《人人可復(fù)制的自律行動(dòng)課》&《人人可復(fù)制的高效學(xué)習(xí)課》
《人人可復(fù)制的自律行動(dòng)課》&《人人可復(fù)制的高效學(xué)習(xí)課》
黑馬Python+AI人臉識(shí)別Python人工智能
資源簡(jiǎn)介：
課程來(lái)自于 Python+AI -黑馬- 人臉識(shí)別Python人工智能【完結(jié)】
計(jì)算機(jī)視覺(jué)是一門(mén)涉及計(jì)算機(jī)科學(xué)和人工智能的交叉領(lǐng)域，旨在使計(jì)算機(jī)能夠模擬和理解人類(lèi)視覺(jué)系統(tǒng)，以分析、理解和處理圖像和視頻數(shù)據(jù)。計(jì)算機(jī)視覺(jué)的目標(biāo)包括圖像識(shí)別、物體檢測(cè)、圖像分割、三維重建、人臉識(shí)別、人類(lèi)動(dòng)作分析等。以下是計(jì)算機(jī)視覺(jué)的一些關(guān)鍵概念和任務(wù)：
圖像采集和處理： 計(jì)算機(jī)視覺(jué)通常從攝像頭、圖像文件或視頻流中獲取圖像數(shù)據(jù)。然后，對(duì)圖像進(jìn)行預(yù)處理，包括去噪聲、調(diào)整亮度和對(duì)比度、裁剪和縮放等。
特征提取： 特征提取是從圖像中提取有用信息的過(guò)程。常見(jiàn)的特征包括邊緣、角點(diǎn)、顏色直方圖、紋理等。這些特征用于圖像識(shí)別和分類(lèi)。
圖像分類(lèi)： 圖像分類(lèi)任務(wù)涉及將圖像分為不同的類(lèi)別或標(biāo)簽。深度學(xué)習(xí)技術(shù)如卷積神經(jīng)網(wǎng)絡(luò)（CNN）在圖像分類(lèi)中取得了巨大成功。
物體檢測(cè)： 物體檢測(cè)是識(shí)別圖像中存在的物體并標(biāo)出它們的位置的任務(wù)。一些常見(jiàn)的檢測(cè)算法包括RCNN、YOLO（You Only Look Once）和Faster R-CNN。
圖像分割： 圖像分割任務(wù)將圖像中的不同區(qū)域分離開(kāi)來(lái)，通常用于識(shí)別和分析圖像中的物體邊界。語(yǔ)義分割可用于像素級(jí)別的分類(lèi)。
人臉識(shí)別： 人臉識(shí)別是一種特殊的圖像識(shí)別任務(wù)，用于識(shí)別圖像中的人臉，并將其與已知的人臉進(jìn)行比對(duì)。
三維重建： 三維重建任務(wù)涉及從圖像或多個(gè)圖像中恢復(fù)物體的三維結(jié)構(gòu)。這在計(jì)算機(jī)輔助設(shè)計(jì)和虛擬現(xiàn)實(shí)中有廣泛應(yīng)用。
人體動(dòng)作分析： 人體動(dòng)作分析任務(wù)旨在理解圖像或視頻中的人體動(dòng)作和姿勢(shì)。它在體育分析、監(jiān)控和虛擬人物等領(lǐng)域有應(yīng)用。
深度學(xué)習(xí)： 深度學(xué)習(xí)方法，特別是卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），在計(jì)算機(jī)視覺(jué)中取得了重大突破，使得許多任務(wù)變得更加精確和自動(dòng)化。
應(yīng)用領(lǐng)域： 計(jì)算機(jī)視覺(jué)的應(yīng)用領(lǐng)域包括自動(dòng)駕駛、醫(yī)學(xué)圖像分析、農(nóng)業(yè)、安防監(jiān)控、虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)、圖像搜索和識(shí)別、機(jī)器人技術(shù)等。
Python在計(jì)算機(jī)視覺(jué)領(lǐng)域中非常流行，有許多庫(kù)和框架可供使用，如OpenCV、PyTorch、TensorFlow、scikit-image等。這些工具可以幫助開(kāi)發(fā)人員進(jìn)行圖像處理、特征提取、模型訓(xùn)練和應(yīng)用程序開(kāi)發(fā)，從而實(shí)現(xiàn)各種計(jì)算機(jī)視覺(jué)任務(wù)。
深度學(xué)習(xí)
深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，它模仿人腦的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)進(jìn)行數(shù)據(jù)分析和模式識(shí)別。深度學(xué)習(xí)的核心思想是構(gòu)建深層次的神經(jīng)網(wǎng)絡(luò)，以便從大規(guī)模數(shù)據(jù)中學(xué)習(xí)和提取特征，從而能夠自動(dòng)地進(jìn)行數(shù)據(jù)分類(lèi)、識(shí)別和預(yù)測(cè)。以下是深度學(xué)習(xí)的一些關(guān)鍵概念和應(yīng)用：
神經(jīng)網(wǎng)絡(luò)： 深度學(xué)習(xí)模型通常由多個(gè)神經(jīng)網(wǎng)絡(luò)層組成，包括輸入層、隱藏層和輸出層。每個(gè)神經(jīng)網(wǎng)絡(luò)層包含多個(gè)神經(jīng)元，模擬生物神經(jīng)元之間的連接。
深度學(xué)習(xí)模型： 常見(jiàn)的深度學(xué)習(xí)模型包括多層感知器（MLP）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）、自編碼器（Autoencoder）等。這些模型在不同的任務(wù)中表現(xiàn)出色，如圖像分類(lèi)、語(yǔ)音識(shí)別、自然語(yǔ)言處理等。
訓(xùn)練過(guò)程： 深度學(xué)習(xí)模型通過(guò)訓(xùn)練過(guò)程來(lái)學(xué)習(xí)數(shù)據(jù)的特征和模式。訓(xùn)練過(guò)程使用優(yōu)化算法來(lái)不斷調(diào)整模型參數(shù)，使其能夠最小化預(yù)測(cè)誤差。
反向傳播： 反向傳播是一種用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的算法，它通過(guò)計(jì)算損失函數(shù)的梯度來(lái)調(diào)整模型參數(shù)。這使得模型能夠逐漸提高預(yù)測(cè)的準(zhǔn)確性。
大規(guī)模數(shù)據(jù)： 深度學(xué)習(xí)通常需要大規(guī)模的數(shù)據(jù)集來(lái)進(jìn)行訓(xùn)練，以便模型能夠?qū)W習(xí)到更廣泛的特征和模式?；ヂ?lián)網(wǎng)的普及和大數(shù)據(jù)技術(shù)的發(fā)展使得獲取大規(guī)模數(shù)據(jù)變得更容易。
卷積神經(jīng)網(wǎng)絡(luò)（CNN）： CNN是一種用于圖像處理和計(jì)算機(jī)視覺(jué)任務(wù)的深度學(xué)習(xí)模型，它通過(guò)卷積操作來(lái)提取圖像中的特征。
循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）： RNN用于處理序列數(shù)據(jù)，如文本和時(shí)間序列。它在自然語(yǔ)言處理、語(yǔ)音識(shí)別和機(jī)器翻譯等任務(wù)中非常有用。
遷移學(xué)習(xí)： 遷移學(xué)習(xí)是一種技術(shù)，允許將在一個(gè)任務(wù)上訓(xùn)練的深度學(xué)習(xí)模型應(yīng)用到另一個(gè)相關(guān)任務(wù)上，從而加速模型的訓(xùn)練。
深度學(xué)習(xí)框架： 有許多深度學(xué)習(xí)框架可供使用，如TensorFlow、PyTorch、Keras、Caffe等。這些框架提供了高級(jí)API和工具，簡(jiǎn)化了深度學(xué)習(xí)模型的構(gòu)建和訓(xùn)練。
應(yīng)用領(lǐng)域： 深度學(xué)習(xí)在各個(gè)領(lǐng)域都有廣泛的應(yīng)用，包括計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、語(yǔ)音識(shí)別、醫(yī)學(xué)影像分析、自動(dòng)駕駛、推薦系統(tǒng)等。
深度學(xué)習(xí)已經(jīng)取得了在多個(gè)領(lǐng)域的顯著成就，例如在圖像分類(lèi)、AlphaGo等任務(wù)上取得了超越人類(lèi)的表現(xiàn)。它在解決復(fù)雜問(wèn)題、處理大規(guī)模數(shù)據(jù)和自動(dòng)化決策方面具有潛力，將繼續(xù)在未來(lái)的科學(xué)研究和應(yīng)用程序中發(fā)揮重要作用。如果你有興趣學(xué)習(xí)深度學(xué)習(xí)，可以使用深度學(xué)習(xí)框架和在線資源開(kāi)始學(xué)習(xí)和實(shí)踐。
黑馬Python+AI人臉識(shí)別Python人工智能百度網(wǎng)盤(pán)文件目錄
1-3 卷積神經(jīng)網(wǎng)絡(luò)
1.卷積網(wǎng)絡(luò)原理
1.卷積網(wǎng)絡(luò)原理
01_卷積來(lái)源、數(shù)據(jù)量與感受野的邊緣檢測(cè).mp4
02_卷積網(wǎng)絡(luò)結(jié)構(gòu)介紹.mp4
03_默認(rèn)卷積的運(yùn)算過(guò)程.mp4
04_零填充.mp4
05_過(guò)濾器大小與步長(zhǎng).mp4
06_多通道的卷積與多卷積核.mp4
07_卷積總結(jié).mp4
08_池化層.mp4
09_全連接層.mp4
2.經(jīng)典分類(lèi)結(jié)構(gòu)
2.經(jīng)典分類(lèi)結(jié)構(gòu)
01_LeNet5的計(jì)算過(guò)程詳解.mp4
02_常見(jiàn)網(wǎng)絡(luò)結(jié)構(gòu)介紹.mp4
03_Inception(1×1卷積介紹）.mp4
04_Inception結(jié)構(gòu)以及改進(jìn).mp4
05_GoogleNet了解與卷積網(wǎng)絡(luò)學(xué)習(xí)內(nèi)容.mp4
3.CNN實(shí)戰(zhàn)
3.CNN實(shí)戰(zhàn)
01_作業(yè)介紹.mp4
02_作業(yè)講解.mp4
03_遷移學(xué)習(xí).mp4
1-7 自然語(yǔ)言處理
1.自然語(yǔ)言處理基礎(chǔ)概念
1.自然語(yǔ)言處理基礎(chǔ)概念
0.NLP介紹.mp4
1.NLP的種類(lèi).mp4
2.端對(duì)端深度學(xué)習(xí)模型.mp4
3.詞袋.mp4
4.Seq2Seq.mp4
5.Beam Serch Decoding.mp4
6.Attention.mp4
2.自然語(yǔ)言處理基礎(chǔ)實(shí)作-機(jī)器學(xué)習(xí)篇
2.自然語(yǔ)言處理基礎(chǔ)實(shí)作-機(jī)器學(xué)習(xí)篇
1.機(jī)器學(xué)習(xí)-NLTK_數(shù)據(jù)讀取.mp4
2.機(jī)器學(xué)習(xí)-NLTK_清理數(shù)據(jù).mp4
3.機(jī)器學(xué)習(xí)-NLTK_大小寫(xiě)轉(zhuǎn)換.mp4
4.機(jī)器學(xué)習(xí)-NLTK_去除虛詞.mp4
5.機(jī)器學(xué)習(xí)-NLTK_詞根化.mp4
6.機(jī)器學(xué)習(xí)-NLTK_還原字符串.mp4
7.機(jī)器學(xué)習(xí)-NLTK_稀疏矩陣.mp4
8.機(jī)器學(xué)習(xí)-NLTK_最大過(guò)濾.mp4
9.機(jī)器學(xué)習(xí)-NLTK_建立詞袋模型.mp4
3.自然語(yǔ)言處理基礎(chǔ)實(shí)作-深度學(xué)習(xí)篇
3.自然語(yǔ)言處理基礎(chǔ)實(shí)作-深度學(xué)習(xí)篇
10.深度學(xué)習(xí)-Deep Learning in NLP.mp4
11.深度學(xué)習(xí)-Deep Learning in NLP_模型優(yōu)化.mp4
12.深度學(xué)習(xí)-Deep Learning in NLP_模型加速.mp4
4.自然語(yǔ)言處理核心部分
4.自然語(yǔ)言處理核心部分
1.CNN REIVEW.mp4
2.CNN CODE.mp4
3.RNN REVIEW.mp4
4.RNN CODE.mp4
5.LSTM.mp4
6.LSTM_CODE.mp4
7.文本分類(lèi).mp4
8.文本分類(lèi)的方式.mp4
9.文本分類(lèi)CNN&RNN.mp4
10. 文本分類(lèi) CNN 模型使用.mp4
11. 文本分類(lèi) RNN 搭建.mp4
5.實(shí)戰(zhàn)項(xiàng)目-從無(wú)到有打造聊天機(jī)器人
5.實(shí)戰(zhàn)項(xiàng)目-從無(wú)到有打造聊天機(jī)器人
0.chatbot.mp4
01.chatbot 搭建計(jì)畫(huà).mp4
02.chatbot 環(huán)境搭建下載數(shù)據(jù)集.mp4
03.chatbot 下載數(shù)據(jù)集.mp4
04.chatbot 導(dǎo)入依賴(lài)包.mp4
05.ChatBot 讀取數(shù)據(jù).mp4
06.chatbot 創(chuàng)建對(duì)話(huà)字典.mp4
07. ChatBot 建立對(duì)話(huà)列表.mp4
08. ChatBot 問(wèn)答集.mp4
09.ChatBot 數(shù)據(jù)初步清洗.mp4
10. ChatBot 清理問(wèn)題集&回答集.mp4
11. ChatBot 統(tǒng)計(jì)字頻.mp4
12. ChatBot 標(biāo)記化&去除少數(shù)字.mp4
13. ChatBot 最終標(biāo)記.mp4
14. ChatBot 逆向字典.mp4
15. ChatBot 添加 EOS 標(biāo)簽.mp4
16. ChatBot 問(wèn)答數(shù)列化.mp4
17. ChatBot 長(zhǎng)短句.mp4
18. ChatBot input&output.mp4
19. ChatBot 處理輸出.mp4
20. ChatBot 建立RNN 模型.mp4
21. ChatBot 解碼器訓(xùn)練.mp4
22. ChatBot 解碼器測(cè)試.mp4
23. ChatBot 創(chuàng)建解碼RNN.mp4
24. ChatBot Seq2Seq 模型.mp4
25. ChatBot 設(shè)置超參數(shù).mp4
26.ChatBot 啟動(dòng)運(yùn)算.mp4
27. ChatBot 模型 input.mp4
28. ChatBot 模型輸入序列長(zhǎng)度.mp4
29. ChatBot 設(shè)置輸入的數(shù)據(jù)形狀.mp4
30. ChatBot訓(xùn)練 & 測(cè)試結(jié)果.mp4
31. ChatBot 損失，優(yōu)化，梯度消減.mp4
32. ChatBot 問(wèn)答等長(zhǎng)處理.mp4
33. ChatBot 問(wèn)答數(shù)據(jù)批量.mp4
34. ChatBot 數(shù)據(jù)分割.mp4
35. ChatBot 訓(xùn)練.mp4
36. ChatBot 訓(xùn)練2.mp4
37. ChatBot 測(cè)試.mp4
38. ChatBot 輸入修飾.mp4
39. ChatBot 開(kāi)始聊天.mp4
1-1 深度學(xué)習(xí)基礎(chǔ)
1.深度學(xué)習(xí)介紹
1.深度學(xué)習(xí)介紹
01_深度學(xué)習(xí)課程介紹.mp4
02_深度學(xué)習(xí)介紹.mp4
03_深度學(xué)習(xí)介紹2.mp4
2.神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
2.神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
01_邏輯回歸介紹.mp4
02_邏輯回歸損失函數(shù).mp4
03_梯度下降算法過(guò)程以及公式.mp4
04_導(dǎo)數(shù)意義介紹.mp4
05_a^2函數(shù)的導(dǎo)數(shù)介紹.mp4
06_導(dǎo)數(shù)計(jì)算圖與鏈?zhǔn)椒▌t.mp4
07_邏輯回歸的導(dǎo)數(shù)計(jì)算圖分析以及參數(shù)導(dǎo)數(shù).mp4
08_向量化編程介紹引入.mp4
09_向量化編程的優(yōu)勢(shì).mp4
10_向量化實(shí)現(xiàn)邏輯回歸的梯度計(jì)算更新.mp4
11_正向傳播與反向傳播、作業(yè)介紹.mp4
12_作業(yè)講解題1：實(shí)現(xiàn)sigmoid函數(shù)與梯度實(shí).mp4
13_作業(yè)講解題2：?jiǎn)紊窠?jīng)元神經(jīng)網(wǎng)絡(luò)(logistic)分類(lèi)作業(yè)流程介紹.mp4
14_作業(yè)講解題2：參數(shù)初始化與前向傳播、反向傳播.mp4
15_作業(yè)講解題2：優(yōu)化迭代實(shí)現(xiàn)、model邏輯實(shí)現(xiàn).mp4
16_總結(jié).mp4
3.淺層神經(jīng)網(wǎng)絡(luò)
3.淺層神經(jīng)網(wǎng)絡(luò)
00.淺層神經(jīng)網(wǎng)絡(luò).mp4
01_淺層神經(jīng)網(wǎng)絡(luò)表示.mp4
02_淺層神經(jīng)網(wǎng)絡(luò)的前向傳播.mp4
03_激活函數(shù)的選擇.mp4
04_淺層神經(jīng)網(wǎng)絡(luò)的反向傳播.mp4
05_作業(yè)介紹.mp4
06_作業(yè)實(shí)現(xiàn)：初始化模型與前向傳播.mp4
07_作業(yè)實(shí)現(xiàn)：反向傳播與更新梯度.mp4
08_作業(yè)實(shí)現(xiàn)：網(wǎng)絡(luò)模型邏輯實(shí)現(xiàn).mp4
09_總結(jié).mp4
4.深層神經(jīng)網(wǎng)絡(luò)
4.深層神經(jīng)網(wǎng)絡(luò)
01_深層神經(jīng)網(wǎng)絡(luò)表示.mp4
02_深層神經(jīng)網(wǎng)絡(luò)的反向傳播過(guò)程.mp4
03_參數(shù)初始化與超參數(shù)介紹.mp4
1-9 圖片商品物體檢測(cè)項(xiàng)目第二階段-數(shù)據(jù)集制作與處理
1.數(shù)據(jù)集標(biāo)記
1.數(shù)據(jù)集標(biāo)記
01_目標(biāo)檢測(cè)數(shù)據(jù)集介紹.mp4
02_商品數(shù)據(jù)集標(biāo)記.mp4
2.數(shù)據(jù)集格式轉(zhuǎn)換
2.數(shù)據(jù)集格式轉(zhuǎn)換
01_數(shù)據(jù)集格式轉(zhuǎn)換介紹.mp4
02_格式轉(zhuǎn)換：代碼介紹.mp4
03_格式轉(zhuǎn)換：文件讀取以及存儲(chǔ)邏輯.mp4
04_格式轉(zhuǎn)換：圖片數(shù)據(jù)以及XML讀取.mp4
05_格式轉(zhuǎn)換：example封裝、總結(jié).mp4
3.TFRecords讀取
3.TFRecords讀取
01_slim庫(kù)介紹.mp4
02_TFRecord讀?。篋ataset準(zhǔn)備.mp4
03_TFRecord讀取：provider讀取.mp4
04_第二階段總結(jié).mp4
1-4 循環(huán)神經(jīng)網(wǎng)絡(luò)
1.循環(huán)神經(jīng)網(wǎng)絡(luò)
1.循環(huán)神經(jīng)網(wǎng)絡(luò)
01_循環(huán)神經(jīng)網(wǎng)絡(luò)背景介紹.mp4
02_循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)原理.mp4
03_詞的表示與矩陣形狀運(yùn)算.mp4
04_交叉熵?fù)p失計(jì)算.mp4
05_時(shí)間反向傳播算法.mp4
06_梯度消失、案例介紹.mp4
07_手寫(xiě)RNN案例：?jiǎn)蝹€(gè)cell前向傳播.mp4
08_手寫(xiě)RNN案例：所有cell的前向傳播.mp4
09_手寫(xiě)RNN案例：?jiǎn)蝹€(gè)cell的反向傳播.mp4
10_手寫(xiě)RNN案例：所有cell的反向傳播.mp4
11_案例總結(jié).mp4
12_GRU與LSTM介紹.mp4
2.詞嵌入
2.詞嵌入
01_詞嵌入介紹.mp4
02_詞嵌入案例.mp4
3.seq2seq與Attention機(jī)制
3.seq2seq與Attention機(jī)制
01_seq2seq介紹與理解.mp4
02_seq2seq機(jī)器翻譯等場(chǎng)景介紹分析.mp4
03_Attention原理分析.mp4
04_機(jī)器翻譯案例：日期格式翻譯轉(zhuǎn)換、代碼結(jié)構(gòu)介紹.mp4
05_機(jī)器翻譯案例：模型參數(shù)定義.mp4
06_機(jī)器翻譯案例：數(shù)據(jù)獲取以及數(shù)據(jù)格式轉(zhuǎn)換介紹.mp4
07_機(jī)器翻譯案例：訓(xùn)練邏輯與網(wǎng)絡(luò)結(jié)構(gòu)介紹.mp4
08_機(jī)器翻譯案例：網(wǎng)絡(luò)輸入輸出邏輯介紹.mp4
09_機(jī)器翻譯案例：網(wǎng)絡(luò)輸入輸出邏輯編寫(xiě).mp4
10_機(jī)器翻譯案例：自定義網(wǎng)絡(luò)seq2seq的編解碼器定義.mp4
11_機(jī)器翻譯案例：seq2seq的輸出層定義.mp4
12_機(jī)器翻譯案例：attention結(jié)構(gòu)定義.mp4
13_機(jī)器翻譯案例：model中計(jì)算attention輸出c邏輯函數(shù)實(shí)現(xiàn).mp4
14_機(jī)器翻譯案例：訓(xùn)練邏輯編寫(xiě).mp4
15_機(jī)器翻譯案例：訓(xùn)練結(jié)果與問(wèn)題解決.mp4
16_機(jī)器翻譯案例：測(cè)試邏輯結(jié)果演示.mp4
17_集束搜索介紹.mp4
1-8 圖片商品物體檢測(cè)項(xiàng)目第一階段-檢測(cè)算法原理
1.目標(biāo)檢測(cè)概述
1.目標(biāo)檢測(cè)概述
01_課程要求以及目標(biāo).mp4
02_項(xiàng)目演示結(jié)果.mp4
03_項(xiàng)目結(jié)構(gòu)以及課程安排.mp4
04_圖像識(shí)別背景.mp4
05_目標(biāo)檢測(cè)的定義和技術(shù)歷史.mp4
06_目標(biāo)檢測(cè)應(yīng)用場(chǎng)景.mp4
07_目標(biāo)檢測(cè)算法原理鋪墊.mp4
08_目標(biāo)檢測(cè)任務(wù)描述.mp4
2.RCNN原理
2.RCNN原理
01_Overfeat模型.mp4
02_RCNN：步驟流程介紹.mp4
03_RCNN：候選區(qū)域以及特征提取.mp4
04_RCNN：SVM分類(lèi)器.mp4
05_RCNN：非極大抑制（NMS）.mp4
06_RCNN：候選區(qū)域修正.mp4
07_RCNN：訓(xùn)練過(guò)程與測(cè)試過(guò)程介紹.mp4
08_RCNN：總結(jié)、優(yōu)缺點(diǎn)與問(wèn)題自測(cè).mp4
3.SPPNet原理
3.SPPNet原理
01_SPPNet：與RCNN的區(qū)別、網(wǎng)絡(luò)流程.mp4
02_SPPNet：映射.mp4
03_SPPNet：SPP層的作用.mp4
04_SPPNet：總結(jié)、優(yōu)缺點(diǎn)與問(wèn)題自測(cè).mp4
4.FastRCNN原理
4.FastRCNN原理
01_FastRCNN：改進(jìn)之處以及網(wǎng)絡(luò)流程.mp4
02_FastRCNN：RoI pooling結(jié)構(gòu)以及SPP對(duì)比.mp4
03_FastRCNN：多任務(wù)損失.mp4
04_FastRCNN：總結(jié)與問(wèn)題自測(cè).mp4
5.FasterRCNN原理
5.FasterRCNN原理
01_FasterRCNN：網(wǎng)絡(luò)結(jié)構(gòu)與步驟.mp4
02_FasterRCNN：RPN網(wǎng)絡(luò)的原理.mp4
03_FasterRCNN：總結(jié)與問(wèn)題自測(cè).mp4
6.YOLO原理
6.YOLO原理
01_YOLO：算法特點(diǎn)與流程介紹.mp4
02_YOLO：?jiǎn)卧裨磉^(guò)程.mp4
03_YOLO：訓(xùn)練過(guò)程樣本標(biāo)記.mp4
04_YOLO：總結(jié).mp4
7.SSD原理
7.SSD原理
01_SSD：網(wǎng)絡(luò)結(jié)構(gòu)與Detected結(jié)構(gòu).mp4
02_SSD：localization與confidence.mp4
03_SSD：訓(xùn)練與測(cè)試流程總結(jié).mp4
04_TensorflowSSD接口介紹.mp4
05_第一階段算法總結(jié).mp4
1-6 百度人臉識(shí)別
1.平臺(tái)介紹
1.平臺(tái)介紹
0_課程組成和目標(biāo).mp4
1_3_百度深度學(xué)習(xí)平臺(tái)_介紹.mp4
1_6_人工智能平臺(tái)_服務(wù)開(kāi)通.mp4
1_4_百度深度學(xué)習(xí)平臺(tái)_創(chuàng)建集群.mp4
1_1_訪問(wèn)入口.mp4
1_2_機(jī)器學(xué)習(xí)平臺(tái)_介紹.mp4
1_7_人工智能平臺(tái)_訪問(wèn)方式和SDK安裝.mp4
1_5_百度人工智能平臺(tái)_功能介紹.mp4
2.圖像技術(shù)之人臉識(shí)別
2.圖像技術(shù)之人臉識(shí)別
2_1_7_人臉檢測(cè)_邊框.mp4
2_1_1_人臉識(shí)別功能介紹_開(kāi)通應(yīng)用.mp4
2_1_9_人臉檢測(cè)_SDK方式.mp4
2_1_8_人臉檢測(cè)_性別年齡總結(jié).mp4
2_1_3_人臉檢測(cè)_步驟和代碼瀏覽.mp4
2_1_6_人臉檢測(cè)_圖像坐標(biāo).mp4
2_1_4_人臉檢測(cè)_獲取access_token.mp4
2_1_5_人臉檢測(cè)_調(diào)用API.mp4
2_1_2人臉識(shí)別_API.mp4
3.圖像技術(shù)之圖像識(shí)別
3.圖像技術(shù)之圖像識(shí)別
2_2_10_定制化圖像識(shí)別_物體檢測(cè)_流程.mp4
2_2_6_定制化圖像識(shí)別_圖像分類(lèi)_操作.mp4
2_2_8_定制化圖像識(shí)別_圖像分類(lèi)_代碼實(shí)現(xiàn).mp4
2_2_2_圖像識(shí)別_物體檢測(cè)API_實(shí)例.mp4
2_2_9_定制化圖像識(shí)別_圖像分類(lèi)_迭代和常見(jiàn)問(wèn)題.mp4
2_2_4_圖像檢測(cè)_車(chē)輛檢測(cè).mp4
2_2_11_定制化圖像識(shí)別_物體檢測(cè)API_錯(cuò)誤碼.mp4
2_2_3_圖像檢測(cè)識(shí)別_菜品識(shí)別.mp4
2_2_7_定制化圖像識(shí)別_圖像分類(lèi)_關(guān)聯(lián)和調(diào)用流程.mp4
2_2_5_定制化圖像識(shí)別_特點(diǎn)和功能.mp4
2_2_5_定制化圖像識(shí)別_圖像分類(lèi)_步驟.mp4
2_2_1_圖像識(shí)別功能_應(yīng)用創(chuàng)建.mp4
4.圖像技術(shù)之文字識(shí)別
4.圖像技術(shù)之文字識(shí)別
2_3_1_功能介紹_創(chuàng)建應(yīng)用.mp4
2_3_5_通用票據(jù)識(shí)別.mp4
2_3_2_通用文字識(shí)別_代碼.mp4
2_3_4_車(chē)牌識(shí)別.mp4
2_3_10_分類(lèi)器代碼.mp4
2_3_3_通用文字識(shí)別_其他版本函數(shù).mp4
2_3_9_創(chuàng)建分類(lèi)器.mp4
2_3_8_自定義模板_API和代碼.mp4
2_3_7_自定義模板_實(shí)際創(chuàng)建.mp4
2_3_6_自定義模板_步驟.mp4
5.語(yǔ)音技術(shù)
5.語(yǔ)音技術(shù)
3_1_3_語(yǔ)音識(shí)別案例_案例.mp4
3_2_1語(yǔ)音合成.mp4
3_1_2_語(yǔ)音識(shí)別案例_代碼瀏覽.mp4
3_1_1_語(yǔ)音識(shí)別_介紹和API.mp4
6.自然語(yǔ)言處理
6.自然語(yǔ)言處理
4_1_1_自然語(yǔ)言處理基礎(chǔ)技術(shù).mp4
7.人臉識(shí)別打卡案例
7.人臉識(shí)別打卡案例
5_1_6_案例_主程序2.mp4
5_1_2_案例_人臉?biāo)阉鞔a瀏覽.mp4
5_1_1_案例_前端部分介紹.mp4
5_1_4_案例_添加用戶(hù)_人臉?biāo)阉?mp4
5_1_0_人臉打卡案例_介紹.mp4
5_1_5_案例_主程序1.mp4
5_1_3_案例_獲取token.mp4
1-2 深度學(xué)習(xí)優(yōu)化進(jìn)階
1.多分類(lèi)
1.多分類(lèi)
01_深度學(xué)習(xí)緊接、多分類(lèi)介紹.mp4
02_交叉熵?fù)p失原理.mp4
03_案例：Mnist手寫(xiě)數(shù)字?jǐn)?shù)據(jù)介紹.mp4
04_案例：網(wǎng)絡(luò)結(jié)構(gòu)、流程、代碼介紹.mp4
05_案例：主網(wǎng)絡(luò)結(jié)構(gòu)搭建實(shí)現(xiàn).mp4
06_案例：添加準(zhǔn)確率.mp4
07_案例：Tensorboard觀察顯示.mp4
08_案例：添加模型保存、預(yù)測(cè).mp4
09_調(diào)整學(xué)習(xí)率帶來(lái)的問(wèn)題.mp4
2.梯度下降算法優(yōu)化
2.梯度下降算法優(yōu)化
01_深度學(xué)習(xí)遇到問(wèn)題、為什么需要優(yōu)化算法.mp4
02_Mini梯度下降與Batch梯度下降.mp4
03_指數(shù)加權(quán)平均.mp4
04_動(dòng)量梯度下降原理公式理解.mp4
05_RMSProp與Adam原理與學(xué)習(xí)率遞減.mp4
06_標(biāo)準(zhǔn)化輸入帶來(lái)的優(yōu)化.mp4
07_作業(yè)介紹.mp4
08_作業(yè)講解1.mp4
09_作業(yè)講解2.mp4
3.深度學(xué)習(xí)正則化
3.深度學(xué)習(xí)正則化
01_深度學(xué)習(xí)偏差與方差介紹為、什么需要正則化.mp4
02_正則化概念、L2正則化與L1正則化.mp4
03_Droupout過(guò)程與原理理解.mp4
04_其它正則化方法-早停止法與數(shù)據(jù)增強(qiáng).mp4
05_正則化作業(yè)介紹.mp4
06_作業(yè)講解1.mp4
07_作業(yè)講解2.mp4
4.神經(jīng)網(wǎng)絡(luò)調(diào)參與BN
4.神經(jīng)網(wǎng)絡(luò)調(diào)參與BN
01_神經(jīng)網(wǎng)絡(luò)調(diào)參數(shù)技巧與如何設(shè)置參數(shù)、如何運(yùn)行.mp4
02_批標(biāo)準(zhǔn)化定義、公式、為什么有效.mp4
1-5 高級(jí)主題
1.生產(chǎn)對(duì)抗網(wǎng)絡(luò)
1.生產(chǎn)對(duì)抗網(wǎng)絡(luò)
01_高級(jí)主題介紹、GAN介紹.mp4
02_GAN原理、損失和DCGAN結(jié)構(gòu).mp4
03_生成數(shù)字圖片案例：結(jié)果演示流程介紹.mp4
04_生成數(shù)字圖片案例：模型初始化代碼編寫(xiě).mp4
05_生成數(shù)字圖片案例：訓(xùn)練流程.mp4
06_生成數(shù)字圖片案例：運(yùn)行保存圖片并對(duì)比.mp4
2.自動(dòng)編碼器
2.自動(dòng)編碼器
01_自動(dòng)編碼器介紹.mp4
02_案例：編碼器類(lèi)別、普通自編碼器流程、模型初始化邏輯.mp4
03_案例：訓(xùn)練普通自編碼器.mp4
04_案例：深度自編碼器編寫(xiě)演示.mp4
05_案例：卷積自編碼器編寫(xiě)演示.mp4
06_案例：降噪編碼器介紹.mp4
07_案例：降噪編碼器案例.mp4
3.CapsuleNet
3.CapsuleNet
01_CapsuleNet了解.mp4
02_深度學(xué)習(xí)課程總結(jié).mp4
1-10 圖片商品物體檢測(cè)項(xiàng)目第三階段-項(xiàng)目實(shí)現(xiàn)與部署
1.項(xiàng)目架構(gòu)
1.項(xiàng)目架構(gòu)
01_項(xiàng)目架構(gòu)設(shè)計(jì).mp4
02_訓(xùn)練與測(cè)試整體結(jié)構(gòu)設(shè)計(jì).mp4
2.數(shù)據(jù)接口實(shí)現(xiàn)
2.數(shù)據(jù)接口實(shí)現(xiàn)
01_數(shù)據(jù)接口：商品格式轉(zhuǎn)換實(shí)現(xiàn).mp4
02_數(shù)據(jù)接口：讀取數(shù)據(jù)接口設(shè)計(jì)以及基類(lèi)如何定義.mp4
03_數(shù)據(jù)接口：商品數(shù)據(jù)讀取子類(lèi)實(shí)現(xiàn).mp4
04_數(shù)據(jù)接口：數(shù)據(jù)讀取工廠邏輯實(shí)現(xiàn).mp4
05_數(shù)據(jù)接口：代碼運(yùn)行與數(shù)據(jù)模塊總結(jié).mp4
3.模型接口實(shí)現(xiàn)
3.模型接口實(shí)現(xiàn)
01_模型接口：接口設(shè)置以及模型工廠代碼.mp4
4.預(yù)處理接口實(shí)現(xiàn)
4.預(yù)處理接口實(shí)現(xiàn)
01_預(yù)處理接口：預(yù)處理需求介紹、數(shù)據(jù)增強(qiáng)介紹.mp4
02_預(yù)處理接口：預(yù)處理工廠代碼.mp4
03_預(yù)處理接口：預(yù)處理工廠代碼參數(shù)錯(cuò)誤調(diào)整.mp4
04_數(shù)據(jù)接口、模型接口、預(yù)處理接口參數(shù)總結(jié).mp4
5.訓(xùn)練過(guò)程實(shí)現(xiàn)
5.訓(xùn)練過(guò)程實(shí)現(xiàn)
01_訓(xùn)練：訓(xùn)練步驟與設(shè)備部署介紹.mp4
02_訓(xùn)練：model_deploy介紹.mp4
03_訓(xùn)練：訓(xùn)練運(yùn)行結(jié)果顯示與初始配置確定.mp4
04_訓(xùn)練：1設(shè)備配置代碼以及全局步數(shù)定義.mp4
05_訓(xùn)練：2圖片數(shù)據(jù)讀取與處理邏輯介紹.mp4
06_訓(xùn)練：2數(shù)據(jù)模塊與網(wǎng)絡(luò)模型獲取結(jié)果.mp4
07_訓(xùn)練：2網(wǎng)絡(luò)參數(shù)修改、provider獲取數(shù)據(jù)、預(yù)處理.mp4
08_訓(xùn)練：2NHWC和NCHW介紹.mp4
09_訓(xùn)練：2對(duì)anchors進(jìn)行正負(fù)樣本標(biāo)記.mp4
10_訓(xùn)練：2批處理獲取以及數(shù)據(jù)形狀變換.mp4
11_訓(xùn)練：2隊(duì)列設(shè)置.mp4
12_訓(xùn)練：3復(fù)制模型、添加參數(shù)觀察與4添加學(xué)習(xí)率和優(yōu)化器.mp4
13_訓(xùn)練：5總損失計(jì)算與變量平均梯度計(jì)算6訓(xùn)練配置.mp4
14_訓(xùn)練：訓(xùn)練流程總結(jié).mp4
6.測(cè)試過(guò)程實(shí)現(xiàn)
6.測(cè)試過(guò)程實(shí)現(xiàn)
01_測(cè)試：測(cè)試流程介紹、代碼.mp4
02_測(cè)試：圖片輸入、結(jié)果標(biāo)記代碼.mp4
7.模型部署介紹
7.模型部署介紹
01_web服務(wù)與模型部署流程關(guān)系介紹.mp4
02_本地TensorFlow Serving演示以及邏輯介紹.mp4
8.導(dǎo)出模型
8.導(dǎo)出模型
01_模型導(dǎo)出：模型輸入輸出定義.mp4
02_模型導(dǎo)出：Savedmodel導(dǎo)出模型.mp4
9.打開(kāi)模型服務(wù)
9.打開(kāi)模型服務(wù)
01_開(kāi)啟模型服務(wù).mp4
10.TFServing客戶(hù)端
10.TFServing客戶(hù)端
01_Tensorflow serving client邏輯.mp4
02_Client：用戶(hù)輸入圖片處理.mp4
03_Client：grpc與serving apis介紹.mp4
04_Client：客戶(hù)端建立連接獲取結(jié)果代碼.mp4
05_Client：結(jié)果解析.mp4
06_Client：結(jié)果標(biāo)記返回.mp4
11.服務(wù)器部署
01_服務(wù)器部署：服務(wù)器部署的代碼文件需求、服務(wù)開(kāi)啟.mp4
02_項(xiàng)目總結(jié).mp4
黑馬Python+AI人臉識(shí)別Python人工智能百度網(wǎng)盤(pán)
王松傲寒fcpx剪輯
王松傲寒fcpx剪輯
黑馬Python+AI人臉識(shí)別Python人工智能
