX网络结构配置文件解析.mp4
| | 17 辅助头损失函数调整.mp4
| | 18 BN与卷积权重参数融合方法.mp4
| | 19 重参数化多分支合并加速.mp4
| |
| +—11 EfficientNet网络
| | 01 EfficientNet网络模型.mp4
| |
| +—12 EfficientDet检测算法
| | 01 EfficientDet检测算法.mp4
| |
| +—13 基于Transformer的detr目标检测算法
| | 01 DETR目标检测基本思想解读.mp4
| | 02 整体网络架构分析.mp4
| | 03 位置信息初始化query向量.mp4
| | 04 注意力机制的作用方法.mp4
| | 05 训练过程的策略.mp4
| |
| \—14 detr目标检测源码解读
| 01 项目环境配置解读.mp4
| 02 数据处理与dataloader.mp4
| 03 位置编码作用分析.mp4
| 04 backbone特征提取模块.mp4
| 05 mask与编码模块.mp4
| 06 编码层作用方法.mp4
| 07 Decoder层操作与计算.mp4
| 08 输出预测结果.mp4
| 09 损失函数与预测输出.mp4
|
+—07 图像分割实战
| +—01 图像分割及其损失函数概述
| | 01 语义分割与实例分割概述.mp4
| | 02 分割任务中的目标函数定义.mp4
| | 03 MIOU评估标准.mp4
| |
| +—02 卷积神经网络原理与参数解读
| | 01 卷积神经网络应用领域.mp4
| | 02 卷积的作用.mp4
| | 03 卷积特征值计算方法.mp4
| | 04 得到特征图表示.mp4
| | 05 步长与卷积核大小对结果的影响.mp4
| | 06 边缘填充方法.mp4
| | 07 特征图尺寸计算与参数共享.mp4
| | 08 池化层的作用.mp4
| | 09 整体网络架构.mp4
| | 10 VGG网络架构.mp4
| | 11 残差网络Resnet.mp4
| | 12 感受野的作用.mp4
| |
| +—03 Unet系列算法讲解
| | 01 Unet网络编码与解码过程.mp4
| | 02 网络计算流程.mp4
| | 03 Unet升级版本改进.mp4
| | 04 后续升级版本介绍.mp4
| |
| +—04 unet医学细胞分割实战
| | 01 医学细胞数据集介绍与参数配置.mp4
| | 02 数据增强工具.mp4
| | 03 Debug模式演示网络计算流程.mp4
| | 04 特征融合方法演示.mp4
| | 05 迭代完成整个模型计算任务.mp4
| | 06 模型效果验证.mp4
| |
| +—05 U2NET显著性检测实战
| | 01 任务目标与网络整体介绍.mp4
| | 02 显著性检测任务与目标概述.mp4
| | 03 编码器模块解读.mp4
| | 04 解码器输出结果.mp4
| | 05 损失函数与应用效果.mp4
| |
| +—06 deeplab系列算法
| | 01 deeplab分割算法概述.mp4
| | 02 空洞卷积的作用.mp4
| | 03 感受野的意义.mp4
| | 04 SPP层的作用.mp4
| | 05 ASPP特征融合策略.mp4
| | 06 deeplabV3Plus版本网络架构.mp4
| |
| +—07 基于deeplabV3+版本进行VOC分割实战
| | 01 PascalVoc数据集介绍.mp4
| | 02 项目参数与数据集读取.mp4
| | 03 网络前向传播流程.mp4
| | 04 ASPP层特征融合.mp4
| | 05 分割模型训练.mp4
| |
| +—08 医学心脏视频数据集分割建模实战
| | 01 数据集与任务概述.mp4
| | 02 项目基本配置参数.mp4
| | 03 任务流程解读.mp4
| | 04 文献报告分析.mp4
| | 05 补充:视频数据源特征处理方法概述.mp4
| | 06 补充:R(2plus1)D处理方法分析.mp4
| |
| +—09 物体检测框架-MaskRcnn项目介绍与配置
| | 01 Mask-Rcnn开源项目简介.mp4
| | 02 开源项目数据集.mp4
| | 03 开源项目数据集.mp4
| |
| +—10 MaskRcnn网络框架源码详解
| | 01 FPN层特征提取原理解读.mp4
| | 02 FPN网络架构实现解读.mp4
| | 03 生成框比例设置.mp4
| | 04 基于不同尺度特征图生成所有框.mp4
| | 05 RPN层的作用与实现解读.mp4
| | 06 候选框过滤方法.mp4
| | 07 Proposal层实现方法.mp4
| | 08 DetectionTarget层的作用.mp4
| | 09 正负样本选择与标签定义.mp4
| | 10 RoiPooling层的作用与目的.mp4
| | 11 RorAlign操作的效果.mp4
| | 12 整体框架回顾.mp4
| |
| \—11 基于MASK-RCNN框架训练自己的数据与任务
| 01 Labelme工具安装.mp4
| 02 使用labelme进行数据与标签标注.mp4
| 03 完成训练数据准备工作.mp4
| 04 maskrcnn源码修改方法.mp4
| 05 基于标注数据训练所需任务.mp4
| 06 测试与展示模块.mp4
|
+—08 行为识别实战
| +—01 slowfast算法知识点通俗解读
| | 01 slowfast核心思想解读.mp4
| | 02 核心网络结构模块分析.mp4
| | 03 数据采样曾的作用.mp4
| | 04 模型网络结构设计.mp4
| | 05 特征融合模块与总结分析.mp4
| |
| +—02 slowfast项目环境配置与配置文件
| | 01 环境基本配置解读.mp4
| | 02 目录各文件分析.mp4
| | 03 配置文件作用解读.mp4
| | 04 测试DEMO演示.mp4
| | 05 训练所需标签文件说明.mp4
| | 06 训练所需视频数据准备.mp4
| | 07 视频数据集切分操作.mp4
| | 08 完成视频分帧操作.mp4
| |
| +—03 slowfast源码详细解读
| | 01 模型所需配置文件参数读取.mp4
| | 02 数据处理概述.mp4
| | 03 dataloader数据遍历方法.mp4
| | 04 数据与标签读取实例.mp4
| | 05 图像数据所需预处理方法.mp4
| | 06 slow与fast分别执行采样操作.mp4
| | 07 分别计算特征图输出结果.mp4
| | 08 slow与fast特征图拼接操作.mp4
| | 09 resnetBolock操作.mp4
| | 10 RoiAlign与输出层.mp4
| |
| +—04 基于3D卷积的视频分析与动作识别
| | 01 3D卷积原理解读.mp4
| | 02 UCF101动作识别数据集简介.mp4
| | 03 测试效果与项目配置.mp4
| | 04 视频数据预处理方法.mp4
| | 05 数据Batch制作方法.mp4
| | 06 3D卷积网络所涉及模块.mp4
| | 07 训练网络模型.mp4
| |
| +—05 视频异常检测算法与元学习
| | 01 异常检测要解决的问题与数据集介绍.mp4
| | 02 基本思想与流程分析.mp4
| | 03 预测与常见问题.mp4
| | 04 Meta-Learn要解决的问题.mp4
| | 05 学习能力与参数定义.mp4
| | 06 如何找到合适的初始化参数.mp4
| | 07 MAML算法流程解读.mp4
| |
| +—06 视频异常检测CVPR2021论文及其源码解读
| | 01 论文概述与环境配置.mp4
| | 02 数据集配置与读取.mp4
| | 03 模型编码与解码结构.mp4
| | 04 注意力机制模块打造.mp4
| | 05 损失函数的目的.mp4
| | 06 特征图生成.mp4
| | 07 MetaLearn与输出.mp4
| |
| \—07 基础补充-Resnet模型及其应用实例
| 01 医学疾病数据集介绍.mp4
| 02 Resnet网络架构原理分析.mp4
| 03 dataloader加载数据集.mp4
| 04 Resnet网络前向传播.mp4
| 05 残差网络的shortcut操作.mp4
| 06 特征图升维与降采样操作.mp4
| 07 网络整体流程与训练演示.mp4
|
+—09 2022论文必备-Transformer实战系列
| +—01 课程介绍
| | 01 课程介绍.mp4
| |
| +—02 自然语言处理通用框架BERT原理解读
| | 01 BERT任务目标概述.mp4
| | 02 传统解决方案遇到的问题.mp4
| | 03 注意力机制的作用.mp4
| | 04 self-attention计算方法.mp4
| | 05 特征分配与softmax机制.mp4
| | 06 Multi-head的作用.mp4
| | 07 位置编码与多层堆叠.mp4
| | 08 transformer整体架构梳理.mp4
| | 09 BERT模型训练方法.mp4
| | 10 训练实例.mp4
| |
| +—03 Transformer在视觉中的应用VIT算法
| | 01 transformer发家史介绍.mp4
| | 02 对图像数据构建patch序列.mp4
| | 03 VIT整体架构解读.mp4
| | 04 CNN遇到的问题与窘境.mp4
| | 05 计算公式解读.mp4
| | 06 位置编码与TNT模型.mp4
| | 07 TNT模型细节分析.mp4
| |
| +—04 VIT算法模型源码解读
| | 01 项目配置说明.mp4
| | 02 输入序列构建方法解读.mp4
| | 03 注意力机制计算.mp4
| | 04 输出层计算结果.mp4
| |
| +—05 swintransformer算法原理解析
| | 01 swintransformer整体概述.mp4
| | 02 要解决的问题及其优势分析.mp4
| | 03 一个block要完成的任务.mp4
| | 04 获取各窗口输入特征.mp4
| | 05 基于窗口的注意力机制解读.mp4
| | 06 窗口偏移操作的实现.mp4
| | 07 偏移细节分析及其计算量概述.mp4
| | 08 整体网络架构整合.mp4
| | 09 下采样操作实现方法.mp4
| | 10 分层计算方法.mp4
| |
| +—06 swintransformer源码解读
| | 01 数据与环境配置解读.mp4
| | 02 图像数据patch编码.mp4
| | 03 数据按window进行划分计算.mp4
| | 04 基础attention计算模块.mp4
| | 05 窗口位移模块细节分析.mp4
| | 06 patchmerge下采样操作.mp4
| | 07 各block计算方法解读.mp4
| | 08 输出层概述.mp4
| |
| +—07 基于Transformer的detr目标检测算法
| | 01 DETR目标检测基本思想解读.mp4
| | 02 整体网络架构分析.mp4
| | 03 位置信息初始化query向量.mp4
| | 04 注意力机制的作用方法.mp4
| | 05 训练过程的策略.mp4
| |
| +—08 detr目标检测源码解读
| | 01 项目环境配置解读.mp4
| | 02 数据处理与dataloader.mp4
| | 03 位置编码作用分析.mp4
| | 04 backbone特征提取模块.mp4
| | 05 mask与编码模块.mp4
| | 06 编码层作用方法.mp4
| | 07 Decoder层操作与计算.mp4
| | 08 输出预测结果.mp4
| | 09 损失函数与预测输出.mp4
| |
| +—09 MedicalTrasnformer论文解读
| | 01 论文整体分析.mp4
| | 02 核心思想分析.mp4
| | 03 网络结构计算流程概述.mp4
| | 04 论文公式计算分析.mp4
| | 05 位置编码的作用与效果.mp4
| | 06 拓展应用分析.mp4
| |
| +—10 MedicalTransformer源码解读
| | 01 项目环境配置.mp4
| | 02 医学数据介绍与分析.mp4
| | 03 基本处理操作.mp4
| | 04 AxialAttention实现过程.mp4
| | 05 位置编码向量解读.mp4
| | 06 注意力计算过程与方法.mp4
| | 07 局部特征提取与计算.mp4
| |
| +—11 商汤LoFTR算法解读
| | 01 特征匹配的应用场景.mp4
| | 02 特征匹配的基本流程分析.mp4
| | 03 整体流程梳理分析.mp4
| | 04 CrossAttention的作用与效果.mp4
| | 05 transformer构建匹配特征.mp4
| | 06 粗粒度匹配过程与作用.mp4
| | 07 特征图拆解操作.mp4
| | 08 细粒度匹配的作用与方法.mp4
| | 09 基于期望预测最终位置.mp4
| | 10 总结分析.mp4
| |
| +—12 局部特征关键点匹配实战
| | 01 项目与参数配置解读.mp4
| | 02 DEMO效果演示.mp4
| | 03 backbone特征提取模块.mp4
| | 04 注意力机制的作用与效果分析.mp4
| | 05 特征融合模块实现方法.mp4
| | 06 cross关系计算方法实例.mp4
| | 07 粗粒度匹配过程.mp4
| | 08 完成基础匹配模块.mp4
| | 09 精细化调整方法与实例.mp4
| | 10 得到精细化输出结果.mp4
| | 11 通过期望计算最终输出.mp4
| |
| +—13 项目补充-谷歌开源项目BERT源码解读与应用实例
| | 01 BERT开源项目简介.mp4
| | 02 项目参数配置.mp4
| | 03 数据读取模块.mp4
| | 04 数据预处理模块.mp4
| | 05 tfrecord制作.mp4
| | 06 Embedding层的作用.mp4
| | 07 加入额外编码特征.mp4
| | 08 加入位置编码特征.mp4
| | 09 mask机制的作用.mp4
| | 10 构建QKV矩阵.mp4
| | 11 完成Transformer模块构建.mp4
| | 12 训练BERT模型.mp4
| |
| \—14 项目补充-基于BERT的中文情感分析实战
| 01 中文分类数据与任务概述.mp4
| 02 读取处理自己的数据集.mp4
| 03 训练BERT中文分类模型.mp4
|
+—10 图神经网络实战
| +—01 图神经网络基础
| | 01 图神经网络应用领域分析.mp4
| | 02 图基本模块定义.mp4
| | 03 邻接矩阵的定义.mp4
| | 04 GNN中常见任务.mp4
| | 05 消息传递计算方法.mp4
| | 06 多层GCN的作用.mp4
| |
| +—02 图卷积GCN模型
| | 01 GCN基本模型概述.mp4
| | 02 图卷积的基本计算方法.mp4
| | 03 邻接的矩阵的变换.mp4
| | 04 GCN变换原理解读.mp4
| |
| +—03 图模型必备神器PyTorch Geometric安装与使用
| | 01 PyTorch Geometric工具包安装与配置方法.mp4
| | 02 数据集与邻接矩阵格式.mp4
| | 03 模型定义与训练方法.mp4
| | 04 文献引用数据集分类案例实战.mp4
| |
| +—04 使用PyTorch Geometric构建自己的图数据集
| | 01 构建数据集基本方法.mp4
| | 02 数据集与任务背景概述.mp4
| | 03 数据集基本预处理.mp4
| | 04 用户行为图结构创建.mp4
| | 05 数据集创建函数介绍.mp4
| | 06 网络结构定义模块.mp4
| | 07 TopkPooling进行下采样任务.mp4
| | 08 获取全局特征.mp4
| | 09 模型训练与总结.mp4
| |
| +—05 图注意力机制与序列图模型
| | 01 图注意力机制的作用与方法.mp4
| | 02 邻接矩阵计算图Attention.mp4
| | 03 序列图神经网络TGCN应用.mp4
| | 04 序列图神经网络细节.mp4
| |
| +—06 图相似度论文解读
| | 01 要完成的任务分析.mp4
| | 02 基本方法概述解读.mp4
| | 03 图模型提取全局与局部特征.mp4
| | 04 NTN模块的作用与效果.mp4
| | 05 点之间的对应关系计算.mp4
| | 06 结果输出与总结.mp4
| |
| +—07 图相似度计算实战
| | 01 数据集与任务概述.mp4
| | 02 图卷积特征提取模块.mp4
| | 03 分别计算不同Batch点的分布.mp4
| | 04 获得直方图特征结果.mp4
| | 05 图的全局特征构建.mp4
| | 06 NTN图相似特征提取.mp4
| | 07 预测得到相似度结果.mp4
| |
| +—08 基于图模型的轨迹估计
| | 01 数据集与标注信息解读.mp4
| | 02 整体三大模块分析.mp4
| | 03 特征工程的作用与效果.mp4
| | 04 传统方法与现在向量空间对比.mp4
| | 05 输入细节分析.mp4
| | 06 子图模块构建方法.mp4
| | 07 特征融合模块分析.mp4
| | 08 VectorNet输出层分析.mp4
| |
| \—09 图模型轨迹估计实战
| 01 数据与环境配置.mp4
| 02 训练数据准备.mp4
| 03 Agent特征提取方法.mp4
| 04 DataLoader构建图结构.mp4
| 05 SubGraph与Attention模型流程.mp4
|
+—11 3D点云实战
| +—01 3D点云实战 3D点云应用领域分析
| | 01 点云数据概述.mp4
| | 02 点云应用领域与发展分析.mp4
| | 03 点云分割任务.mp4
| | 04 点云补全任务.mp4
| | 05 点云检测与配准任务.mp4
| | 06 点云数据特征提取概述与预告.mp4
| |
| +—02 3D点云PointNet算法
| | 01 3D数据应用领域与点云介绍.mp4
| | 02 点云数据可视化展示.mp4
| | 03 点云数据特性和及要解决的问题.mp4
| | 04 PointNet算法出发点解读.mp4
| | 05 PointNet算法网络架构解读.mp4
| |
| +—03 PointNet++算法解读
| | 01 PointNet升级版算法要解决的问题.mp4
| | 02 最远点采样方法.mp4
| | 03 分组Group方法原理解读.mp4
| | 04 整体流程概述分析.mp4
| | 05 分类与分割问题解决方案.mp4
| | 06 遇到的问题及改进方法分析.mp4
| |
| +—04 Pointnet++项目实战
| | 01 项目文件概述.mp4
| | 02 数据读取模块配置.mp4
| | 03 DEBUG解读网络模型架构.mp4
| | 04 最远点采样介绍.mp4
| | 05 采样得到中心点.mp4
| | 06 组区域划分方法.mp4
| | 07 实现group操作得到各中心簇.mp4
| | 08 特征提取模块整体流程.mp4
| | 09 预测结果输出模块.mp4
| | 10 分类任务总结.mp4
| | 11 分割任务数据与配置概述.mp4
| | 12 分割需要解决的任务概述.mp4
| | 13 上采样完成分割任务.mp4
| |
| +—05 点云补全PF-Net论文解读
| | 01 点云补全要解决的问题.mp4
| | 02 基本解决方案概述.mp4
| | 03 整体网络概述.mp4
| | 04 网络计算流程.mp4
| | 05 输入与计算结果.mp4
| |
| +—06 点云补全实战解读
| | 01 数据与项目配置解读.mp4
| | 02 待补全数据准备方法.mp4
| | 03 整体框架概述.mp4
| | 04 MRE特征提取模块.mp4
| | 05 分层预测输出模块.mp4
| | 06 补全点云数据.mp4
| | 07 判别模块.mp4
| |
| +—07 点云配准及其案例实战
| | 01 点云配准任务概述.mp4
| | 02 配准要完成的目标解读.mp4
| | 03 训练数据构建.mp4
| | 04 任务基本流程.mp4
| | 05 数据源配置方法.mp4
| | 06 参数计算模块解读.mp4
| | 07 基于模型预测输出参数.mp4
| | 08 特征构建方法分析.mp4
| | 09 任务总结.mp4
| |
| \—08 基础补充-对抗生成网络架构原理与实战解析
| 01 对抗生成网络通俗解释.mp4
| 02 GAN网络组成.mp4
| 03 损失函数解释说明.mp4
| 04 数据读取模块.mp4
| 05 生成与判别网络定义.mp4
|
+—12 目标追踪与姿态估计实战
| +—01 课程介绍
| | 01 课程介绍.mp4
| |
| +—02 姿态估计OpenPose系列算法解读
| | 01 姿态估计要解决的问题分析.mp4
| | 02 姿态估计应用领域概述.mp4
| | 03 传统topdown方法的问题.mp4
| | 04 要解决的两个问题分析.mp4
| | 05 基于高斯分布预测关键点位置.mp4
| | 06 各模块输出特征图解读.mp4
| | 07 PAF向量登场.mp4
| | 08 PAF标签设计方法.mp4
| | 09 预测时PAF积分计算方法.mp4
| | 10 匹配方法解读.mp4
| | 11 CPM模型特点.mp4
| | 12 算法流程与总结.mp4
| |
| +—03 OpenPose算法源码分析
| | 01 数据集与路径配置解读.mp4
| | 02 读取图像与标注信息.mp4
| | 03 关键点与躯干特征图初始化.mp4
| | 04 根据关键点位置设计关键点标签.mp4
| | 05 准备构建PAF躯干标签.mp4
| | 06 各位置点归属判断.mp4
| | 07 特征图各点累加向量计算.mp4
| | 08 完成PAF特征图制作.mp4
| | 09 网络模型一阶段输出.mp4
| | 10 多阶段输出与预测.mp4
| |
| +—04 deepsort算法知识点解读
| | 01 卡尔曼滤波通俗解释.mp4
| | 02 卡尔曼滤波要完成的任务.mp4
| | 03 任务本质分析.mp4
| | 04 基于观测值进行最优估计.mp4
| | 05 预测与更新操作.mp4
| | 06 追踪中的状态量.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与deepsort建模流程分析.mp4
| | 11 预测与匹配流程解读.mp4
| | 12 追踪任务流程拆解.mp4
| |
| +—05 deepsort源码解读
| | 01 项目环境配置.mp4
| | 02 参数与DEMO演示.mp4
| | 03 针对检测结果初始化track.mp4
| | 04 对track执行预测操作.mp4
| | 05 状态量预测结果.mp4
| | 06 IOU代价矩阵计算.mp4
| | 07 参数更新操作.mp4
| | 08 级联匹配模块.mp4
| | 09 ReID特征代价矩阵计算.mp4
| | 10 匹配结果与总结.mp4
| |
| +—06 YOLO-V4版本算法解读
| | 01 V4版本整体概述.mp4
| | 02 V4版本贡献解读.mp4
| | 03 数据增强策略分析.mp4
| | 04 DropBlock与标签平滑方法.mp4
| | 05 损失函数遇到的问题.mp4
| | 06 CIOU损失函数定义.mp4
| | 07 NMS细节改进.mp4
| | 08 SPP与CSP网络结构.mp4
| | 09 SAM注意力机制模块.mp4
| | 10 PAN模块解读.mp4
| | 11 激活函数与整体架构总结.mp4
| |
| +—07 V5版本项目配置
| | 01 整体项目概述.mp4
| | 02 训练自己的数据集方法.mp4
| | 03 训练数据参数配置.mp4
| | 04 测试DEMO演示.mp4
| |
| \—08 V5项目工程源码解读
| 01 数据源DEBUG流程解读.mp4
| 02 图像数据源配置.mp4
| 03 加载标签数据.mp4
| 04 Mosaic数据增强方法.mp4
| 05 数据四合一方法与流程演示.mp4
| 06 getItem构建batch.mp4
| 07 网络架构图可视化工具安装.mp4
| 08 V5网络配置文件解读.mp4
| 09 Focus模块流程分析.mp4
| 10 完成配置文件解析任务.mp4
| 11 前向传播计算.mp4
| 12 BottleneckCSP层计算方法.mp4
| 13 1-SPP层计算细节分析.mp4
| 14 2-Head层流程解读.mp4
| 15 上采样与拼接操作.mp4
| 16 输出结果分析.mp4
| 17 超参数解读.mp4
| 18 命令行参数介绍.mp4
| 19 训练流程解读.mp4
| 20 各种训练策略概述.mp4
| 21 模型迭代过程.mp4
|
+—13 面向深度学习的无人驾驶实战
| +—01 深度估计算法原理解读
| | 01 深度估计效果与应用.mp4
| | 02 kitti数据集介绍.mp4
| | 03 使用backbone获取层级特征.mp4
| | 04 差异特征计算边界信息.mp4
| | 05 SPP层的作用.mp4
| | 06 空洞卷积与ASPP.mp4
| | 07 特征拼接方法分析.mp4
| | 08 网络coarse-to-fine过程.mp4
| | 09 权重参数预处理.mp4
| | 10 损失计算.mp4
| |
| +—02 深度估计项目实战
| | 01 项目环境配置解读.mp4
| | 02 数据与标签定义方法.mp4
| | 03 数据集dataloader制作.mp4
| | 04 使用backbone进行特征提取.mp4
| | 05 计算差异特征.mp4
| | 06 权重参数标准化操作.mp4
| | 07 网络结构ASPP层.mp4
| | 08 特征拼接方法解读.mp4
| | 09 输出深度估计结果.mp4
| | 10 损失函数通俗解读.mp4
| | 11 模型DEMO输出结果.mp4
| |
| +—03 车道线检测算法与论文解读
| | 01 数据标签与任务分析.mp4
| | 02 网络整体框架分析.mp4
| | 03 输出结果分析.mp4
| | 04 损失函数计算方法.mp4
| | 05 论文概述分析.mp4
| |
| +—04 基于深度学习的车道线检测项目实战
| | 01 车道数据与标签解读.mp4
| | 02 项目环境配置演示.mp4
| | 03 制作数据集dataloader.mp4
| | 04 车道线标签数据处理.mp4
| | 05 四条车道线标签位置矩阵.mp4
| | 06 grid设置方法.mp4
| | 07 完成数据与标签制作.mp4
| | 08 算法网络结构解读.mp4
| | 09 损失函数计算模块分析.mp4
| | 10 车道线规则损失函数限制.mp4
| | 11 DEMO制作与配置.mp4
| |
| +—05 商汤LoFTR算法解读
| | 01 特征匹配的应用场景.mp4
| | 02 特征匹配的基本流程分析.mp4
| | 03 整体流程梳理分析.mp4
| | 04 CrossAttention的作用与效果.mp4
| | 05 transformer构建匹配特征.mp4
| | 06 粗粒度匹配过程与作用.mp4
| | 07 特征图拆解操作.mp4
| | 08 细粒度匹配的作用与方法.mp4
| | 09 基于期望预测最终位置.mp4
| | 10 总结分析.mp4
| |
| +—06 局部特征关键点匹配实战
| | 01 项目与参数配置解读.mp4
| | 02 DEMO效果演示.mp4
| | 03 backbone特征提取模块.mp4
| | 04 注意力机制的作用与效果分析.mp4
| | 05 特征融合模块实现方法.mp4
| | 06 cross关系计算方法实例.mp4
| | 07 粗粒度匹配过程.mp4
| | 08 完成基础匹配模块.mp4
| | 09 精细化调整方法与实例.mp4
| | 10 得到精细化输出结果.mp4
| | 11 通过期望计算最终输出.mp4
| |
| +—07 三维重建应用与坐标系基础
| | 01 三维重建概述分析.mp4
| | 02 三维重建应用领域概述.mp4
| | 03 成像方法概述.mp4
| | 04 相机坐标系.mp4
| | 05 坐标系转换方法解读.mp4
| | 06 相机内外参.mp4
| | 07 通过内外参数进行坐标变换.mp4
| | 08 相机标定简介.mp4
| |
| +—08 NeuralRecon算法解读
| | 01 任务流程分析.mp4
| | 02 基本框架熟悉.mp4
| | 03 特征映射方法解读.mp4
| | 04 片段融合思想.mp4
| | 05 整体架构重构方法.mp4
| |
| +—09 NeuralRecon项目环境配置
| | 01 数据集下载与配置方法.mp4
| | 02 Scannet数据集内容概述.mp4
| | 03 TSDF标签生成方法.mp4
| | 04 ISSUE的作用.mp4
| | 05 完成依赖环境配置.mp4
| |
| +—10 NeuralRecon项目源码解读
| | 01 Backbone得到特征图.mp4
| | 02 初始化体素位置.mp4
| | 03 坐标映射方法实现.mp4
| | 04 得到体素所对应特征图.mp4
| | 05 插值得到对应特征向量.mp4
| | 06 得到一阶段输出结果.mp4
| | 07 完成三个阶段预测结果.mp4
| | 08 项目总结.mp4
| |
| +—11 TSDF算法与应用
| | 01 TSDF整体概述分析.mp4
| | 02 合成过程DEMO演示.mp4
| | 03 布局初始化操作.mp4
| | 04 TSDF计算基本流程解读.mp4
| | 05 坐标转换流程分析.mp4
| | 06 输出结果融合更新.mp4
| |
| +—12 TSDF实战案例
| | 01 环境配置概述.mp4
| | 02 初始化与数据读取.mp4
| | 03 计算得到TSDF输出.mp4
| |
| +—13 轨迹估计算法与论文解读
| | 01 数据集与标注信息解读.mp4
| | 02 整体三大模块分析.mp4
| | 03 特征工程的作用与效果.mp4
| | 04 传统方法与现在向量空间对比.mp4
| | 05 输入细节分析.mp4
| | 06 子图模块构建方法.mp4
| | 07 特征融合模块分析.mp4
| | 08 VectorNet输出层分析.mp4
| |
| +—14 轨迹估计预测实战
| | 01 数据与环境配置.mp4
| | 02 训练数据准备.mp4
| | 03 Agent特征提取方法.mp4
| | 04 DataLoader构建图结构.mp4
| | 05 SubGraph与Attention模型流程.mp4
| |
| \—15 特斯拉无人驾驶解读
| 01 特斯拉无人驾驶解读.mp4
|
+—14 对比学习与多模态任务实战
| +—01 对比学习算法与实例
| | 01 对比学习算法与实例.mp4
| |
| +—02 CLIP系列
| | 01 CLIP系列.mp4
| |
| +—03 多模态3D目标检测算法源码解读
| | 01 环境配置与数据集概述.mp4
| | 02 数据与标注文件介绍.mp4
| | 03 基本流程梳理并进入debug模式.mp4
| | 04 数据与图像特征提取模块.mp4
| | 05 体素索引位置获取.mp4
| | 06 体素特征提取方法解读.mp4
| | 07 体素特征计算方法分析.mp4
| | 08 全局体素特征提取.mp4
| | 09 多模态特征融合.mp4
| | 10 3D卷积特征融合.mp4
| | 11 输出层预测结果.mp4
| |
| +—04 多模态文字识别
| | 01 多模态文字识别.mp4
| |
| \—05 ANINET源码解读
| 01 数据集与环境概述.mp4
| 02 配置文件修改方法.mp4
| 03 Bakbone模块得到特征.mp4
| 04 视觉Transformer模块的作用.mp4
| 05 视觉模型中的编码与解码的效果.mp4
| 06 文本模型中的结构分析.mp4
| 07 迭代修正模块.mp4
| 08 输出层与损失计算.mp4
|
+—15 缺陷检测实战
| +—01 课程介绍
| | 01 课程介绍.mp4
| |
| +—02 物体检框架YOLO-V4版本算法解读
| | 01 V4版本整体概述.mp4
| | 01 源码【内有百度云地址,自取】.txt
| | 02 V4版本贡献解读.mp4
| | 03 数据增强策略分析.mp4
| | 04 DropBlock与标签平滑方法.mp4
| | 05 损失函数遇到的问题.mp4
| | 06 CIOU损失函数定义.mp4
| | 07 NMS细节改进.mp4
| | 08 SPP与CSP网络结构.mp4
| | 09 SAM注意力机制模块.mp4
| | 10 PAN模块解读.mp4
| | 11 激活函数与整体架构总结.mp4
| |
| +—03 物体检测框架YOLOV5版本项目配置
| | 01 整体项目概述.mp4
| | 02 训练自己的数据集方法.mp4
| | 03 训练数据参数配置.mp4
| | 04 测试DEMO演示.mp4
| |
| +—04 物体检测框架YOLOV5项目工程源码解读
| | 01 数据源DEBUG流程解读.mp4
| | 02 图像数据源配置.mp4
| | 03 加载标签数据.mp4
| | 04 Mosaic数据增强方法.mp4
| | 05 数据四合一方法与流程演示.mp4
| | 06 getItem构建batch.mp4
| | 07 网络架构图可视化工具安装.mp4
| | 08 V5网络配置文件解读.mp4
| | 09 Focus模块流程分析.mp4
| | 10 完成配置文件解析任务.mp4
| | 11 前向传播计算.mp4
| | 12 BottleneckCSP层计算方法.mp4
| | 13 SPP层计算细节分析.mp4
| | 14 Head层流程解读.mp4
| | 15 上采样与拼接操作.mp4
| | 16 输出结果分析.mp4
| | 17 超参数解读.mp4
| | 18 命令行参数介绍.mp4
| | 19 训练流程解读.mp4
| | 20 各种训练策略概述.mp4
| | 21 模型迭代过程.mp4
| |
| +—05 基于YOLOV5的钢材缺陷检测实战
| | 01 任务需求与项目概述.mp4
| | 02 数据与标签配置方法.mp4
| | 03 标签转换格式脚本制作.mp4
| | 04 各版本模型介绍分析.mp4
| | 05 项目参数配置.mp4
| | 06 缺陷检测模型训练.mp4
| | 07 输出结果与项目总结.mp4
| |
| +—06 Semi-supervised布料缺陷检测实战
| | 01 任务目标与流程概述.mp4
| | 02 论文思想与模型分析.mp4
| | 03 项目配置解读.mp4
| | 04 网络流程分析.mp4
| | 05 输出结果展示.mp4
| |
| +—07 Opencv图像常用处理方法实例
| | 01 计算机眼中的图像.mp4
| | 02 视频的读取与处理(1).mp4
| | 02 视频的读取与处理.mp4
| | 03 ROI区域.mp4
| | 04 边界填充.mp4
| | 05 数值计算.mp4
| | 06 图像阈值.mp4
| | 07 图像平滑处理.mp4
| | 08 高斯与中值滤波.mp4
| | 09 腐蚀操作.mp4
| | 10 膨胀操作.mp4
| | 11 开运算与闭运算.mp4
| | 12 梯度计算.mp4
| | 13 礼帽与黑帽.mp4
| |
| +—08 Opencv梯度计算与边缘检测实例
| | 01 Canny边缘检测流程.mp4
| | 02 非极大值抑制.mp4
| | 03 边缘检测效果.mp4
| | 04 Sobel算子.mp4
| | 05 梯度计算方法.mp4
| | 06 scharr与lapkacian算子(1).mp4
| | 06 scharr与lapkacian算子.mp4
| |
| +—09 Opencv轮廓检测与直方图
| | 01 图像金字塔定义.mp4
| | 02 金字塔制作方法.mp4
| | 03 轮廓检测方法.mp4
| | 04 轮廓检测结果.mp4
| | 05 轮廓特征与近似.mp4
| | 06 模板匹配方法.mp4
| | 07 匹配效果展示.mp4
| | 08 直方图定义.mp4
| | 09 均衡化原理.mp4
| | 10 均衡化效果.mp4
| | 11 傅里叶概述.mp4
| | 12 频域变换结果.mp4
| | 13 低通与高通滤波.mp4
| |
| +—10 基于Opencv缺陷检测项目实战
| | 01 任务需求与环境配置.mp4
| | 02 数据读取与基本处理.mp4
| | 03 缺陷形态学操作.mp4
| | 04 整体流程解读.mp4
| | 05 缺陷检测效果演示.mp4
| |
| +—11 基于视频流水线的Opencv缺陷检测项目
| | 01 数据与任务概述.mp4
| | 02 视频数据读取与轮廓检测.mp4
| | 03 目标质心计算.mp4
| | 04 视频数据遍历方法.mp4
| | 05 缺陷区域提取.mp4
| | 06 不同类型的缺陷检测方法.mp4
| | 07 检测效果演示.mp4
| |
| +—12 图像分割deeplab系列算法
| | 01 deeplab分割算法概述.mp4
| | 02 空洞卷积的作用.mp4
| | 03 感受野的意义.mp4
| | 04 SPP层的作用.mp4
| | 05 ASPP特征融合策略.mp4
| | 06 deeplabV3Plus版本网络架构.mp4
| |
| +—13 基于deeplabV3+版本进行VOC分割实战
| | 01 PascalVoc数据集介绍.mp4
| | 02 项目参数与数据集读取.mp4
| | 03 网络前向传播流程.mp4
| | 04 ASPP层特征融合.mp4
| | 05 分割模型训练.mp4
| |
| \—14 Deeplab铁质材料缺陷检测与开源项目应用流程
| 01 数据集与任务概述.mp4
| 02 开源项目应用方法.mp4
| 03 github与kaggle中需要注意的点.mp4
| 04 源码的利用方法.mp4
| 04 源码的利用方法_ev.mp4
| 05 数据集制作方法_ev.mp4
| 06 数据路径配置_ev.mp4
| 07 训练模型_ev.mp4
| 08 任务总结_ev.mp4
|
+—16 行人重识别实战
| +—01 行人重识别原理及其应用
| | 01 行人重识别要解决的问题_ev.mp4
| | 02 挑战与困难分析_ev.mp4
| | 03 评估标准rank1指标_ev.mp4
| | 04 map值计算方法_ev.mp4
| | 05 triplet损失计算实例_ev.mp4
| | 06 Hard-Negative方法应用_ev.mp4
| |
| +—02 基于注意力机制的Reld模型论文解读
| | 01 论文整体思想及注意力机制的作用解读_ev.mp4
| | 02 空间权重值计算流程分析_ev.mp4
| | 03 融合空间注意力所需特征_ev.mp4
| | 04 基于特征图的注意力计算_ev.mp4
| |
| +—03 基于Attention的行人重识别项目实战
| | 01 项目环境与数据集配置_ev.mp4
| | 02 参数配置与整体架构分析_ev.mp4
| | 03 进入debug模式解读网络计算流程_ev.mp4
| | 04 获得空间位置点之间的关系_ev.mp4
| | 05 组合关系特征图_ev.mp4
| | 06 计算得到位置权重值_ev.mp4
| | 07 基于特征图的权重计算_ev.mp4
| | 08 损失函数计算实例解读_ev.mp4
| | 09 训练与测试模块演示_ev.mp4
| |
| +—04 AAAI2020顶会算法精讲
| | 01 论文整体框架概述_ev.mp4
| | 02 局部特征与全局关系计算方法_ev.mp4
| | 03 特征分组方法_ev.mp4
| | 04 GCP模块特征融合方法_ev.mp4
| | 05 oneVsReset方法实例_ev.mp4
| | 06 损失函数应用位置_ev.mp4
| |
| +—05 项目实战-基于行人局部特征融合的再识别实战
| | 01 项目配置与数据集介绍_ev.mp4
| | 02 数据源构建方法分析_ev.mp4
| | 03 dataloader加载顺序解读_ev.mp4
| | 04 debug模式解读_ev.mp4
| | 05 网络计算整体流程演示_ev.mp4
| | 06 特征序列构建_ev.mp4
| | 07 GCP全局特征提取_ev.mp4
| | 08 局部特征提取实例_ev.mp4
| | 09 特征组合汇总_ev.mp4
| | 10 得到所有分组特征结果_ev.mp4
| | 11 损失函数与训练过程演示_ev.mp4
| | 12 测试与验证模块_ev.mp4
| |
| +—06 旷视研究院最新算法解读(基于图模型)
| | 01 关键点位置特征构建_ev.mp4
| | 02 图卷积与匹配的作用_ev.mp4
| | 03 局部特征热度图计算_ev.mp4
| | 04 基于图卷积构建人体拓扑关系_ev.mp4
| | 05 图卷积模块实现方法_ev.mp4
| | 06 图匹配在行人重识别中的作用_ev.mp4
| | 07 整体算法框架分析_ev.mp4
| |
| \—07 基于拓扑图的行人重识别项目实战
| 01 数据集与环境配置概述_ev.mp4
| 02 局部特征准备方法_ev.mp4
| 03 得到一阶段热度图结果_ev.mp4
| 04 阶段监督训练_ev.mp4
| 05 初始化图卷积模型_ev.mp4
| 06 mask矩阵的作用_ev.mp4
| 07 邻接矩阵学习与更新_ev.mp4
| 08 基于拓扑结构组合关键点特征_ev.mp4
| 09 图匹配模块计算流程_ev.mp4
| 10 整体项目总结_ev.mp4
|
+—17 对抗生成网络实战
| +—01 课程介绍
| | 01 课程介绍_ev.mp4
| |
| +—02 对抗生成网络架构原理与实战解析
| | 01 对抗生成网络通俗解释_ev.mp4
| | 02 GAN网络组成_ev.mp4
| | 03 损失函数解释说明_ev.mp4
| | 04 数据读取模块_ev.mp4
| | 05 生成与判别网络定义_ev.mp4
| |
| +—03 基于CycleGan开源项目实战图像合成
| | 01 CycleGan网络所需数据_ev.mp4
| | 02 CycleGan整体网络架构_ev.mp4
| | 03 PatchGan判别网络原理_ev.mp4
| | 04 Cycle开源项目简介_ev.mp4
| | 05 数据读取与预处理操作_ev.mp4
| | 06 生成网络模块构造_ev.mp4
| | 07 判别网络模块构造_ev.mp4
| | 08 损失函数:identity loss计算方法_ev.mp4
| | 09 生成与判别损失函数指定_ev.mp4
| | 10 额外补充:VISDOM可视化配置_ev.mp4
| |
| +—04 stargan论文架构解析
| | 01 stargan效果演示分析_ev.mp4
| | 02 网络架构整体思路解读_ev.mp4
| | 03 建模流程分析_ev.mp4
| | 04 V1版本存在的问题及后续改进思路_ev.mp4
| | 05 V2版本在整体网络架构_ev.mp4
| | 06 编码器训练方法_ev.mp4
| | 07 损失函数公式解析_ev.mp4
| | 08 训练过程分析_ev.mp4
| |
| +—05 stargan项目实战及其源码解读
| | 01 测试模块效果与实验分析_ev.mp4
| | 02 项目配置与数据源下载_ev.mp4
| | 03 测试效果演示_ev.mp4
| | 04 项目参数解析_ev.mp4
| | 05 生成器模块源码解读_ev.mp4
| | 06 所有网络模块构建实例_ev.mp4
| | 07 数据读取模块分析_ev.mp4
| | 08 判别器损失计算_ev.mp4
| | 09 损失计算详细过程_ev.mp4
| | 10 生成模块损失计算_ev.mp4
| |
| +—06 基于starganvc2的变声器论文原理解读
| | 01 论文整体思路与架构解读_ev.mp4
| | 02 VCC2016输入数据_ev.mp4
| | 03 语音特征提取_ev.mp4
| | 04 生成器模型架构分析_ev.mp4
| | 05 InstanceNorm的作用解读_ev.mp4
| | 06 AdaIn的目的与效果_ev.mp4
| | 07 判别器模块分析_ev.mp4
| |
| +—07 starganvc2变声器项目实战及其源码解读
| | 01 数据与项目文件解读_ev.mp4
| | 02 环境配置与工具包安装_ev.mp4
| | 03 数据预处理与声音特征提取_ev.mp4
| | 04 生成器构造模块解读_ev.mp4
| | 05 下采样与上采样操作_ev.mp4
| | 06 starganvc2版本标签输入分析_ev.mp4
| | 07 生成器前向传播维度变化_ev.mp4
| | 08 判别器模块解读_ev.mp4
| | 09 论文损失函数_ev.mp4
| | 10 源码损失计算流程_ev.mp4
| | 11 测试模块-生成转换语音_ev.mp4
| |
| +—08 图像超分辨率重构实战
| | 01 论文概述_ev.mp4
| | 02 网络架构_ev.mp4
| | 03 数据与环境配置_ev.mp4
| | 04 数据加载与配置_ev.mp4
| | 05 生成模块_ev.mp4
| | 06 判别模块_ev.mp4
| | 07 VGG特征提取网络_ev.mp4
| | 08 损失函数与训练_ev.mp4
| | 09 测试模块_ev.mp4
| |
| \—09 基于GAN的图像补全实战
| 01 论文概述_ev.mp4
| 02 网络架构_ev.mp4
| 03 细节设计_ev.mp4
| 04 论文总结_ev.mp4
| 05 数据与项目概述_ev.mp4
| 06 参数基本设计_ev.mp4
| 07 网络结构配置_ev.mp4
| 08 网络迭代训练_ev.mp4
| 09 测试模块_ev.mp4
|
+—18 强化学习实战系列
| +—01 强化学习简介及其应用
| | 01 一张图通俗解释强化学习_ev.mp4
| | 02 强化学习的指导依据_ev.mp4
| | 03 强化学习AI游戏DEMO_ev.mp4
| | 04 应用领域简介_ev.mp4
| | 05 强化学习工作流程_ev.mp4
| | 06 计算机眼中的状态与行为_ev.mp4
| |
| +—02 PPO算法与公式推导
| | 01 基本情况介绍_ev.mp4
| | 02 与环境交互得到所需数据_ev.mp4
| | 03 要完成的目标分析_ev.mp4
| | 04 策略梯度推导_ev.mp4
| | 05 baseline方法_ev.mp4
| | 06 OnPolicy与OffPolicy策略_ev.mp4
| | 07 importance sampling的作用_ev.mp4
| | 08 PPO算法整体思路解析_ev.mp4
| |
| +—03 PPO实战-月球登陆器训练实例
| | 01 Critic的作用与效果_ev.mp4
| | 02 PPO2版本公式解读_ev.mp4
| | 03 参数与网络结构定义_ev.mp4
| | 04 得到动作结果_ev.mp4
| | 05 奖励获得与计算_ev.mp4
| | 06 参数迭代与更新_ev.mp4
| |
| +—04 Q-learning与DQN算法
| | 01 整体任务流程演示_ev.mp4
| | 02 探索与action获取_ev.mp4
| | 03 计算target值_ev.mp4
| | 04 训练与更新_ev.mp4
| | 05 算法原理通俗解读_ev.mp4
| | 06 目标函数与公式解析_ev.mp4
| | 07 Qlearning算法实例解读_ev.mp4
| | 08 Q值迭代求解_ev.mp4
| | 09 DQN简介_ev.mp4.baiduyun.p.downloading
| |
| +—05 DQN算法实例演示
| | 01 整体任务流程演示_ev.mp4.baiduyun.p.downloading
| | 02 探索与action获取_ev.mp4.baiduyun.p.downloading
| | 03 计算target值_ev.mp4
| | 04 训练与更新_ev.mp4
| |
| +—06 DQN改进与应用技巧
| | 01 DoubleDqn要解决的问题_ev.mp4
| | 02 DuelingDqn改进方法_ev.mp4
| | 03 Dueling整体网络架构分析_ev.mp4
| | 04 MultiSetp策略_ev.mp4
| | 05 连续动作处理方法_ev.mp4
| |
| +—07 Actor-Critic算法分析(A3C)
| | 01 AC算法回顾与知识点总结_ev.mp4
| | 02 优势函数解读与分析_ev.mp4
| | 03 计算流程实例_ev.mp4
| | 04 A3C整体架构分析_ev.mp4
| | 05 损失函数整理_ev.mp4
| |
| \—08 用A3C玩转超级马里奥
| 01 整体流程与环境配置_ev.mp4
| 02 启动游戏环境_ev.mp4
| 03 要计算的指标回顾_ev.mp4
| 04 初始化局部模型并加载参数_ev.mp4
| 05 与环境交互得到训练数据_ev.mp4
| 06 训练网络模型_ev.mp4
|
+—19 Openai顶级黑科技算法及其项目实战
| +—01 GPT系列生成模型
| | 01 GPT系列_ev.mp4
| |
| +—02 GPT建模与预测流程
| | 01 生成模型可以完成的任务概述_ev.mp4
| | 02 数据样本生成方法_ev.mp4
| | 03 训练所需参数解读_ev.mp4
| | 04 模型训练过程_ev.mp4
| | 05 部署与网页预测展示_ev.mp4
| |
| +—03 CLIP系列
| | 01 CLIP系列_ev.mp4
| |
| +—04 Diffusion模型解读
| | 01 Diffusion模型解读_ev.mp4
| |
| +—05 Dalle2及其源码解读
| | 01 Dalle2源码解读_ev.mp4
| |
| \—06 ChatGPT
| 01 ChatGPT_ev.mp4
|
+—20 面向医学领域的深度学习实战
| +—01 卷积神经网络原理与参数解读
| | 01 卷积神经网络应用领域_ev.mp4
| | 02 卷积的作用_ev.mp4
| | 03 卷积特征值计算方法_ev.mp4
| | 04 得到特征图表示_ev.mp4
| | 05 步长与卷积核大小对结果的影响_ev.mp4
| | 06 边缘填充方法_ev.mp4
| | 07 特征图尺寸计算与参数共享_ev.mp4
| | 08 池化层的作用_ev.mp4
| | 09 整体网络架构_ev.mp4
| | 10 VGG网络架构_ev.mp4
| | 11 残差网络Resnet_ev.mp4
| | 12 感受野的作用_ev.mp4
| |
| +—02 PyTorch框架基本处理操作
| | 01 PyTorch实战课程简介_ev.mp4
| | 02 PyTorch框架发展趋势简介_ev.mp4
| | 03 框架安装方法(CPU与GPU版本)_ev.mp4
| | 04 PyTorch基本操作简介_ev.mp4
| | 05 自动求导机制_ev.mp4
| | 06 线性回归DEMO-数据与参数配置_ev.mp4
| | 07 线性回归DEMO-训练回归模型_ev.mp4
| | 08 补充:常见tensor格式_ev.mp4
| | 09 补充:Hub模块简介_ev.mp4
| |
| +—03 PyTorch框架必备核心模块解读
| | 01 卷积网络参数定义_ev.mp4
| | 02 网络流程解读_ev.mp4
| | 03 Vision模块功能解读_ev.mp4
| | 04 分类任务数据集定义与配置_ev.mp4
| | 05 图像增强的作用_ev.mp4
| | 06 数据预处理与数据增强模块_ev.mp4
| | 07 Batch数据制作_ev.mp4
| | 08 迁移学习的目标_ev.mp4
| | 09 迁移学习策略_ev.mp4
| | 10 加载训练好的网络模型_ev.mp4
| | 11 优化器模块配置_ev.mp4
| | 12 实现训练模块_ev.mp4
| | 13 训练结果与模型保存_ev.mp4
| | 14 加载模型对测试数据进行预测_ev.mp4
| | 15 额外补充-Resnet论文解读_ev.mp4
| | 16 额外补充-Resnet网络架构解读_ev.mp4
| |
| +—04 基于Resnet的医学数据集分类实战
| | 01 医学疾病数据集介绍_ev.mp4
| | 02 Resnet网络架构原理分析_ev.mp4
| | 03 dataloader加载数据集_ev.mp4
| | 04 Resnet网络前向传播_ev.mp4
| | 05 残差网络的shortcut操作_ev.mp4
| | 06 特征图升维与降采样操作_ev.mp4
| | 07 网络整体流程与训练演示_ev.mp4
| |
| +—05 图像分割及其损失函数概述
| | 01 语义分割与实例分割概述_ev.mp4
| | 02 分割任务中的目标函数定义_ev.mp4
| | 03 MIOU评估标准_ev.mp4
| |
| +—06 Unet系列算法讲解
| | 01 Unet网络编码与解码过程_ev.mp4
| | 02 网络计算流程_ev.mp4
| | 03 Unet升级版本改进_ev.mp4
| | 04 后续升级版本介绍_ev.mp4
| |
| +—07 unet医学细胞分割实战
| | 01 医学细胞数据集介绍与参数配置_ev.mp4
| | 02 数据增强工具_ev.mp4
| | 03 Debug模式演示网络计算流程_ev.mp4
| | 04 特征融合方法演示_ev.mp4
| | 05 迭代完成整个模型计算任务_ev.mp4
| | 06 模型效果验证_ev.mp4
| |
| +—08 deeplab系列算法
| | 01 deeplab分割算法概述_ev.mp4
| | 02 空洞卷积的作用_ev.mp4
| | 03 感受野的意义_ev.mp4
| | 04 SPP层的作用_ev.mp4
| | 05 ASPP特征融合策略_ev.mp4
| | 06 deeplabV3Plus版本网络架构_ev.mp4
| |
| +—09 基于deeplabV3+版本进行VOC分割实战
| | 01 PascalVoc数据集介绍_ev.mp4
| | 02 项目参数与数据集读取_ev.mp4
| | 03 网络前向传播流程_ev.mp4
| | 04 ASPP层特征融合_ev.mp4
| | 05 分割模型训练_ev.mp4
| |
| +—10 基于deeplab的心脏视频数据诊断分析
| | 01 数据集与任务概述_ev.mp4
| | 02 项目基本配置参数_ev.mp4
| | 03 任务流程解读_ev.mp4
| | 04 文献报告分析_ev.mp4
| | 05 补充:视频数据源特征处理方法概述_ev.mp4
| | 06 补充:R(2plus1)D处理方法分析_ev.mp4
| |
| +—11 YOLO系列物体检测算法原理解读
| | 01 检测任务中阶段的意义_ev.mp4
| | 02 不同阶段算法优缺点分析_ev.mp4
| | 03 IOU指标计算_ev.mp4
| | 04 评估所需参数计算_ev.mp4
| | 05 map指标计算_ev.mp4
| | 06 YOLO算法整体思路解读_ev.mp4
| | 07 检测算法要得到的结果_ev.mp4
| | 08 整体网络架构解读_ev.mp4
| | 09 位置损失计算_ev.mp4
| | 10 置信度误差与优缺点分析_ev.mp4
| | 11 V2版本细节升级概述_ev.mp4
| | 12 网络结构特点_ev.mp4
| | 13 架构细节解读_ev.mp4
| | 14 基于聚类来选择先验框尺寸_ev.mp4
| | 15 偏移量计算方法_ev.mp4
| | 16 坐标映射与还原_ev.mp4
| | 17 感受野的作用_ev.mp4
| | 18 特征融合改进_ev.mp4
| | 19 V3版本改进概述_ev.mp4
| | 20 多scale方法改进与特征融合_ev.mp4
| | 21 经典变换方法对比分析_ev.mp4
| | 22 残差连接方法解读_ev.mp4
| | 23 整体网络模型架构分析_ev.mp4
| | 24 先验框设计改进_ev.mp4
| | 25 sotfmax层改进_ev.mp4
| | 26 V4版本整体概述_ev.mp4
| | 27 V4版本贡献解读_ev.mp4
| | 28 数据增强策略分析_ev.mp4
| | 29 DropBlock与标签平滑方法_ev.mp4
| | 30 损失函数遇到的问题_ev.mp4
| | 31 CIOU损失函数定义_ev.mp4
| | 32 NMS细节改进_ev.mp4
| | 33 SPP与CSP网络结构_ev.mp4
| | 34 SAM注意力机制模块_ev.mp4
| | 35 PAN模块解读_ev.mp4
| | 36 激活函数与整体架构总结_ev.mp4
| |
| +—12 基于YOLO5细胞检测实战
| | 01 任务与细胞数据集介绍_ev.mp4
| | 02 模型与算法配置参数解读_ev.mp4
| | 03 网络训练流程演示_ev.mp4
| | 04 效果评估与展示_ev.mp4
| | 05 细胞检测效果演示_ev.mp4
| |
| +—13 知识图谱原理解读
| | 01 知识图谱通俗解读_ev.mp4
| | 02 知识图谱在搜索引擎中的应用_ev.mp4
| | 03 知识图谱在医疗领域应用实例_ev.mp4
| | 04 金融与推荐领域的应用_ev.mp4
| | 05 数据获取分析_ev.mp4
| | 06 数据关系抽取分析_ev.mp4
| | 07 常用NLP技术点分析_ev.mp4
| | 08 graph-embedding的作用与效果_ev.mp4
| | 09 金融领域图编码实例_ev.mp4
| | 10 视觉领域图编码实例_ev.mp4
| | 11 图谱知识融合与总结分析_ev.mp4
| |
| +—14 Neo4j数据库实战
| | 01 Neo4j图数据库介绍_ev.mp4
| | 02 Neo4j数据库安装流程演示_ev.mp4
| | 03 可视化例子演示_ev.mp4
| | 04 创建与删除操作演示_ev.mp4
| | 05 数据库更改查询操作演示_ev.mp4
| |
| +—15 基于知识图谱的医药问答系统实战
| | 01 项目概述与整体架构分析_ev.mp4
| | 02 医疗数据介绍及其各字段含义_ev.mp4
| | 03 任务流程概述_ev.mp4
| | 04 环境配置与所需工具包安装_ev.mp4
| | 05 提取数据中的关键字段信息_ev.mp4
| | 06 创建关系边_ev.mp4
| | 07 打造医疗知识图谱模型_ev.mp4
| | 08 加载所有实体数据_ev.mp4
| | 09 实体关键词字典制作_ev.mp4
| | 10 完成对话系统构建_ev.mp4
| |
| +—16 词向量模型与RNN网络架构
| | 01 词向量模型通俗解释_ev.mp4
| | 02 模型整体框架_ev.mp4
| | 03 训练数据构建_ev.mp4
| | 04 CBOW与Skip-gram模型_ev.mp4
| | 05 负采样方案_ev.mp4
| | 06 额外补充-RNN网络模型解读_ev.mp4
| |
| \—17 医学糖尿病数据命名实体识别
| 01 数据与任务介绍_ev.mp4
| 02 整体模型架构_ev.mp4
| 03 数据-标签-语料库处理_ev.mp4
| 04 输入样本填充补齐_ev.mp4
| 05 训练网络模型_ev.mp4
| 06 医疗数据集(糖尿病)实体识别_ev.mp4
|
+—21 深度学习模型部署与剪枝优化实战
| +—01 AIoT人工智能物联网之认识 jetson nano
| | 01 jetson nano 硬件介绍_ev.mp4
| | 02 jetson nano 刷机_ev.mp4
| | 03 jetson nano 系统安装过程_ev.mp4
| | 04 感受nano的GPU算力_ev.mp4
| | 05 安装使用摄像头csi usb_ev.mp4
| |
| +—02 AIoT人工智能物联网之AI 实战
| | 01 jetson-inference 入门_ev.mp4
| | 02 docker 的安装使用_ev.mp4
| | 03 docker中运行分类模型_ev.mp4
| | 04 训练自己的目标检测模型准备_ev.mp4
| | 05 训练出自己目标识别模型a_ev.mp4
| | 06 训练出自己目标识别模型b_ev.mp4
| | 07 转换出onnx模型,并使用_ev.mp4
| |
| +—03 AIoT人工智能物联网之NVIDIA TAO 实用级的训练神器
| | 01 NVIDIA TAO介绍和安装_ev.mp4
| | 02 NVIDIA TAO数据准备和环境设置_ev.mp4
| | 03 NVIDIA TAO数据转换_ev.mp4
| | 04 NVIDIA TAO预训练模型和训练a_ev.mp4
| | 05 NVIDIA TAO预训练模型和训练b_ev.mp4
| | 06 NVIDIA TAO预训练模型和训练c._ev.mp4
| | 07 TAO 剪枝在训练推理验证_ev.mp4
| |
| +—04 AIoT人工智能物联网之deepstream
| | 01 deepstream 介绍安装_ev.mp4
| | 02 deepstream HelloWorld_ev.mp4
| | 03 GStreamer RTP和RTSP1_ev.mp4
| | 04 GStreamer RTP和RTSP2_ev.mp4
| | 05 python实现RTP和RTSP_ev.mp4
| | 06 deepstream推理_ev.mp4
| | 07 deepstream集成yolov4_ev.mp4
| |
| +—05 tensorRT视频
| | 01 源码【内有百度云地址,自取】.txt
| | 01 说在前面_ev.mp4
| | 02 学习工具环境的介绍,自动环境配置_ev.mp4
| | 03 cuda驱动API,课程概述和清单_ev.mp4
| | 04 cuda驱动API,初始化和检查的理解,CUDA错误检查习惯_ev.mp4
| | 05 cuda驱动API,上下文管理设置,以及其作用_ev.mp4
| | 06 cuda驱动API,使用驱动API进行内存分配_ev.mp4
| | 07 cuda运行时API,课程概述和清单_ev.mp4
| | 08 cuda运行时API,第一个运行时程序,hello-cuda_ev.mp4
| | 09 cuda运行时API,内存的学习,pinnedmemory,内存效率问题_ev.mp4
| | 10 cuda运行时API,流的学习,异步任务的管理_ev.mp4
| | 11 cuda运行时API,核函数的定义和使用_ev.mp4
| | 12 cuda运行时API,共享内存的学习_ev.mp4
| | 13 cuda运行时API,使用cuda核函数加速warpaffine_ev.mp4
| | 14 cuda运行时API,使用cuda核函数加速yolov5的后处理_ev.mp4
| | 15 cuda运行时API,错误处理的理解以及错误的传播特性_ev.mp4
| | 16 tensorRT基础,课程概述清单_ev.mp4
| | 17 tensorRT基础,第一个trt程序,实现模型编译的过程_ev.mp4
| | 18 tensorRT基础,实现模型的推理过程_ev.mp4
| | 19 tensorRT基础,模型推理时动态shape的具体实现要点_ev.mp4
| | 20 tensorRT基础,onnx文件及其结构的学习,编辑修改onnx.mkv_ev.mp4
| | 21 tensorRT基础,实际模型上onnx文件的各种操作_ev.mp4
| | 22 tensorRT基础,正确导出onnx的介绍,使得onnx问题尽量少_ev.mp4
| | 23 tensorRT基础,学习使用onnx解析器来读取onnx文件,使用onnx-tensorrt源代码_ev.mp4
| | 24 tensorRT基础,学习从下载onnx-tensorrt到配置好并运行起来全过程_ev.mp4
| | 25 tensorRT基础,学习第一个插件的编写_ev.mp4
| | 26 tensorRT基础,对插件过程进行封装,并实现更容易的插件开发_ev.mp4
| | 27 tensorRT基础,学习编译int8模型,对模型进行int8量化_ev.mp4
| | 28 tensorRT高级,课程概述和清单_ev.mp4
| | 29 tensorRT高级,第一个完整的分类器程序_ev.mp4
| | 30 tensorRT高级,学习yolov5目标检测项目的代码修改、模型导出、编译到推理过程,没有封装_ev.mp4
| | 31 tensorRT高级,学习UNet场景分割项目的代码修改、模型导出、编译到推理过程,没有封装_ev.mp4
| | 32 tensorRT高级,学习alphapose姿态检测项目的代码修改、模型导出、编译到推理过程,没有封装_ev.mp4
| | 33 tensorRT高级,学习如何处理mmdetection框架下yolox模型的导出,并使得正常推理出来_ev.mp4
| | 34 tensorRT高级,学习如何使用onnxruntime进行onnx的模型推理过程_ev.mp4
| | 35 tensorRT高级,学习如何使用openvino进行onnx的模型推理过程_ev.mp4
| | 36 tensorRT高级,学习深度学习中涉及的线程知识_ev.mp4
| | 37 tensorRT高级,学习模型部署时常用的生产者消费者模型,以及future、promise、condition_variable.mkv_ev.mp4
| | 38 tensorRT高级,学习使用RAII资源获取即初始化配合接口模式对代码进行有效封装_ev.mp4
| | 39 tensorRT高级,学习RAII 接口模式下的生产者消费者以及多Batch的实现_ev.mp4
| | 40 tensorRT高级,封装之,模型编译过程封装,简化模型编译代码_ev.mp4
| | 41 tensorRT高级,封装之,内存管理的封装,内存的复用_ev.mp4
| | 42 tensorRT高级,封装之,tensor张量的封装,索引计算,内存标记以及自动复制_ev.mp4
| | 43 tensorRT高级,封装之,infer推理的封装,输入输出tensor的关联_ev.mp4
| | 44 tensorRT高级,封装之,基于生产者消费者实现的yolov5封装_ev.mp4
| | 45 tensorRT高级,封装之,终极封装形态,以及考虑的问题_ev.mp4
| | 46 tensorRT高级,调试方法、思想讨论_ev.mp4
| | 47 tensorRT高级,自动驾驶案例项目self-driving-道路分割分析_ev.mp4
| | 48 tensorRT高级,自动驾驶案例项目self-driving-深度估计分析_ev.mp4
| | 49 tensorRT高级,自动驾驶案例项目self-driving-车道线检测分析_ev.mp4
| | 50 tensorRT高级,学习使用pybind11为python开发扩展模块_ev.mp4
| |
| +—06 pyTorch框架部署实践
| | 01 所需基本环境配置_ev.mp4
| | 02 模型加载与数据预处理_ev.mp4
| | 03 接收与预测模块实现_ev.mp4
| | 04 效果实例演示_ev.mp4
| | 05 源码【内有百度云地址,自取】.txt
| | 05 课程简介_ev.mp4
| |
| +—07 YOLO-V3物体检测部署实例
| | 01 项目所需配置文件介绍_ev.mp4
| | 02 加载参数与模型权重_ev.mp4
| | 03 数据预处理_ev.mp4
| | 04 返回线性预测结果_ev.mp4
| |
| +—08 docker实例演示
| | 01 docker简介_ev.mp4
| | 02 docker安装与配置_ev.mp4
| | 03 阿里云镜像配置_ev.mp4
| | 04 基于docker配置pytorch环境_ev.mp4
| | 05 安装演示环境所需依赖_ev.mp4
| | 06 复制所需配置到容器中_ev.mp4
| | 07 上传与下载配置好的项目_ev.mp4
| |
| +—09 tensorflow-serving实战
| | 01 tf-serving项目获取与配置_ev.mp4
| | 02 加载并启动模型服务_ev.mp4
| | 03 测试模型部署效果_ev.mp4
| | 04 fashion数据集获取_ev.mp4
| | 05 加载fashion模型启动服务_ev.mp4
| |
| +—10 模型剪枝-Network Slimming算法分析
| | 01 论文算法核心框架概述_ev.mp4
| | 02 BatchNorm要解决的问题_ev.mp4
| | 03 BN的本质作用_ev.mp4
| | 04 额外的训练参数解读_ev.mp4
| | 05 稀疏化原理与效果_ev.mp4
| |
| +—11 模型剪枝-Network Slimming实战解读
| | 01 整体案例流程解读_ev.mp4
| | 02 加入L1正则化来进行更新_ev.mp4
| | 03 剪枝模块介绍_ev.mp4
| | 04 筛选需要的特征图_ev.mp4
| | 05 剪枝后模型参数赋值_ev.mp4
| | 06 微调完成剪枝模型_ev.mp4
| |
| \—12 Mobilenet三代网络模型架构
| 01 模型剪枝分析_ev.mp4
| 02 常见剪枝方法介绍_ev.mp4
| 03 mobilenet简介_ev.mp4
| 04 经典卷积计算量与参数量分析_ev.mp4
| 05 深度可分离卷积的作用与效果_ev.mp4
| 06 参数与计算量的比较_ev.mp4
| 07 V1版本效果分析_ev.mp4
| 08 V2版本改进以及Relu激活函数的问题_ev.mp4
| 09 倒残差结构的作用_ev.mp4
| 10 V2整体架构与效果分析_ev.mp4
| 11 V3版本网络架构分析_ev.mp4
| 12 SE模块作用与效果解读_ev.mp4
| 13 代码实现mobilenetV3网络架构_ev.mp4
|
+—22 自然语言处理必备神器Huggingface系列实战
| +—01 Huggingface与NLP介绍解读
| | 01 Huggingface与NLP介绍解读_ev.mp4
| |
| +—02 Transformer工具包基本操作实例解读
| | 01 工具包与任务整体介绍_ev.mp4
| | 02 NLP任务常规流程分析_ev.mp4
| | 03 文本切分方法实例解读_ev.mp4
| | 04 AttentionMask配套使用方法_ev.mp4
| | 05 数据集与模型_ev.mp4
| | 06 数据Dataloader封装_ev.mp4
| | 07 模型训练所需配置参数_ev.mp4
| | 08 模型训练DEMO_ev.mp4
| |
| +—03 transformer原理解读
| | 01 transformer原理解读_ev.mp4
| |
| +—04 BERT系列算法解读
| | 01 BERT模型训练方法解读_ev.mp4
| | 02 ALBERT基本定义_ev.mp4
| | 03 ALBERT中的简化方法解读_ev.mp4
| | 04 RoBerta模型训练方法解读_ev.mp4
| | 05 DistilBert模型解读_ev.mp4
| |
| +—05 文本标注工具与NER实例
| | 01 文本标注工具Doccano配置方法_ev.mp4
| | 02 命名实体识别任务标注方法实例_ev.mp4
| | 03 标注导出与BIO处理_ev.mp4
| | 04 标签处理并完成对齐操作_ev.mp4
| | 05 预训练模型加载与参数配置_ev.mp4
| | 06 模型训练与输出结果预测_ev.mp4
| |
| +—06 文本预训练模型构建实例
| | 01 预训练模型效果分析_ev.mp4
| | 02 文本数据截断处理_ev.mp4
| | 03 预训练模型自定义训练_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初代版本要解决的问题_ev.mp4
| | 04 GPT第二代版本训练策略_ev.mp4
| | 05 采样策略与多样性_ev.mp4
| | 06 GPT3的提示与生成方法_ev.mp4
| | 07 应用场景CODEX分析_ev.mp4
| | 08 DEMO应用演示_ev.mp4
| |
| +—08 GPT训练与预测部署流程
| | 01 源码【内有百度云地址,自取】.txt
| | 01 生成模型可以完成的任务概述_ev.mp4
| | 02 数据样本生成方法_ev.mp4
| | 03 训练所需参数解读_ev.mp4
| | 04 模型训练过程_ev.mp4
| | 05 部署与网页预测展示_ev.mp4
| |
| +—09 文本摘要建模
| | 01 中文商城评价数据处理方法_ev.mp4
| | 01 源码【内有百度云地址,自取】.txt
| | 02 模型训练与测试结果_ev.mp4
| | 03 文本摘要数据标注方法_ev.mp4
| | 04 训练自己标注的数据并测试_ev.mp4
| |
| +—10 图谱知识抽取实战
| | 01 应用场景概述分析_ev.mp4
| | 02 数据标注格式样例分析_ev.mp4
| | 03 数据处理与读取模块_ev.mp4
| | 04 实体抽取模块分析_ev.mp4
| | 05 标签与数据结构定义方法_ev.mp4
| | 06 模型构建与计算流程_ev.mp4
| | 07 网络模型前向计算方法_ev.mp4
| | 08 关系抽取模型训练_ev.mp4
| |
| \—11 补充Huggingface数据集制作方法实例
| 01 数据结构分析_ev.mp4
| 02 Huggingface中的预处理实例_ev.mp4
| 03 数据处理基本流程_ev.mp4
|
+—23 自然语言处理通用框架-BERT实战
| +—01 自然语言处理通用框架BERT原理解读
| | 01 BERT课程简介_ev.mp4
| | 02 BERT任务目标概述_ev.mp4
| | 03 传统解决方案遇到的问题_ev.mp4
| | 04 注意力机制的作用_ev.mp4
| | 05 self-attention计算方法_ev.mp4
| | 06 特征分配与softmax机制_ev.mp4
| | 07 Multi-head的作用_ev.mp4
| | 08 位置编码与多层堆叠_ev.mp4
| | 09 transformer整体架构梳理_ev.mp4
| | 10 BERT模型训练方法_ev.mp4
| | 11 训练实例_ev.mp4
| |
| +—02 谷歌开源项目BERT源码解读与应用实例
| | 01 BERT开源项目简介_ev.mp4
| | 02 项目参数配置_ev.mp4
| | 03 数据读取模块_ev.mp4
| | 04 数据预处理模块_ev.mp4
| | 05 tfrecord数据源制作_ev.mp4
| | 06 Embedding层的作用_ev.mp4
| | 07 加入额外编码特征_ev.mp4
| | 08 加入位置编码特征_ev.mp4
| | 09 mask机制的作用_ev.mp4
| | 10 构建QKV矩阵_ev.mp4
| | 11 完成Transformer模块构建_ev.mp4
| | 12 训练BERT模型_ev.mp4
| |
| +—03 项目实战-基于BERT的中文情感分析实战
| | 01 中文分类数据与任务概述_ev.mp4
| | 02 读取处理自己的数据集_ev.mp4
| | 03 训练BERT中文分类模型_ev.mp4
| |
| +—04 项目实战-基于BERT的中文命名实体识别识别实战
| | 01 命名实体识别数据分析与任务目标_ev.mp4
| | 02 NER标注数据处理与读取_ev.mp4
| | 03 构建BERT与CRF模型_ev.mp4
| |
| +—05 必备基础知识点-woed2vec模型通俗解读
| | 01 词向量模型通俗解释_ev.mp4
| | 02 模型整体框架_ev.mp4
| | 03 训练数据构建_ev.mp4
| | 04 CBOW与Skip-gram模型_ev.mp4
| | 05 负采样方案_ev.mp4
| |
| +—06 必备基础-掌握Tensorflow如何实现word2vec模型
| | 01 数据与任务流程_ev.mp4
| | 02 数据清洗_ev.mp4
| | 03 batch数据制作_ev.mp4
| | 04 网络训练_ev.mp4
| | 05 可视化展示_ev.mp4
| |
| +—07 必备基础知识点-RNN网络架构与情感分析应用实例
| | 01 RNN网络模型解读_ev.mp4
| | 02 NLP应用领域与任务简介_ev.mp4
| | 03 项目流程解读_ev.mp4
| | 04 加载词向量特征_ev.mp4
| | 05 正负样本数据读取_ev.mp4
| | 06 构建LSTM网络模型_ev.mp4
| | 07 训练与测试效果_ev.mp4
| | 08 LSTM情感分析_ev.mp4
| |
| \—08 医学糖尿病数据命名实体识别
| 01 数据与任务介绍_ev.mp4
| 02 整体模型架构_ev.mp4
| 03 数据-标签-语料库处理_ev.mp4
| 04 训练网络模型_ev.mp4
| 05 医疗数据集(糖尿病)实体识别_ev.mp4
| 06 输入样本填充补齐_ev.mp4
|
+—24 自然语言处理经典案例实战
| +—01 NLP常用工具包实战
| | 01 Python字符串处理_ev.mp4
| | 02 正则表达式基本语法_ev.mp4
| | 03 正则常用符号_ev.mp4
| | 04 常用函数介绍_ev.mp4
| | 05 NLTK工具包简介_ev.mp4
| | 06 停用词过滤_ev.mp4
| | 07 词性标注_ev.mp4
| | 08 数据清洗实例_ev.mp4
| | 09 Spacy工具包_ev.mp4
| | 10 名字实体匹配_ev.mp4
| | 11 恐怖袭击分析_ev.mp4
| | 12 统计分析结果_ev.mp4
| | 13 结巴分词器_ev.mp4
| | 14 词云展示_ev.mp4
| |
| +—02 商品信息可视化与文本分析
| | 01 在线商城商品数据信息概述_ev.mp4
| | 02 商品类别划分方式_ev.mp4
| | 03 商品类别可视化展示_ev.mp4
| | 04 商品描述长度对价格的影响分析_ev.mp4
| | 05 关键词的词云可视化展示_ev.mp4
| | 06 基于tf-idf提取关键词信息_ev.mp4
| | 07 通过降维进行可视化展示_ev.mp4
| | 08 聚类分析与主题模型展示_ev.mp4
| |
| +—03 贝叶斯算法
| | 01 贝叶斯算法概述_ev.mp4
| | 02 贝叶斯推导实例_ev.mp4
| | 03 贝叶斯拼写纠错实例_ev.mp4
| | 04 垃圾邮件过滤实例_ev.mp4
| | 05 贝叶斯实现拼写检查器_ev.mp4
| |
| +—04 新闻分类任务实战
| | 01 文本分析与关键词提取_ev.mp4
| | 02 相似度计算_ev.mp4
| | 03 新闻数据与任务简介_ev.mp4
| | 04 TF-IDF关键词提取_ev.mp4
| | 05 LDA建模_ev.mp4
| | 06 基于贝叶斯算法进行新闻分类_ev.mp4
| |
| +—05 HMM隐马尔科夫模型
| | 01 马尔科夫模型_ev.mp4
| | 02 隐马尔科夫模型基本出发点_ev.mp4
| | 03 组成与要解决的问题_ev.mp4
| | 04 暴力求解方法_ev.mp4
| | 05 复杂度计算_ev.mp4
| | 06 前向算法_ev.mp4
| | 07 前向算法求解实例_ev.mp4
| | 08 Baum-Welch算法_ev.mp4
| | 09 参数求解_ev.mp4
| | 10 维特比算法_ev.mp4
| |
| +—06 HMM工具包实战
| | 01 hmmlearn工具包_ev.mp4
| | 02 工具包使用方法_ev.mp4
| | 03 中文分词任务_ev.mp4
| | 04 实现中文分词_ev.mp4
| |
| +—07 语言模型
| | 01 开篇_ev.mp4
| | 02 语言模型_ev.mp4
| | 03 N-gram模型_ev.mp4
| | 04 词向量_ev.mp4
| | 05 神经网络模型_ev.mp4
| | 06 Hierarchical Softmax_ev.mp4
| | 07 CBOW模型实例_ev.mp4
| | 08 CBOW求解目标_ev.mp4
| | 09 锑度上升求解_ev.mp4
| | 10 负采样模型_ev.mp4
| |
| +—08 使用Gemsim构建词向量
| | 01 使用Gensim库构造词向量_ev.mp4
| | 02 维基百科中文数据处理_ev.mp4
| | 03 Gensim构造word2vec模型_ev.mp4
| | 04 测试模型相似度结果_ev.mp4
| |
| +—09 基于word2vec的分类任务
| | 01 影评情感分类_ev.mp4
| | 02 基于词袋模型训练分类器_ev.mp4
| | 03 准备word2vec输入数据_ev.mp4
| | 04 使用gensim构建word2vec词向量(新)_ev.mp4
| |
| +—10 NLP-文本特征方法对比
| | 01 任务概述_ev.mp4
| | 02 词袋模型_ev.mp4
| | 03 词袋模型分析_ev.mp4
| | 04 TFIDF模型_ev.mp4
| | 05 word2vec词向量模型_ev.mp4
| | 06 深度学习模型_ev.mp4
| |
| +—11 NLP-相似度模型
| | 01 任务概述_ev.mp4
| | 02 数据展示_ev.mp4
| | 03 正负样本制作_ev.mp4
| | 04 数据预处理_ev.mp4
| | 05 网络模型定义_ev.mp4
| | 06 基于字符的训练_ev.mp4
| | 07 基于句子的相似度训练_ev.mp4
| |
| +—12 LSTM情感分析
| | 01 RNN网络架构_ev.mp4
| | 02 LSTM网络架构_ev.mp4
| | 03 案例:使用LSTM进行情感分类_ev.mp4
| | 04 情感数据集处理_ev.mp4
| | 05 基于word2vec的LSTM模型_ev.mp4
| |
| +—13 机器人写唐诗
| | 01 任务概述与环境配置_ev.mp4
| | 02 参数配置_ev.mp4
| | 03 数据预处理模块_ev.mp4
| | 04 batch数据制作_ev.mp4
| | 05 RNN模型定义_ev.mp4
| | 06 完成训练模块_ev.mp4
| | 07 训练唐诗生成模型_ev.mp4
| | 08 测试唐诗生成效果_ev.mp4
| |
| \—14 对话机器人
| 01 效果演示_ev.mp4
| 02 参数配置与数据加载_ev.mp4
| 03 数据处理_ev.mp4
| 04 词向量与投影_ev.mp4
| 05 seq网络_ev.mp4
| 06 网络训练_ev.mp4
|
+—25 知识图谱实战系列
| +—01 知识图谱介绍及其应用领域分析
| | 01 知识图谱通俗解读_ev.mp4
| | 02 知识图谱在搜索引擎中的应用_ev.mp4
| | 03 知识图谱在医疗领域应用实例_ev.mp4
| | 04 金融与推荐领域的应用_ev.mp4
| | 05 数据获取分析_ev.mp4
| |
| +—02 知识图谱涉及技术点分析
| | 01 数据关系抽取分析_ev.mp4
| | 02 常用NLP技术点分析_ev.mp4
| | 03 graph-embedding的作用与效果_ev.mp4
| | 04 金融领域图编码实例_ev.mp4
| | 05 视觉领域图编码实例_ev.mp4
| | 06 图谱知识融合与总结分析_ev.mp4
| |
| +—03 Neo4j数据库实战
| | 01 Neo4j图数据库介绍_ev.mp4
| | 02 Neo4j数据库安装流程演示_ev.mp4
| | 03 可视化例子演示_ev.mp4
| | 04 创建与删除操作演示_ev.mp4
| | 05 数据库更改查询操作演示_ev.mp4
| |
| +—04 使用python操作neo4j实例
| | 01 使用Py2neo建立连接_ev.mp4
| | 02 提取所需的指标信息_ev.mp4
| | 03 在图中创建实体_ev.mp4
| | 04 根据给定实体创建关系_ev.mp4
| |
| +—05 基于知识图谱的医药问答系统实战
| | 01 项目概述与整体架构分析_ev.mp4
| | 02 医疗数据介绍及其各字段含义_ev.mp4
| | 03 任务流程概述_ev.mp4
| | 04 环境配置与所需工具包安装_ev.mp4
| | 05 提取数据中的关键字段信息_ev.mp4
| | 06 创建关系边_ev.mp4
| | 07 打造医疗知识图谱模型_ev.mp4
| | 08 加载所有实体数据_ev.mp4
| | 09 实体关键词字典制作_ev.mp4
| | 10 完成对话系统构建_ev.mp4
| |
| +—06 文本关系抽取实践
| | 01 关系抽取要完成的任务演示与分析_ev.mp4
| | 02 LTP工具包概述介绍_ev.mp4
| | 03 pyltp安装与流程演示_ev.mp4
| | 04 得到分词与词性标注结果_ev.mp4
| | 05 依存句法概述_ev.mp4
| | 06 句法分析结果整理_ev.mp4
| | 07 语义角色构建与分析_ev.mp4
| | 08 设计规则完成关系抽取_ev.mp4
| |
| +—07 金融平台风控模型实践
| | 01 竞赛任务目标_ev.mp4
| | 02 图模型信息提取_ev.mp4
| | 03 节点权重特征提取(PageRank)_ev.mp4
| | 04 deepwalk构建图顶点特征_ev.mp4
| | 05 各项统计特征_ev.mp4
| | 06 app安装特征_ev.mp4
| | 07 图中联系人特征_ev.mp4
| |
| \—08 医学糖尿病数据命名实体识别
| 01 数据与任务介绍_ev.mp4
| 02 整体模型架构_ev.mp4
| 03 数据-标签-语料库处理_ev.mp4
| 04 输入样本填充补齐_ev.mp4
| 05 训练网络模型_ev.mp4
| 06 医疗数据集(糖尿病)实体识别_ev.mp4
|
+—26 语音识别实战系列
| +—01 seq2seq序列网络模型
| | 01 序列网络模型概述分析_ev.mp4
| | 02 工作原理概述_ev.mp4
| | 03 注意力机制的作用_ev.mp4
| | 04 加入attention的序列模型整体架构_ev.mp4
| | 05 TeacherForcing的作用与训练策略_ev.mp4
| | 06 额外补充-RNN网络模型解读_ev.mp4
| |
| +—02 LAS模型语音识别实战
| | 01 数据源与环境配置_ev.mp4
| | 02 语料表制作方法_ev.mp4
| | 03 制作json标注数据_ev.mp4
| | 04 声音数据处理模块解读_ev.mp4
| | 05 Pack与Pad操作解析_ev.mp4
| | 06 编码器模块整体流程_ev.mp4
| | 07 加入注意力机制_ev.mp4
| | 08 计算得到每个输出的attention得分_ev.mp4
| | 09 解码器与训练过程演示_ev.mp4
| |
| +—03 starganvc2变声器论文原理解读
| | 01 论文整体思路与架构解读_ev.mp4
| | 02 VCC2016输入数据_ev.mp4
| | 03 语音特征提取_ev.mp4
| | 04 生成器模型架构分析_ev.mp4
| | 05 InstanceNorm的作用解读_ev.mp4
| | 06 AdaIn的目的与效果_ev.mp4
| | 07 判别器模块分析_ev.mp4
| |
| +—04 staeganvc2变声器源码实战
| | 01 数据与项目文件解读_ev.mp4
| | 02 环境配置与工具包安装_ev.mp4
| | 03 数据预处理与声音特征提取_ev.mp4
| | 04 生成器构造模块解读_ev.mp4
| | 05 下采样与上采样操作_ev.mp4
| | 06 starganvc2版本标签输入分析_ev.mp4
| | 07 生成器前向传播维度变化_ev.mp4
| | 08 判别器模块解读_ev.mp4
| | 09 论文损失函数_ev.mp4
| | 10 源码损失计算流程_ev.mp4
| | 11 测试模块-生成转换语音_ev.mp4
| |
| +—05 语音分离ConvTasnet模型
| | 01 语音分离任务分析_ev.mp4
| | 02 经典语音分离模型概述_ev.mp4
| | 03 DeepClustering论文解读_ev.mp4
| | 04 TasNet编码器结构分析_ev.mp4
| | 05 DW卷积的作用与效果_ev.mp4
| | 06 基于Mask得到分离结果_ev.mp4
| |
| +—06 ConvTasnet语音分离实战
| | 01 数据准备与环境配置_ev.mp4
| | 02 训练任务所需参数介绍_ev.mp4
| | 03 DataLoader定义_ev.mp4
| | 04 采样数据特征编码_ev.mp4
| | 05 编码器特征提取_ev.mp4
| | 06 构建更大的感受区域_ev.mp4
| | 07 解码得到分离后的语音_ev.mp4
| | 08 测试模块所需参数_ev.mp4
| |
| \—07 语音合成tacotron最新版实战
| 01 语音合成项目所需环境配置_ev.mp4
| 02 所需数据集介绍_ev.mp4
| 03 路径配置与整体流程解读_ev.mp4
| 04 Dataloader构建数据与标签_ev.mp4
| 05 编码层要完成的任务_ev.mp4
| 06 得到编码特征向量_ev.mp4
| 07 解码器输入准备_ev.mp4
| 08 解码器流程梳理_ev.mp4
| 09 注意力机制应用方法_ev.mp4
| 10 得到加权的编码向量_ev.mp4
| 11 模型输出结果_ev.mp4
| 12 损失函数与预测_ev.mp4
|
+—27 推荐系统实战系列
| +—01 推荐系统介绍及其应用
| | 01 1-推荐系统通俗解读_ev.mp4
| | 02 2-推荐系统发展简介_ev.mp4
| | 03 3-应用领域与多方位评估指标_ev.mp4
| | 04 4-任务流程与挑战概述_ev.mp4
| | 05 5-常用技术点分析_ev.mp4
| | 06 6-与深度学习的结合_ev.mp4
| |
| +—02 协同过滤与矩阵分解
| | 01 1-协同过滤与矩阵分解简介_ev.mp4
| | 02 2-基于用户与商品的协同过滤_ev.mp4
| | 03 3-相似度计算与推荐实例_ev.mp4
| | 04 4-矩阵分解的目的与效果_ev.mp4
| | 05 5-矩阵分解中的隐向量_ev.mp4
| | 06 6-目标函数简介_ev.mp4
| | 07 7-隐式情况分析_ev.mp4
| | 08 8-Embedding的作用_ev.mp4
| |
| +—03 音乐推荐系统实战
| | 01 1-音乐推荐任务概述_ev.mp4
| | 02 2-数据集整合_ev.mp4
| | 03 3-基于物品的协同过滤_ev.mp4
| | 04 4-物品相似度计算与推荐_ev.mp4
| | 05 5-SVD矩阵分解_ev.mp4
| | 06 6-基于矩阵分解的音乐推荐_ev.mp4
| |
| +—04 知识图谱与Neo4j数据库实例
| | 01 1-知识图谱通俗解读_ev.mp4
| | 02 2-知识图谱在搜索引擎中的应用_ev.mp4
| | 03 3-知识图谱在医疗领域应用实例_ev.mp4
| | 04 4-金融与推荐领域的应用_ev.mp4
| | 05 5-数据获取分析_ev.mp4
| | 06 1-Neo4j图数据库介绍_ev.mp4
| | 07 2-Neo4j数据库安装流程演示_ev.mp4
| | 08 3-可视化例子演示_ev.mp4
| | 09 4-创建与删除操作演示_ev.mp4
| | 10 5-数据库更改查询操作演示_ev.mp4
| |
| +—05 基于知识图谱的电影推荐实战
| | 01 1-知识图谱推荐系统效果演示_ev.mp4
| | 02 2-kaggle电影数据集下载与配置_ev.mp4
| | 03 3-图谱需求与任务流程解读_ev.mp4
| | 04 4-项目所需环境配置安装_ev.mp4
| | 05 5-构建用户电影知识图谱_ev.mp4
| | 06 6-图谱查询与匹配操作_ev.mp4
| | 07 7-相似度计算与推荐引擎构建_ev.mp4
| |
| +—06 点击率估计FM与DeepFM算法
| | 01 1-CTR估计及其经典方法概述_ev.mp4
| | 02 2-高维特征带来的问题_ev.mp4
| | 03 3-二项式特征的作用与挑战_ev.mp4
| | 04 4-二阶公式推导与化简_ev.mp4
| | 05 5-FM算法解析_ev.mp4
| | 06 6-DeepFm整体架构解读_ev.mp4
| | 07 7-输入层所需数据样例_ev.mp4
| | 08 8-Embedding层的作用与总结_ev.mp4
| |
| +—07 DeepFM算法实战
| | 01 1-数据集介绍与环境配置_ev.mp4
| | 02 2-广告点击数据预处理实例_ev.mp4
| | 03 3-数据处理模块Embedding层_ev.mp4
| | 04 4-Index与Value数据制作_ev.mp4
| | 05 5-一阶权重参数设计_ev.mp4
| | 06 6-二阶特征构建方法_ev.mp4
| | 07 7-特征组合方法实例分析_ev.mp4
| | 08 8-完成FM模块计算_ev.mp4
| | 09 9-DNN模块与训练过程_ev.mp4
| |
| +—08 推荐系统常用工具包演示
| | 01 1-环境配置与数据集介绍_ev.mp4
| | 02 2-电影数据集预处理分析_ev.mp4
| | 03 3-surprise工具包基本使用_ev.mp4
| | 04 4-模型测试集结果_ev.mp4
| | 05 5-评估指标概述_ev.mp4
| |
| +—09 基于文本数据的推荐实例
| | 01 1-数据与环境配置介绍_ev.mp4
| | 02 2-数据科学相关数据介绍_ev.mp4
| | 03 3-文本数据预处理_ev.mp4
| | 04 4-TFIDF构建特征矩阵_ev.mp4
| | 05 5-矩阵分解演示_ev.mp4
| | 06 6-LDA主题模型效果演示_ev.mp4
| | 07 7-推荐结果分析_ev.mp4
| |
| +—10 基本统计分析的电影推荐
| | 01 1-电影数据与环境配置_ev.mp4
| | 02 2-数据与关键词信息展示_ev.mp4
| | 03 3-关键词云与直方图展示_ev.mp4
| | 04 4-特征可视化_ev.mp4
| | 05 5-数据清洗概述_ev.mp4
| | 06 6-缺失值填充方法_ev.mp4
| | 07 7-推荐引擎构造_ev.mp4
| | 08 8-数据特征构造_ev.mp4
| | 09 9-得出推荐结果_ev.mp4
| |
| \—11 补充-基于相似度的酒店推荐系统
| 01 1-酒店数据与任务介绍_ev.mp4
| 02 2-文本词频统计_ev.mp4
| 03 3-ngram结果可视化展示_ev.mp4
| 04 4-文本清洗_ev.mp4
| 05 5-相似度计算_ev.mp4
| 06 6-得出推荐结果_ev.mp4
|
+—28 AI课程所需安装软件教程
| \—01 AI课程所需安装软件教程
| 01 AI课程所需安装软件教程_ev.mp4
|
\—29 额外补充
\—01 通用创新点
01 ACMIX(卷积与注意力融合)_ev.mp4
02 GCnet(全局特征融合)_ev.mp4
03 Coordinate_attention_ev.mp4
04 SPD(可替换下采样)_ev.mp4
05 SPP改进_ev.mp4
06 mobileOne(加速)_ev.mp4
07 Deformable(替换selfAttention)_ev.mp4
08 ProbAttention(采样策略)_ev.mp4
09 CrossAttention融合特征_ev.mp4
10 Attention额外加入先验知识_ev.mp4
11 结合GNN构建局部特征_ev.mp4
12 损失函数约束项_ev.mp4
13 自适应可学习参数_ev.mp4
14 Coarse2Fine大框架_ev.mp4
15 只能机器学习模型时凑工作量(特征工程)_ev.mp4
16 自己数据集如何发的好(要开源)_ev.mp4
17 可变形卷积加入方法_ev.mp4
18 在源码中加入各种注意力机制方法_ev.mp4
下载地址:
感谢您的来访,获取更多精彩文章请收藏本站。


















