深度學(xué)習(xí)巔峰-人工智能深度學(xué)習(xí)系統(tǒng)班第6期百度網(wǎng)盤

初探C4D創(chuàng)意世界：C4D OC零基礎(chǔ)實(shí)戰(zhàn)班4期精講

初探C4D創(chuàng)意世界：C4D OC零基礎(chǔ)實(shí)戰(zhàn)班4期精講

構(gòu)建智能未來(lái)，邁向深度學(xué)習(xí)的巔峰-人工智能深度學(xué)習(xí)系統(tǒng)班第6期

本課程由趣資料網(wǎng)站（m.basgkw.cn）收集整理

資源簡(jiǎn)介：
課程來(lái)自于構(gòu)建智能未來(lái)，邁向深度學(xué)習(xí)的巔峰-人工智能深度學(xué)習(xí)系統(tǒng)班第6期

本課程旨在為學(xué)員提供全面深入的人工智能深度學(xué)習(xí)知識(shí)體系。通過(guò)本課程，學(xué)員將了解和掌握深度學(xué)習(xí)的基本概念、原理和應(yīng)用。課程內(nèi)容包括神經(jīng)網(wǎng)絡(luò)基礎(chǔ)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)、自動(dòng)編碼器等。此外，課程還將介紹深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、語(yǔ)音識(shí)別等領(lǐng)域的最新應(yīng)用，并提供實(shí)際項(xiàng)目案例進(jìn)行實(shí)踐操作，以幫助學(xué)員鞏固所學(xué)知識(shí)

文件目錄
00 資料

1.第一章 直播回放

1-8 節(jié)直播6：分割模型Maskformer系列

maskformer.pdf

mask2former.pdf

1-7 節(jié)直播5：YOLO系列（V7）算法解讀

Yolov7結(jié)構(gòu)圖.pptx

YOLOV7.pdf

1-15 節(jié)直播12：異構(gòu)圖神經(jīng)網(wǎng)絡(luò)

HeterogeneousGraph.zip

異構(gòu)圖神經(jīng)網(wǎng)絡(luò).pdf

異構(gòu)圖.pdf

1-6 節(jié)直播4：Transfomer在視覺(jué)任務(wù)中的應(yīng)用實(shí)例

transformer課件.pdf

VIT算法模型源碼解讀.zip

1-3 節(jié)直播1：深度學(xué)習(xí)核心算法-神經(jīng)網(wǎng)絡(luò)與卷積網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò).pdf

1-9 節(jié)補(bǔ)充：Mask2former源碼解讀

mask2former(mmdetection).zip

1-16 節(jié)直播13：BEV特征空間

BEV.pdf

1-11 節(jié)直播8：基于圖模型的時(shí)間序列預(yù)測(cè)

Raindrop-main.rar

raindrop-AAAI22.pdf

2110.05357.pdf

1-14 節(jié)直播11文本生成GPT系列

ChatGPT

GPT系列.pdf

1-13 節(jié)直播10：近期內(nèi)容補(bǔ)充

Informer_huggingface.zip

YOLOV7.pdf

1-12 節(jié)直播9：圖像定位與檢索

CosPlace-main.zip

small.zip

1-17 節(jié)補(bǔ)充：BevFormer源碼解讀

bevformer.zip

1-4 節(jié)卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò).pdf

1-10 節(jié)直播7：半監(jiān)督物體檢測(cè)

mmdetection-3.x.zip

1-5 節(jié)直播3：Transformer架構(gòu)

transformer.pdf

1-1 節(jié)開(kāi)班典禮

咕泡唐宇迪人工智能【第六期】學(xué)習(xí)路線圖.pdf

1-18 節(jié)直播14：知識(shí)蒸餾

Reinforced Multi-Teacher Selection for Knowledge Distillation.pdf

Decoupled Knowledge Distillation.pdf

蒸餾.pdf

2.第二章 深度學(xué)習(xí)必備核?算法

課件

詞向量模型資料

NLP核心模型-Word2vec.zip

卷積神經(jīng)網(wǎng)絡(luò).pdf

深度學(xué)習(xí).pdf

3.第三章 深度學(xué)習(xí)核?框架PyTorch

flask預(yù)測(cè).zip

第二,三章：神經(jīng)網(wǎng)絡(luò)實(shí)戰(zhàn)分類與回歸任務(wù).zip

第四章：卷積網(wǎng)絡(luò)參數(shù)解讀.zip

第五章：圖像識(shí)別模型與訓(xùn)練策略（重點(diǎn)）.zip

第六章：DataLoader自定義數(shù)據(jù)集制作.zip

第七章：LSTM文本分類實(shí)戰(zhàn).zip

第八章：對(duì)抗生成網(wǎng)絡(luò)架構(gòu)原理與實(shí)戰(zhàn)解析.zip

4.第四章 MMLAB實(shí)戰(zhàn)系列

KIE關(guān)鍵信息抽取與視頻超分辨率重構(gòu)

spynet.pdf

BasicVSR++.pdf

KIE.pdf

DeformableDetr算法解讀

可變形DETR.pdf

OCR算法解讀

ABINET.pdf

DBNET.pdf

ner.zip

第一模塊：mmclassification-master.zip

第二模塊：mmsegmentation-0.20.2.zip

第二模塊：MPViT-main.zip

mask2former(mmdetection).zip

第三模塊：mmdetection-master.zip

第四模塊：mmocr-main.zip

第五模塊：mmgeneration-master.zip

第六模塊：mmediting-master.zip

第七模塊：mmdetection3d-1.0.0rc0.zip

第八模塊：mmrazor-模型蒸餾.zip

第九模塊：mmaction2-master.zip

5.第五章 Opencv圖像處理框架實(shí)戰(zhàn)

源碼資料

第9節(jié)：項(xiàng)目實(shí)戰(zhàn)-信用卡數(shù)字識(shí)別.zip

第10節(jié)：項(xiàng)目實(shí)戰(zhàn)-文檔掃描OCR識(shí)別.zip

第13節(jié)：案例實(shí)戰(zhàn)-全景圖像拼接.zip

第14節(jié)：項(xiàng)目實(shí)戰(zhàn)-停車場(chǎng)車位識(shí)別.zip

第15節(jié)：項(xiàng)目實(shí)戰(zhàn)-答題卡識(shí)別判卷.zip

第18節(jié)：Opencv的DNN模塊.zip

第19節(jié)：項(xiàng)目實(shí)戰(zhàn)-目標(biāo)追蹤.zip

第20節(jié)：卷積原理與操作.zip

第21節(jié)：人臉關(guān)鍵點(diǎn)定位.zip

第21節(jié)：項(xiàng)目實(shí)戰(zhàn)-疲勞檢測(cè).zip

課件

第2-8節(jié)課件

第2-7節(jié)notebook課件.zip

第8節(jié)notebook課件.zip

第11-12節(jié)notebook課件.zip

第16-17節(jié)notebook課件.zip

6.第六章 綜合項(xiàng)?-物體檢測(cè)經(jīng)典算法實(shí)戰(zhàn)

YOLO系列（PyTorch）

訓(xùn)練自己的數(shù)據(jù)集

構(gòu)建自己的數(shù)據(jù)集.pdf

json2yolo.py

COCO-DATA

COCO數(shù)據(jù)集.txt

YOLO新版.pdf

NEU-DET.zip

PyTorch-YOLOv3.zip

YOLO5.zip

detr目標(biāo)檢測(cè)源碼解讀.zip

物體檢測(cè).pdf

EfficientNet.pdf

CenterNet.pdf

EfficientDet.zip

EfficientDet.pdf

json2yolo.py

yolov7-main.zip

第十二章：基于Transformer的detr目標(biāo)檢測(cè)算法.pdf

7.第七章 圖像分割實(shí)戰(zhàn)

基于Resnet的醫(yī)學(xué)數(shù)據(jù)集分類實(shí)戰(zhàn)

Resnet.pdf

基于Resnet的醫(yī)學(xué)數(shù)據(jù)集分類實(shí)戰(zhàn).zip

基于MASK-RCNN框架訓(xùn)練自己的數(shù)據(jù)與任務(wù).zip

MaskRcnn網(wǎng)絡(luò)框架源碼詳解.zip

mask-rcnn.pdf

圖像識(shí)別核心模塊實(shí)戰(zhàn)解讀.zip

PyTorch框架基本處理操作.zip

第1節(jié)：圖像分割算法

深度學(xué)習(xí)分割任務(wù).pdf

第2節(jié)：卷積網(wǎng)絡(luò)

深度學(xué)習(xí).pdf

R(2+1)D網(wǎng)絡(luò).pdf

第3節(jié)：Unet系列算法講解

深度學(xué)習(xí)分割任務(wù).pdf

第4節(jié)：unet醫(yī)學(xué)細(xì)胞分割實(shí)戰(zhàn)

新建文件夾

unet++.zip

第5節(jié)：U-2-Net.zip

第6節(jié)：deeplab系列算法

DeepLab.pdf

第7節(jié)：基于deeplabV3+版本進(jìn)行VOC分割實(shí)戰(zhàn)

DeepLabV3Plus.zip

第8節(jié)：基于deeplab的心臟視頻數(shù)據(jù)診斷分析

基于deeplab的心臟視頻數(shù)據(jù)診斷分析.zip

f112c9fda85536ee3eba662c9043e683.bat

8.第八章 行為識(shí)別實(shí)戰(zhàn)

基礎(chǔ)補(bǔ)充-Resnet模型及其應(yīng)用實(shí)例

Resnet.pdf

基于Resnet的醫(yī)學(xué)數(shù)據(jù)集分類實(shí)戰(zhàn).zip

slowfast-add

download

ava_annotations

ava_train_v2.2.csv

ava_train_v2.1.csv

ava_val_v2.2.csv

person_box_67091280_iou90

train.csv

ava_detection_val_for_training_boxes_and_labels_include_negative.csv

ava_train_predicted_boxes.csv

ava_detection_train_boxes_and_labels_include_negative.csv

val.csv

test.csv

ava_val_predicted_boxes.csv

ava_detection_val_boxes_and_labels.csv

ava_detection_test_boxes_and_labels.csv

ava_detection_val_for_training_boxes_and_labels_include_negative_v2.1.csv

ava_val_excluded_timestamps_v2.1.csv

ava_val_v2.1.csv

ava_detection_train_boxes_and_labels_include_negative_v2.1.csv

ava_detection_val_for_training_boxes_and_labels_include_negative_v2.2.csv

ava_train_v2.1.csv

ava_detection_train_boxes_and_labels_include_negative_v2.2.csv

ava_action_list_v2.1_for_activitynet_2018.pbtxt

val.csv

train.csv

1j20qq1JyX4.mp4

_Ca3gOdOHxU.mp4

-5KQ66BBWC4.mkv.1

-5KQ66BBWC4.mkv

_145Aa_xkuE.mp4

avademo.zip

slowfast論文.pdf

基礎(chǔ)補(bǔ)充-PyTorch框架必備核心模塊解讀.zip

基礎(chǔ)補(bǔ)充-PyTorch框架基本處理操作.zip

1-slowfast算法知識(shí)點(diǎn)通俗解讀.pdf

4-基于3D卷積的視頻分析與動(dòng)作識(shí)別.zip

5-視頻異常檢測(cè)算法與元學(xué)習(xí).pdf

6-視頻異常檢測(cè)CVPR2021論文及其源碼解讀.zip

9.第九章 2022論?必備-Transformer實(shí)戰(zhàn)系列

transformer系列

谷歌開(kāi)源項(xiàng)目BERT源碼解讀與應(yīng)用實(shí)例

BERT開(kāi)源項(xiàng)目及數(shù)據(jù).zip

基礎(chǔ)補(bǔ)充-Resnet模型及其應(yīng)用實(shí)例

Resnet.pdf

基于Resnet的醫(yī)學(xué)數(shù)據(jù)集分類實(shí)戰(zhàn).zip

Medical-Transformer.zip

transformer論文.pdf

第一章：transformer原理解讀

BERT.pdf

第二章：Transformer在視覺(jué)中的應(yīng)用VIT算法.pdf

第三章：VIT算法模型源碼解讀.zip

第四章：swintransformer算法原理解析.pdf

第五章：swintransformer源碼解讀.zip

第六章：基于Transformer的detr目標(biāo)檢測(cè)算法.pdf

第七章：detr目標(biāo)檢測(cè)源碼解讀.zip

第九章：項(xiàng)目補(bǔ)充-基于BERT的中文情感分析實(shí)戰(zhàn)

BERT中文情感分類開(kāi)源項(xiàng)目.zip

第十一，十二章

LoFTR.zip

Loftr.pdf

2104.00680.pdf

10.第一十章 圖神經(jīng)?絡(luò)實(shí)戰(zhàn)

第一章：圖神經(jīng)網(wǎng)絡(luò)基礎(chǔ)

圖神經(jīng)網(wǎng)絡(luò).pdf

第二章：圖卷積GCN模型

圖卷積.pdf

3-圖模型必備神器PyTorch Geometric安裝與使用

工具包使用.zip

4-使用PyTorch Geometric構(gòu)建自己的圖數(shù)據(jù)集

創(chuàng)建自己的數(shù)據(jù)集.zip

5-圖注意力機(jī)制與序列圖模型

時(shí)間序列TGCN.zip

Temporal Graph Neural Networks.pdf

圖注意力機(jī)制.pdf

6-圖相似度論文解讀

1808.05689.pdf

7-圖相似度計(jì)算實(shí)戰(zhàn)

Extended-SimGNN.zip

8-基于圖模型的軌跡估計(jì)

軌跡軌跡.pdf

數(shù)據(jù)集Demo.mp4

9-圖模型軌跡估計(jì)實(shí)戰(zhàn)

Vector.zip

11.第一十一章 3D點(diǎn)云實(shí)戰(zhàn)

第1節(jié)：3D點(diǎn)云應(yīng)用領(lǐng)域分析

點(diǎn)云.pdf

激光雷達(dá).mp4

第2節(jié)：3D點(diǎn)云PointNet算法

PointNet++.pdf

CloudCompare.zip

第3節(jié)：PointNet++算法解讀

PointNet++.pdf

第4節(jié)：Pointnet++項(xiàng)目實(shí)戰(zhàn)

Pointnet2.zip

第5節(jié)：點(diǎn)云補(bǔ)全PF-Net論文解讀

點(diǎn)云補(bǔ)全.pdf

2003.00410.pdf

第6節(jié)：點(diǎn)云補(bǔ)全實(shí)戰(zhàn)解讀

PF-Net-Point-Fractal-Network.zip

第7節(jié)：點(diǎn)云配準(zhǔn)及其案例實(shí)戰(zhàn)

RPMNet.zip

點(diǎn)云匹配.pdf

2003.13479.pdf

第8節(jié)：基礎(chǔ)補(bǔ)充-對(duì)抗生成網(wǎng)絡(luò)架構(gòu)原理與實(shí)戰(zhàn)解析

第八章：對(duì)抗生成網(wǎng)絡(luò)架構(gòu)原理與實(shí)戰(zhàn)解析.zip

12.第一十二章 ?標(biāo)追蹤與姿態(tài)估計(jì)實(shí)戰(zhàn)

基礎(chǔ)補(bǔ)充-Resnet模型及其應(yīng)用實(shí)例

基于Resnet的醫(yī)學(xué)數(shù)據(jù)集分類實(shí)戰(zhàn).zip

Resnet.pdf

基礎(chǔ)補(bǔ)充-PyTorch框架必備核心模塊解讀.zip

基礎(chǔ)補(bǔ)充-PyTorch框架基本處理操作.zip

第一章：姿態(tài)估計(jì)OpenPose系列算法解讀.pdf

第二章：OpenPose算法源碼分析.zip

第三章：Deepsort算法知識(shí)點(diǎn)解讀.pdf

第四章：Deepsort源碼解讀.zip

第五六七章：YOLO目標(biāo)檢測(cè)

訓(xùn)練自己的數(shù)據(jù)集

構(gòu)建自己的數(shù)據(jù)集.pdf

json2yolo.py

COCO-DATA

COCO數(shù)據(jù)集.txt

NEU-DET.zip

YOLO新版.pdf

YOLO5.zip

13.第一十三章 ?向深度學(xué)習(xí)的??駕駛實(shí)戰(zhàn)

1.深度估計(jì)算法解讀

深度估計(jì).pdf

Monocular_Depth_Estimation_Using_Laplacian_Pyramid-Based_Depth_Residuals.pdf

2.深度估計(jì)項(xiàng)目實(shí)戰(zhàn)

LapDepth.zip

3-車道線檢測(cè)算法與論文解讀

基于深度學(xué)習(xí)的車道線檢測(cè).pdf

4-基于深度學(xué)習(xí)的車道線檢測(cè)項(xiàng)目實(shí)戰(zhàn)

Lane-Detection.zip

5-商湯LoFTR算法解讀

Loftr.pdf

2104.00680.pdf

6-局部特征關(guān)鍵點(diǎn)匹配實(shí)戰(zhàn)

LoFTR.zip

7-三維重建應(yīng)用與坐標(biāo)系基礎(chǔ)

三維重建.pdf

8-NeuralRecon算法解讀

NeuralRecon.pdf

三維重建.pdf

9-NeuralRecon項(xiàng)目環(huán)境配置

參考其GITHUB即可

10-NeuralRecon項(xiàng)目源碼解讀

NeuralRecon

data.py

train_demo.zip

all_tsdf_9.zip

11-TSDF算法與應(yīng)用

TSDF.pdf

12-TSDF實(shí)戰(zhàn)案例

TSDF實(shí)例

tsdf-fusion-python-master.zip

13-軌跡估計(jì)算法與論文解讀

無(wú)人駕駛.pdf

14-軌跡估計(jì)預(yù)測(cè)實(shí)戰(zhàn)

Vector.zip

15-特斯拉無(wú)人駕駛解讀

Tesla無(wú)人駕駛.pdf

14.第一十四章 對(duì)比學(xué)習(xí)與多模態(tài)任務(wù)實(shí)戰(zhàn)

CLIP系列

CLIP.zip

CLIP及其應(yīng)用.pdf

ANINET源碼解讀

mmocr-main.zip

多模態(tài)文字識(shí)別

ABINET.pdf

DBNET.pdf

對(duì)比學(xué)習(xí)算法與實(shí)例

trainCLIP.py

對(duì)比學(xué)習(xí).pdf

多模態(tài)3D目標(biāo)檢測(cè)算法源碼解讀

mmdetection3d-1.0.0rc0.zip

15.第一十五章 缺陷檢測(cè)實(shí)戰(zhàn)

Resnet分類實(shí)戰(zhàn)

基于Resnet的醫(yī)學(xué)數(shù)據(jù)集分類實(shí)戰(zhàn).zip

Resnet.pdf

PyTorch基礎(chǔ)

1-PyTorch框架基本處理操作.zip

2-神經(jīng)網(wǎng)絡(luò)實(shí)戰(zhàn)分類與回歸任務(wù).zip

3-圖像識(shí)別核心模塊實(shí)戰(zhàn)解讀.zip

DeepLab鐵質(zhì)材料缺陷檢測(cè)與開(kāi)源項(xiàng)目應(yīng)用流程.zip

第1-4章：YOLOV5缺陷檢測(cè)

YOLO新版.pdf

Defective_Insulators.zip

NEU-DET.zip

YOLO5.zip

第5章：Semi-supervised布料缺陷檢測(cè)實(shí)戰(zhàn).zip

第6-8章：Opencv各函數(shù)使用實(shí)例

第一部分notebook課件.zip

第二部分notebook課件.zip

第9章：基于Opencv缺陷檢測(cè)項(xiàng)目實(shí)戰(zhàn).zip

第10章：基于視頻流水線的Opnecv缺陷檢測(cè)項(xiàng)目.zip

第11-12章：deeplab

DeepLab.pdf

DeepLabV3Plus.zip

16.第一十六章 ??重識(shí)別實(shí)戰(zhàn)

第1節(jié)：行人重識(shí)別原理及其應(yīng)用

行人重識(shí)別.pdf

第2節(jié)：基于注意力機(jī)制的ReId模型論文解讀

Relation-Aware Global Attention.pdf

第3節(jié)：基于Attention的行人重識(shí)別項(xiàng)目實(shí)戰(zhàn)

Relation-Aware-Global-Attention-Networks.zip

第4節(jié)：經(jīng)典會(huì)議算法精講（特征融合）

Relation Network for Person Re-identification.pdf

第5節(jié)：項(xiàng)目實(shí)戰(zhàn)-基于行人局部特征融合的再識(shí)別實(shí)戰(zhàn)

Relation Network for Person Re-identification.zip

第6節(jié)：曠視研究院最新算法解讀（基于圖模型）

Wang_High-Order_Information_Matters_Learning_Relation_and_Topology_for_Occluded_Person_CVPR_2020_paper.pdf

第7節(jié)：基于拓?fù)鋱D的行人重識(shí)別項(xiàng)目實(shí)戰(zhàn)

基于圖模型的ReID(曠視).zip

17.第一十七章 對(duì)抗?成?絡(luò)實(shí)戰(zhàn)

static.zip

cyclegan.pdf

第2節(jié)：對(duì)抗生成網(wǎng)絡(luò)架構(gòu)原理與實(shí)戰(zhàn)解析.zip

第3節(jié)：基于CycleGan開(kāi)源項(xiàng)目實(shí)戰(zhàn)圖像合成.zip

第4節(jié)：stargan論文架構(gòu)解析

stargan.pdf

1912.01865.pdf

第5節(jié)：stargan項(xiàng)目實(shí)戰(zhàn)及其源碼解讀.zip

第6節(jié)：基于starganvc2的變聲器論文原理解讀

stargan-vc2.pdf

1907.12279.pdf

第7節(jié)：starganvc2變聲器項(xiàng)目實(shí)戰(zhàn)及其源碼解讀.zip

第8節(jié)：圖像超分辨率重構(gòu)實(shí)戰(zhàn)

srgan超分辨率重構(gòu).zip

srdata.zip

第9節(jié)：基于GAN的圖像補(bǔ)全實(shí)戰(zhàn)

圖像補(bǔ)全人臉數(shù)據(jù).zip

glcic圖像補(bǔ)全.zip

18.第一十八章 強(qiáng)化學(xué)習(xí)實(shí)戰(zhàn)系列

第1節(jié)：強(qiáng)化學(xué)習(xí)簡(jiǎn)介及其應(yīng)用.pdf

第2節(jié)：PPO算法與公式推導(dǎo).pdf

第3節(jié)：策略梯度實(shí)戰(zhàn)-月球登陸器訓(xùn)練實(shí)例.zip

第4節(jié)：DQN算法.pdf

第5節(jié)：DQN算法實(shí)例演示.zip

第7節(jié)：Actor-Critic算法分析(A3C).pdf

第8節(jié)：A3C算法玩轉(zhuǎn)超級(jí)馬里奧.zip

19.第一十九章 Openai頂級(jí)黑科技算法及其項(xiàng)目實(shí)戰(zhàn)

1 節(jié)GPT系列生成模型

GPT系列.pdf

GPT.zip

2 節(jié)GPT建模與預(yù)測(cè)流程

ChinesePretrainedModels.zip

3 節(jié)CLIP系列

CLIP.zip

CLIP及其應(yīng)用.pdf

4 節(jié)Diffusion模型解讀

annotated_diffusion.ipynb

5 節(jié)Dalle2及其源碼解讀

dalle2.pdf

DALLE2-pytorch-main.zip

6 節(jié)ChatGPT

GPT系列.pdf

20.第二十章 面向醫(yī)學(xué)領(lǐng)域的深度學(xué)習(xí)實(shí)戰(zhàn)

1-神經(jīng)網(wǎng)絡(luò)算法PPT

深度學(xué)習(xí).pdf

2-PyTorch框架基本處理操作.zip

3-PyTorch框架必備核心模塊解讀.zip

4-基于Resnet的醫(yī)學(xué)數(shù)據(jù)集分類實(shí)戰(zhàn)

基于Resnet的醫(yī)學(xué)數(shù)據(jù)集分類實(shí)戰(zhàn).zip

Resnet.pdf

5-圖像分割及其損失函數(shù)概述

深度學(xué)習(xí)分割任務(wù).pdf

6-Unet系列算法講解

深度學(xué)習(xí)分割任務(wù).pdf

7-unet醫(yī)學(xué)細(xì)胞分割實(shí)戰(zhàn)

新建文件夾

unet++.zip

8-deeplab系列算法

DeepLab.pdf

9-基于deeplabV3+版本進(jìn)行VOC分割實(shí)戰(zhàn)

DeepLabV3Plus.zip

10-基于deeplab的心臟視頻數(shù)據(jù)診斷分析

基于deeplab的心臟視頻數(shù)據(jù)診斷分析.zip

11-YOLO系列物體檢測(cè)算法原理解讀

YOLO.pdf

YOLOv4.pdf

12-基于YOLO5細(xì)胞檢測(cè)實(shí)戰(zhàn)

基于YOLO5細(xì)胞檢測(cè)實(shí)戰(zhàn).zip

13-知識(shí)圖譜原理解讀

知識(shí)圖譜.pdf

14-Neo4j數(shù)據(jù)庫(kù)實(shí)戰(zhàn)

NEO4J.pdf

15-基于知識(shí)圖譜的醫(yī)藥問(wèn)答系統(tǒng)實(shí)戰(zhàn)

醫(yī)藥問(wèn)答.zip

配置與安裝.pdf

16-詞向量模型與RNN網(wǎng)絡(luò)架構(gòu).zip

17-醫(yī)學(xué)糖尿病數(shù)據(jù)命名實(shí)體識(shí)別

eclipse-命名實(shí)體識(shí)別.zip

notebook-瑞金.zip

21.第二十一章 深度學(xué)習(xí)模型部署與剪枝優(yōu)化實(shí)戰(zhàn)

tensorRT

tensorRT課程PPT

video1-get-env.mp4

video1-get-templ.mp4

1.說(shuō)在前面.pdf

2.介紹.pdf

3.cuda-driver-課程概述.pdf

4.cuda-driver.pdf

video-series.mp4

5.cuda-runtime-課程概述.pdf

6.cuda-runtime.pdf

7.tensorrt-basic-課程概述.pdf

8.tensorrt-basic.pdf

9.tensorrt-integrate-課程概述.pdf

10.tensorrt-integrate.pdf

tensorRT課程代碼

cuda-runtime-api.tar.gz

cuda-driver-api.tar.gz

tensorrt-integrate.tar.gz

tensorrt-basic.tar.gz

嵌入式AI

第一章 認(rèn)識(shí) jetson nano

1software

usbCamera.py

csiCamera.py

code_1.71.2-1663189619_arm64.deb

balenaEtcher-Setup-1.7.9.exe

SDCardFormatterv5_WinEN.zip

1.1 jetson nano 硬件介紹.pdf

1.2b jetson nano 系統(tǒng)安裝過(guò)程.pdf

1.4 安裝使用攝像頭csi usb.pdf

1.3 感受nano的GPU算力.pdf

1.2 jetson nano 刷機(jī).pdf

第二章 AI 實(shí)戰(zhàn)

時(shí)間統(tǒng)計(jì).xlsx

2software

networks

bvlc_googlenet.caffemodel

googlenet_noprob.prototxt

googlenet.prototxt

SSD-Mobilenet-v1.tar.gz

SSD-Mobilenet-v2.tar.gz

usbCamera.py

csiCamera.py

jetson-inference.zip

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

2.3 docker中運(yùn)行分類模型.pdf

2.1 jetson-inference 入門.pdf

2.6 轉(zhuǎn)換出onnx模型，并使用.pdf

2.5 訓(xùn)練出自己目標(biāo)識(shí)別模型.pdf

2.4 訓(xùn)練自己的目標(biāo)檢測(cè)模型準(zhǔn)備.pdf

2.2 docker 的安裝使用.pdf

第三章 NVIDIA TAO 實(shí)用級(jí)的訓(xùn)練神器

3.4NVIDIA TAO預(yù)訓(xùn)練模型和訓(xùn)練.pdf

3.1NVIDIA TAO介紹和安裝.pdf

3.2NVIDIA TAO數(shù)據(jù)準(zhǔn)備和環(huán)境設(shè)置.pdf

3.3NVIDIA TAO數(shù)據(jù)轉(zhuǎn)換.pdf

3.5TAO 剪枝在訓(xùn)練推理驗(yàn)證.pdf

第四章 deepstream

software

camera_gstreamer_code_rtp.py

Accelerated_GStreamer_User_Guide.pdf

camera_gstreamer_code_rtsp_out.py

gstreamer-1.0-msvc-x86_64-1.20.4.msi

EasyPlayer-RTSP-Win-V3.0.19.0515.zip

rtspCameraH264.py

rtspVideoH264.py

4.4 python實(shí)現(xiàn)RTP和RTSP.pdf

4.1 deepstream 介紹安裝.pdf

4.5 deepstream推理.pdf

4.2 deepstream HelloWorld.pdf

4.3 GStreamer RTP和RTSP.pdf

4.6 deepstream集成yolov4.pdf

YOLO部署實(shí)例.zip

PyTorch模型部署實(shí)例.zip

Docker使用命令.zip

pytorch-slimming.zip

TensorFlow-serving.zip

Mobilenet.pdf

剪枝算法.pdf

mobilenetv3.py

22.第二十二章 自然語(yǔ)言處理必備神器Huggingface系列實(shí)戰(zhàn)

第一章：Huggingface與NLP介紹解讀

Huggingface初識(shí).pptx

第二章：Transformer工具包基本操作實(shí)例解讀

1-Transformers.zip

2-Finetuning.zip

第三章：transformer原理解讀

transformer.pdf

第四章：BERT系列算法解讀

BERT系列.pdf

第五章：文本標(biāo)注工具與NER實(shí)例

ner.zip

第六章：文本預(yù)訓(xùn)練模型構(gòu)建實(shí)例

Mask Language Model.ipynb

第七章：GPT系列算法

GPT系列.pdf

第八章：GPT訓(xùn)練與預(yù)測(cè)部署流程

GPT.zip

第九章：文本摘要建模

Summarization.ipynb

Summarization.zip

第十章：圖譜知識(shí)抽取實(shí)戰(zhàn)

CMeKG.zip

第十一章：補(bǔ)充Huggingface數(shù)據(jù)集制作方法實(shí)例

數(shù)據(jù)格式轉(zhuǎn)換.zip

23.第二十三章 ?然語(yǔ)?處理通?框架-BERT實(shí)戰(zhàn)

課件、源碼

BERT開(kāi)源項(xiàng)目及數(shù)據(jù).zip

BERT.zip

第1節(jié)：BERT課件.pdf

NLP核心模型-word2vec.zip

第2節(jié)：谷歌開(kāi)源項(xiàng)目BERT源碼解讀與應(yīng)用實(shí)例.zip

第3節(jié)：項(xiàng)目實(shí)戰(zhàn)-基于BERT的中文情感分析實(shí)戰(zhàn).zip

第4節(jié)：項(xiàng)目實(shí)戰(zhàn)-基于BERT的中文命名實(shí)體識(shí)別實(shí)戰(zhàn).zip

第5節(jié)：必備基知識(shí)點(diǎn)-word2vec模型通俗解讀.zip

第6節(jié)：必備基礎(chǔ)-掌握Tensorflow如何實(shí)現(xiàn)word2vec模型.zip

第7節(jié)：必備基礎(chǔ)知識(shí)點(diǎn)-RNN網(wǎng)絡(luò)架構(gòu)與情感分析應(yīng)用實(shí)例.zip

第8節(jié)：醫(yī)學(xué)糖尿病數(shù)據(jù)命名實(shí)體識(shí)別.zip

課后作業(yè)

第八模塊：BERT作業(yè).pdf

24.第二十四章 ?然語(yǔ)?處理經(jīng)典案例實(shí)戰(zhàn)

源碼、數(shù)據(jù)集等

2：商品信息與文本可視化

商品可視化展示與文本處理.zip

3：貝葉斯算法

5-貝葉斯算法.pdf

4：貝葉斯算法-新聞分類任務(wù)

貝葉斯Python文本分析

搜狗新聞?wù)Z料

val.txt

test.txt

train.txt

Python文本分析.zip

5-6：HMM實(shí)戰(zhàn)

隱馬爾科夫模型（課件）

HMM.pdf

HMM案例實(shí)戰(zhàn)

HMM

__pycache__

get_hmm_param.cpython-36.pyc

data.cpython-36.pyc

data.py

hmm_start.py

get_hmm_param.py

hmm實(shí)踐.ipynb

時(shí)間序列.ipynb

data2.csv

8-9：word2vec詞向量實(shí)戰(zhàn)

Word2Vec

Gensim-代碼.zip

gensim訓(xùn)練model.zip

tensorflow-word2vec.zip

word2vec.zip

10：NLP方法對(duì)比

自然語(yǔ)言處理-特征提取方法對(duì)比.zip

11-14：基于Tensorflow的項(xiàng)目實(shí)戰(zhàn)

LSTM情感分析

LSTM.ipynb

LSTM.zip

NLP-文本相似度

文本相似度.zip

唐詩(shī)生成

poem.zip

LSTM.zip

問(wèn)答機(jī)器人

QA問(wèn)答.zip

對(duì)話問(wèn)答機(jī)器人

chatbot.zip

課后作業(yè)

data.txt

第八模塊：NLP實(shí)戰(zhàn)(1).pdf

課件

RNN與LSTM.pdf

tensorflow-RNN.pdf

貝葉斯算法.pdf

Python文本分析.pdf

5-貝葉斯算法.pdf

NLP常用工具包

Python-自然語(yǔ)言處理工具包.zip

Python-自然語(yǔ)言處理工具包(1).zip

25.第二十五章 知識(shí)圖譜實(shí)戰(zhàn)系列

第1.2節(jié)：知識(shí)圖譜介紹及其應(yīng)用領(lǐng)域分析

知識(shí)圖譜.pdf

第3節(jié)：Neo4j數(shù)據(jù)庫(kù)實(shí)戰(zhàn)

NEO4J.pdf

第4節(jié)：使用python操作neo4j實(shí)例

python操作neo4j.zip

第5節(jié)：基于知識(shí)圖譜的醫(yī)藥問(wèn)答系統(tǒng)實(shí)戰(zhàn)

醫(yī)藥問(wèn)答.zip

配置與安裝.pdf

第6節(jié)：文本關(guān)系抽取實(shí)踐

關(guān)系抽取.zip

第7節(jié)：金融平臺(tái)風(fēng)控模型實(shí)踐

貸款風(fēng)控特征工程.zip

第8節(jié)：醫(yī)學(xué)糖尿病數(shù)據(jù)命名實(shí)體識(shí)別

eclipse-命名實(shí)體識(shí)別.zip

notebook-瑞金.zip

26.第二十六章 語(yǔ)?識(shí)別實(shí)戰(zhàn)系列

論文

Conv-TasNet論文.pdf

tacotron2論文.pdf

stargancv2論文.pdf

PPT

語(yǔ)音分離.pdf

seq2seq.pdf

stargan-vc2.pdf

語(yǔ)音合成-tacotron2.pdf

語(yǔ)音分離Conv-TasNet.zip

語(yǔ)音識(shí)別LAS模型.zip

語(yǔ)音合成tacotron2實(shí)戰(zhàn).zip

變聲器pytorch-StarGAN-VC2.zip

27.第二十七章 推薦系統(tǒng)實(shí)戰(zhàn)系列

第1節(jié)：推薦系統(tǒng)介紹.pdf

第2節(jié)：協(xié)同過(guò)濾與矩陣分解.pdf

第3節(jié)：音樂(lè)推薦系統(tǒng)實(shí)戰(zhàn)

Python實(shí)現(xiàn)音樂(lè)推薦系統(tǒng)

.ipynb_checkpoints

推薦系統(tǒng)-checkpoint.ipynb

__pycache__

Recommenders.cpython-36.pyc

train_triplets.txt

推薦系統(tǒng).ipynb

song_playcount_df.csv

老版.ipynb

track_metadata.db

track_metadata_df_sub.csv

user_playcount_df.csv

recommendation_engines.py

triplet_dataset_sub_song.csv

Recommenders.py

1.png

2.png

3.png

4.png

5.png

6.png

7.png

8.png

第4節(jié)：Neo4j數(shù)據(jù)庫(kù)實(shí)例

NEO4J.pdf

第5節(jié)：基于知識(shí)圖譜的電影推薦實(shí)戰(zhàn).zip

第6節(jié)：FM與DeepFM算法.pdf

第7節(jié)：DeepFM算法實(shí)戰(zhàn).zip

第8節(jié)：推薦系統(tǒng)常用工具包演示.zip

第9節(jié)：基于文本數(shù)據(jù)的推薦實(shí)例.zip

第10節(jié)：基于統(tǒng)計(jì)分析的電影推薦

電影推薦.zip

第11節(jié)：補(bǔ)充-基于相似度的酒店推薦系統(tǒng).zip

28.第二十八章 AI課程所需安裝軟件教程

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

VisualStudioSetup.exe

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

mmcv_full-1.4.7-cp38-cp38-win_amd64.whl

Anaconda3-2020.07-Windows-x86_64.exe

notepadplusplus-8-4.exe

cuda_11.3.0_465.89_win10.exe

pycharm-community-2022.1.2.exe

29.第二十九章 額外補(bǔ)充

SPPCSPC(替換SPP)

源碼.txt

GCNET(全局特征融合)

yolo.py

gc.py

yolov5s_cb2d.yaml

1904.11492.pdf

ConvNeXt

源碼.txt

源碼鏈接.txt

common.py

yolo.py

yolov5s_convnextB.yaml

2201.03545.pdf

SPD-Conv

common.py

SPD-Conv論文.pdf

yolo.py

源碼實(shí)現(xiàn).txt

yolov5s_spd.yaml

yolov5s.yaml

mobileone(提速)

源碼實(shí)現(xiàn).txt

common.py

yolo.py

yolov5s_mobileone.yaml

2206.04040.pdf

Coordinate_attention

源碼實(shí)現(xiàn).txt

common.py

yolo.py

yolov5s_Coordinate_attention.yaml

Hou_Coordinate_Attention_for_Efficient_Mobile_Network_Design_CVPR_2021_paper.pdf

ACMIX(卷積與注意力結(jié)合)

common.py

源碼實(shí)現(xiàn).txt

yolo.py

yolov5s_acmix.yaml

2111.14556.pdf

gc.py

gc(2).py

01 直播課回放

01 開(kāi)班典禮

01 開(kāi)班典禮.mp4

02 Pycharm環(huán)境配置與Debug演示(沒(méi)用過(guò)的同學(xué)必看)

01 Pycharm環(huán)境配置與Debug演示(沒(méi)用過(guò)的同學(xué)必看).mp4

03 直播1：深度學(xué)習(xí)核心算法-神經(jīng)網(wǎng)絡(luò)與卷積網(wǎng)絡(luò)

01 深度學(xué)習(xí)核心算法-神經(jīng)網(wǎng)絡(luò)與卷積網(wǎng)絡(luò).mp4

04 直播2：卷積神經(jīng)網(wǎng)絡(luò)

01 卷積神經(jīng)網(wǎng)絡(luò).mp4

05 直播3：Transformer架構(gòu)

01 Transformer架構(gòu).mp4

06 直播4：Transfomer在視覺(jué)任務(wù)中的應(yīng)用實(shí)例

01 Transfomer在視覺(jué)任務(wù)中的應(yīng)用實(shí)例.mp4

07 直播5：YOLO系列（V7）算法解讀

01 YOLO系列（V7）算法解讀.mp4

08 直播6：分割模型Maskformer系列

01 分割模型Maskformer系列.mp4

09 補(bǔ)充：Mask2former源碼解讀

01 Backbone獲取多層級(jí)特征.mp4

02 多層級(jí)采樣點(diǎn)初始化構(gòu)建.mp4

03 多層級(jí)輸入特征序列創(chuàng)建方法.mp4

04 偏移量與權(quán)重計(jì)算并轉(zhuǎn)換.mp4

05 Encoder特征構(gòu)建方法實(shí)例.mp4

06 query要預(yù)測(cè)的任務(wù)解讀.mp4

07 Decoder中的AttentionMask方法.mp4

08 損失模塊輸入?yún)?shù)分析.mp4

09 標(biāo)簽分配策略解讀.mp4

10 正樣本篩選損失計(jì)算.mp4

11 標(biāo)簽分類匹配結(jié)果分析.mp4

12 最終損失計(jì)算流程.mp4

13 匯總所有損失完成迭代.mp4

10 直播7：半監(jiān)督物體檢測(cè)

01 半監(jiān)督物體檢測(cè).mp4

11 直播8：基于圖模型的時(shí)間序列預(yù)測(cè)

01 基于圖模型的時(shí)間序列預(yù)測(cè).mp4

12 直播9：圖像定位與檢索

01 圖像定位與檢索.mp4

13 直播10：近期內(nèi)容補(bǔ)充

01 近期內(nèi)容補(bǔ)充.mp4

14 直播11：文本生成GPT系列

01 文本生成GPT系列.mp4

15 直播12：異構(gòu)圖神經(jīng)網(wǎng)絡(luò)

01 異構(gòu)圖神經(jīng)網(wǎng)絡(luò).mp4

16 直播13：BEV特征空間

01 BEV特征空間.mp4

17 補(bǔ)充：BevFormer源碼解讀

01 環(huán)境配置方法解讀.mp4

02 數(shù)據(jù)集下載與配置方法.mp4

03 特征提取以及BEV空間初始化.mp4

04 特征對(duì)齊與位置編碼初始化.mp4

05 Reference初始點(diǎn)構(gòu)建.mp4

06 BEV空間與圖像空間位置對(duì)應(yīng).mp4

07 注意力機(jī)制模塊計(jì)算方法.mp4

08 BEV空間特征構(gòu)建.mp4

09 Decoder要完成的任務(wù)分析.mp4

10 獲取當(dāng)前BEV特征.mp4

11 Decoder級(jí)聯(lián)校正模塊.mp4

12 損失函數(shù)與預(yù)測(cè)可視化.mp4

18 直播14：知識(shí)蒸餾

01 知識(shí)蒸餾.mp4

19 直播15：六期總結(jié)與論文簡(jiǎn)歷

01 六期總結(jié)與論文簡(jiǎn)歷.mp4

02 深度學(xué)習(xí)必備核心算法

01 神經(jīng)網(wǎng)絡(luò)算法解讀

01 神經(jīng)網(wǎng)絡(luò)算法解讀.mp4

02 卷積神經(jīng)網(wǎng)絡(luò)算法解讀

01 卷積神經(jīng)網(wǎng)絡(luò)算法解讀.mp4

03 遞歸神經(jīng)網(wǎng)絡(luò)算法解讀

01 遞歸神經(jīng)網(wǎng)絡(luò)算法解讀.mp4

03 深度學(xué)習(xí)核心框架PyTorch

01 PyTorch框架介紹與配置安裝

01 PyTorch框架與其他框架區(qū)別分析.mp4

02 CPU與GPU版本安裝方法解讀.mp4

02 使用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類任務(wù)

01 數(shù)據(jù)集與任務(wù)概述.mp4

02 基本模塊應(yīng)用測(cè)試.mp4

03 網(wǎng)絡(luò)結(jié)構(gòu)定義方法.mp4

04 數(shù)據(jù)源定義簡(jiǎn)介.mp4

05 損失與訓(xùn)練模塊分析.mp4

06 訓(xùn)練一個(gè)基本的分類模型.mp4

07 參數(shù)對(duì)結(jié)果的影響.mp4

03 神經(jīng)網(wǎng)絡(luò)回歸任務(wù)-氣溫預(yù)測(cè)

01 神經(jīng)網(wǎng)絡(luò)回歸任務(wù)-氣溫預(yù)測(cè).mp4

04 卷積網(wǎng)絡(luò)參數(shù)解讀分析

01 輸入特征通道分析.mp4

02 卷積網(wǎng)絡(luò)參數(shù)解讀.mp4

03 卷積網(wǎng)絡(luò)模型訓(xùn)練.mp4

05 圖像識(shí)別模型與訓(xùn)練策略（重點(diǎn)）

01 任務(wù)分析與圖像數(shù)據(jù)基本處理.mp4

02 數(shù)據(jù)增強(qiáng)模塊.mp4

03 數(shù)據(jù)集與模型選擇.mp4

04 遷移學(xué)習(xí)方法解讀.mp4

05 輸出層與梯度設(shè)置.mp4

06 輸出類別個(gè)數(shù)修改.mp4

07 優(yōu)化器與學(xué)習(xí)率衰減.mp4

08 模型訓(xùn)練方法.mp4

09 重新訓(xùn)練全部模型.mp4

10 測(cè)試結(jié)果演示分析.mp4

06 DataLoader自定義數(shù)據(jù)集制作

01 Dataloader要完成的任務(wù)分析.mp4

02 圖像數(shù)據(jù)與標(biāo)簽路徑處理.mp4

03 Dataloader中需要實(shí)現(xiàn)的方法分析.mp4

04 實(shí)用Dataloader加載數(shù)據(jù)并訓(xùn)練模型.mp4

07 LSTM文本分類實(shí)戰(zhàn)

01 數(shù)據(jù)集與任務(wù)目標(biāo)分析.mp4

02 文本數(shù)據(jù)處理基本流程分析.mp4

03 命令行參數(shù)與DEBUG.mp4

04 訓(xùn)練模型所需基本配置參數(shù)分析.mp4

05 預(yù)料表與字符切分.mp4

06 字符預(yù)處理轉(zhuǎn)換ID.mp4

07 LSTM網(wǎng)絡(luò)結(jié)構(gòu)基本定義.mp4

08 網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果輸出.mp4

09 模型訓(xùn)練任務(wù)與總結(jié).mp4

08 PyTorch框架Flask部署例子

01 基本結(jié)構(gòu)與訓(xùn)練好的模型加載.mp4

02 服務(wù)端處理與預(yù)測(cè)函數(shù).mp4

03 基于Flask測(cè)試模型預(yù)測(cè)結(jié)果.mp4

04 MMLAB實(shí)戰(zhàn)系列

01 MMCV安裝方法

01 MMCV安裝方法.mp4

02 第一模塊：分類任務(wù)基本操作

01 MMCLS問(wèn)題修正.mp4

02 準(zhǔn)備MMCLS項(xiàng)目.mp4

03 基本參數(shù)配置解讀.mp4

04 各模塊配置文件組成.mp4

05 生成完整配置文件.mp4

06 根據(jù)文件夾定義數(shù)據(jù)集.mp4

07 構(gòu)建自己的數(shù)據(jù)集.mp4

08 訓(xùn)練自己的任務(wù).mp4

03 第一模塊：訓(xùn)練結(jié)果測(cè)試與驗(yàn)證

01 測(cè)試DEMO效果.mp4

02 測(cè)試評(píng)估模型效果.mp4

03 MMCLS中增加一個(gè)新的模塊.mp4

04 修改配置文件中的參數(shù).mp4

05 數(shù)據(jù)增強(qiáng)流程可視化展示.mp4

06 Grad-Cam可視化方法.mp4

07 可視化細(xì)節(jié)與效果分析.mp4

08 MMCLS可視化模塊應(yīng)用.mp4

09 模型分析腳本使用.mp4

04 第一模塊：模型源碼DEBUG演示

01 VIT任務(wù)概述.mp4

02 數(shù)據(jù)增強(qiáng)模塊概述分析.mp4

03 PatchEmbedding層.mp4

04 前向傳播基本模塊.mp4

05 CLS與輸出模塊.mp4

05 第二模塊：使用分割模塊訓(xùn)練自己的數(shù)據(jù)集

01 項(xiàng)目配置基本介紹.mp4

02 數(shù)據(jù)集標(biāo)注與制作方法.mp4

03 根據(jù)預(yù)測(cè)類別數(shù)修改配置文件.mp4

04 加載預(yù)訓(xùn)練模型開(kāi)始訓(xùn)練.mp4

05 預(yù)測(cè)DEMO演示.mp4

06 第二模塊：基于Unet進(jìn)行各種策略修改

01 配置文件解讀.mp4

02 編碼層模塊.mp4

03 上采樣與輸出層.mp4

04 輔助層的作用.mp4

05 給Unet添加一個(gè)neck層.mp4

06 如何修改參數(shù)適配網(wǎng)絡(luò)結(jié)構(gòu).mp4

07 將Unet特征提取模塊替換成transformer.mp4

08 VIT模塊源碼分析.mp4

07 第二模塊：分割任務(wù)CVPR最新Backbone設(shè)計(jì)及其應(yīng)用

01 注冊(cè)自己的Backbone模塊.mp4

02 配置文件指定.mp4

03 DEBUG解讀Backbone設(shè)計(jì).mp4

04 PatchEmbedding的作用與實(shí)現(xiàn).mp4

05 卷積位置編碼計(jì)算方法.mp4

06 近似Attention模塊實(shí)現(xiàn).mp4

07 完成特征提取與融合模塊.mp4

08 分割輸出模塊.mp4

09 全局特征的作用與實(shí)現(xiàn).mp4

10 匯總多層級(jí)特征進(jìn)行輸出.mp4

08 第三模塊：mmdet訓(xùn)練自己的數(shù)據(jù)任務(wù)

01 數(shù)據(jù)集標(biāo)注與標(biāo)簽獲取.mp4

02 COCO數(shù)據(jù)標(biāo)注格式.mp4

03 通過(guò)腳本生成COCO數(shù)據(jù)格式.mp4

04 配置文件數(shù)據(jù)增強(qiáng)策略分析.mp4

05 訓(xùn)練所需配置說(shuō)明.mp4

06 模型訓(xùn)練與DEMO演示.mp4

07 模型測(cè)試與可視化分析模塊.mp4

08 補(bǔ)充：評(píng)估指標(biāo).mp4

09 第三模塊：DeformableDetr物體檢測(cè)源碼分析

01 特征提取與位置編碼.mp4

02 序列特征展開(kāi)并疊加.mp4

03 得到相對(duì)位置點(diǎn)編碼.mp4

04 準(zhǔn)備Encoder編碼層所需全部輸入.mp4

05 編碼層中的序列分析.mp4

06 偏移量offset計(jì)算.mp4

07 偏移量對(duì)齊操作.mp4

08 Encoder層完成特征對(duì)齊.mp4

09 Decoder要完成的操作.mp4

10 分類與回歸輸出模塊.mp4

11 預(yù)測(cè)輸出結(jié)果與標(biāo)簽匹配模塊.mp4

10 補(bǔ)充：Mask2former源碼解讀

01 Backbone獲取多層級(jí)特征.mp4

02 多層級(jí)采樣點(diǎn)初始化構(gòu)建.mp4

03 多層級(jí)輸入特征序列創(chuàng)建方法.mp4

04 偏移量與權(quán)重計(jì)算并轉(zhuǎn)換.mp4

05 Encoder特征構(gòu)建方法實(shí)例.mp4

06 query要預(yù)測(cè)的任務(wù)解讀.mp4

07 Decoder中的AttentionMask方法.mp4

08 損失模塊輸入?yún)?shù)分析.mp4

09 標(biāo)簽分配策略解讀.mp4

10 正樣本篩選損失計(jì)算.mp4

11 標(biāo)簽分類匹配結(jié)果分析.mp4

12 最終損失計(jì)算流程.mp4

13 匯總所有損失完成迭代.mp4

11 第三模塊：DeformableDetr算法解讀

01 DeformableDetr算法解讀.mp4

12 KIE關(guān)鍵信息抽取與視頻超分辨率重構(gòu)

01 KIE關(guān)鍵信息抽取與視頻超分辨率重構(gòu).mp4

13 第四模塊：DBNET文字檢測(cè)

01 文字檢測(cè)數(shù)據(jù)概述與配置文件.mp4

02 配置文件參數(shù)設(shè)置.mp4

03 Neck層特征組合.mp4

04 損失函數(shù)模塊概述.mp4

05 損失計(jì)算方法.mp4

14 第四模塊：ANINET文字識(shí)別

01 數(shù)據(jù)集與環(huán)境概述.mp4

02 配置文件修改方法.mp4

03 Bakbone模塊得到特征.mp4

04 視覺(jué)Transformer模塊的作用.mp4

05 視覺(jué)模型中的編碼與解碼的效果.mp4

06 文本模型中的結(jié)構(gòu)分析.mp4

07 迭代修正模塊.mp4

08 輸出層與損失計(jì)算.mp4

15 第四模塊：KIE基于圖模型的關(guān)鍵信息抽取

01 配置文件以及要完成的任務(wù)解讀.mp4

02 KIE數(shù)據(jù)集格式調(diào)整方法.mp4

03 配置文件與標(biāo)簽要進(jìn)行處理操作.mp4

04 邊框要計(jì)算的特征分析.mp4

05 標(biāo)簽數(shù)據(jù)處理與關(guān)系特征提取.mp4

06 特征合并處理.mp4

07 準(zhǔn)備拼接邊與點(diǎn)特征.mp4

08 整合得到圖模型輸入特征.mp4

16 第五模塊：stylegan2源碼解讀

01 要完成的任務(wù)與基本思想概述.mp4

02 得到style特征編碼.mp4

03 特征編碼風(fēng)格拼接.mp4

04 基礎(chǔ)風(fēng)格特征卷積模塊.mp4

05 上采樣得到輸出結(jié)果.mp4

06 損失函數(shù)概述.mp4

17 第六模塊：BasicVSR++視頻超分辨重構(gòu)源碼解讀

01 要完成的任務(wù)分析與配置文件.mp4

02 特征基礎(chǔ)提取模塊.mp4

03 光流估計(jì)網(wǎng)絡(luò)模塊.mp4

04 基于光流完成對(duì)齊操作.mp4

05 偏移量計(jì)算方法.mp4

06 雙向計(jì)算特征對(duì)齊.mp4

07 提特征傳遞流程分析.mp4

08 序列傳播計(jì)算.mp4

09 準(zhǔn)備變形卷積模塊的輸入.mp4

10 傳播流程整體完成一圈.mp4

11 完成輸出結(jié)果.mp4

18 第七模塊：多模態(tài)3D目標(biāo)檢測(cè)算法源碼解讀

01 環(huán)境配置與數(shù)據(jù)集概述.mp4

02 數(shù)據(jù)與標(biāo)注文件介紹.mp4

03 基本流程梳理并進(jìn)入debug模式.mp4

04 數(shù)據(jù)與圖像特征提取模塊.mp4

05 體素索引位置獲取.mp4

06 體素特征提取方法解讀.mp4

07 體素特征計(jì)算方法分析.mp4

08 全局體素特征提取.mp4

09 多模態(tài)特征融合.mp4

10 3D卷積特征融合.mp4

11 輸出層預(yù)測(cè)結(jié)果.mp4

19 第八模塊：模型蒸餾應(yīng)用實(shí)例

01 任務(wù)概述與工具使用.mp4

02 Teacher與Student網(wǎng)絡(luò)結(jié)構(gòu)定義.mp4

03 訓(xùn)練T與S得到蒸餾模型.mp4

04 開(kāi)始模型訓(xùn)練過(guò)程與問(wèn)題修正.mp4

05 日志輸出與模型分離.mp4

06 分別得到Teacher與Student模型.mp4

07 實(shí)際測(cè)試效果演示.mp4

20 第八模塊：模型剪枝方法概述分析

01 SuperNet網(wǎng)絡(luò)結(jié)構(gòu)分析與剪枝概述.mp4

02 搜索匹配到符合計(jì)算量的模型并訓(xùn)練.mp4

21 第九模塊：mmaction行為識(shí)別

01 創(chuàng)建自己的行為識(shí)別標(biāo)注數(shù)據(jù)集.mp4

22 OCR算法解讀

01 OCR算法解讀.mp4

23 額外補(bǔ)充-在源碼中加入各種注意力機(jī)制方法

01 在源碼中加入各種注意力機(jī)制方法.mp4

05 Opencv圖像處理框架實(shí)戰(zhàn)

01 課程簡(jiǎn)介與環(huán)境配置

01 課程簡(jiǎn)介.mp4

02 Python與Opencv配置安裝.mp4

03 Notebook與IDE環(huán)境.mp4

02 圖像基本操作

01 計(jì)算機(jī)眼中的圖像.mp4

02 視頻的讀取與處理.mp4

03 ROI區(qū)域.mp4

04 邊界填充.mp4

05 數(shù)值計(jì)算.mp4

03 閾值與平滑處理

01 圖像閾值.mp4

02 圖像平滑處理.mp4

03 高斯與中值濾波.mp4

04 圖像形態(tài)學(xué)操作

01 腐蝕操作.mp4

02 膨脹操作.mp4

03 開(kāi)運(yùn)算與閉運(yùn)算.mp4

04 梯度計(jì)算.mp4

05 禮帽與黑帽.mp4

05 圖像梯度計(jì)算

01 Sobel算子.mp4

02 梯度計(jì)算方法.mp4

03 scharr與lapkacian算子.mp4

06 邊緣檢測(cè)

01 Canny邊緣檢測(cè)流程.mp4

02 非極大值抑制.mp4

03 邊緣檢測(cè)效果.mp4

07 圖像金字塔與輪廓檢測(cè)

01 圖像金字塔定義.mp4

02 金字塔制作方法.mp4

03 輪廓檢測(cè)方法.mp4

04 輪廓檢測(cè)結(jié)果.mp4

05 輪廓特征與近似.mp4

06 模板匹配方法.mp4

07 匹配效果展示.mp4

08 直方圖與傅里葉變換

01 直方圖定義.mp4

02 均衡化原理.mp4

03 均衡化效果.mp4

04 傅里葉概述.mp4

05 頻域變換結(jié)果.mp4

06 低通與高通濾波.mp4

09 項(xiàng)目實(shí)戰(zhàn)-信用卡數(shù)字識(shí)別

01 總體流程與方法講解.mp4

02 環(huán)境配置與預(yù)處理.mp4

03 模板處理方法.mp4

04 輸入數(shù)據(jù)處理方法.mp4

05 模板匹配得出識(shí)別結(jié)果.mp4

10 項(xiàng)目實(shí)戰(zhàn)-文檔掃描OCR識(shí)別

01 整體流程演示.mp4

02 文檔輪廓提取.mp4

03 原始與變換坐標(biāo)計(jì)算.mp4

04 透視變換結(jié)果.mp4

05 tesseract-ocr安裝配置.mp4

06 文檔掃描識(shí)別效果.mp4

11 圖像特征-harris

01 角點(diǎn)檢測(cè)基本原理.mp4

02 基本數(shù)學(xué)原理.mp4

03 求解化簡(jiǎn).mp4

04 特征歸屬劃分.mp4

05 opencv角點(diǎn)檢測(cè)效果.mp4

12 圖像特征-sift

01 尺度空間定義.mp4

02 高斯差分金字塔.mp4

03 特征關(guān)鍵點(diǎn)定位.mp4

04 生成特征描述.mp4

05 特征向量生成.mp4

06 opencv中sift函數(shù)使用.mp4

13 案例實(shí)戰(zhàn)-全景圖像拼接

01 特征匹配方法.mp4

02 RANSAC算法.mp4

03 圖像拼接方法.mp4

04 流程解讀.mp4

14 項(xiàng)目實(shí)戰(zhàn)-停車場(chǎng)車位識(shí)別

01 任務(wù)整體流程.mp4

02 所需數(shù)據(jù)介紹.mp4

03 圖像數(shù)據(jù)預(yù)處理.mp4

04 車位直線檢測(cè).mp4

05 按列劃分區(qū)域.mp4

06 車位區(qū)域劃分.mp4

07 識(shí)別模型構(gòu)建.mp4

08 基于視頻的車位檢測(cè).mp4

15 項(xiàng)目實(shí)戰(zhàn)-答題卡識(shí)別判卷

01 整體流程與效果概述.mp4

02 預(yù)處理操作.mp4

03 填涂輪廓檢測(cè).mp4

04 選項(xiàng)判斷識(shí)別.mp4

16 背景建模

01 背景消除-幀差法.mp4

02 混合高斯模型.mp4

03 學(xué)習(xí)步驟.mp4

04 背景建模實(shí)戰(zhàn).mp4

17 光流估計(jì)

01 基本概念.mp4

02 Lucas-Kanade算法.mp4

03 推導(dǎo)求解.mp4

04 光流估計(jì)實(shí)戰(zhàn).mp4

18 Opencv的DNN模塊

01 dnn模塊.mp4

02 模型加載結(jié)果輸出.mp4

19 項(xiàng)目實(shí)戰(zhàn)-目標(biāo)追蹤

01 目標(biāo)追蹤概述.mp4

02 多目標(biāo)追蹤實(shí)戰(zhàn).mp4

03 深度學(xué)習(xí)檢測(cè)框架加載.mp4

04 基于dlib與ssd的追蹤.mp4

05 多進(jìn)程目標(biāo)追蹤.mp4

06 多進(jìn)程效率提升對(duì)比.mp4

20 卷積原理與操作

01 卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用.mp4

02 卷積層解釋.mp4

03 卷積計(jì)算過(guò)程.mp4

04 pading與stride.mp4

05 卷積參數(shù)共享.mp4

06 池化層原理.mp4

07 卷積效果演示.mp4

08 卷積操作流程.mp4

21 項(xiàng)目實(shí)戰(zhàn)-疲勞檢測(cè)

01 關(guān)鍵點(diǎn)定位概述.mp4

02 獲取人臉關(guān)鍵點(diǎn).mp4

03 定位效果演示.mp4

04 閉眼檢測(cè).mp4

05 檢測(cè)效果.mp4

06 綜合項(xiàng)目-物體檢測(cè)經(jīng)典算法實(shí)戰(zhàn)

01 深度學(xué)習(xí)經(jīng)典檢測(cè)方法概述

01 檢測(cè)任務(wù)中階段的意義.mp4

02 不同階段算法優(yōu)缺點(diǎn)分析.mp4

03 IOU指標(biāo)計(jì)算.mp4

04 評(píng)估所需參數(shù)計(jì)算.mp4

05 map指標(biāo)計(jì)算.mp4

02 YOLO-V1整體思想與網(wǎng)絡(luò)架構(gòu)

01 YOLO算法整體思路解讀.mp4

02 檢測(cè)算法要得到的結(jié)果.mp4

03 整體網(wǎng)絡(luò)架構(gòu)解讀.mp4

04 位置損失計(jì)算.mp4

05 置信度誤差與優(yōu)缺點(diǎn)分析.mp4

03 YOLO-V2改進(jìn)細(xì)節(jié)詳解

01 V2版本細(xì)節(jié)升級(jí)概述.mp4

02 網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn).mp4

03 架構(gòu)細(xì)節(jié)解讀.mp4

04 基于聚類來(lái)選擇先驗(yàn)框尺寸.mp4

05 偏移量計(jì)算方法.mp4

06 坐標(biāo)映射與還原.mp4

07 感受野的作用.mp4

08 特征融合改進(jìn).mp4

04 YOLO-V3核心網(wǎng)絡(luò)模型

01 V3版本改進(jìn)概述.mp4

02 多scale方法改進(jìn)與特征融合.mp4

03 經(jīng)典變換方法對(duì)比分析.mp4

04 殘差連接方法解讀.mp4

05 整體網(wǎng)絡(luò)模型架構(gòu)分析.mp4

06 先驗(yàn)框設(shè)計(jì)改進(jìn).mp4

07 sotfmax層改進(jìn).mp4

05 項(xiàng)目實(shí)戰(zhàn)-基于V3版本進(jìn)行源碼解讀（建議直接跑V5版本）

01 數(shù)據(jù)與環(huán)境配置.mp4

02 訓(xùn)練參數(shù)設(shè)置.mp4

03 COCO圖像數(shù)據(jù)讀取與處理.mp4

04 標(biāo)簽文件讀取與處理.mp4

05 debug模式介紹.mp4

06 基于配置文件構(gòu)建網(wǎng)絡(luò)模型.mp4

07 路由層與shortcut層的作用.mp4

08 YOLO層定義解析.mp4

09 預(yù)測(cè)結(jié)果計(jì)算.mp4

10 網(wǎng)格偏移計(jì)算.mp4

11 模型要計(jì)算的損失概述.mp4

12 標(biāo)簽值格式修改.mp4

13 坐標(biāo)相對(duì)位置計(jì)算.mp4

14 完成所有損失函數(shù)所需計(jì)算指標(biāo).mp4

15 模型訓(xùn)練與總結(jié).mp4

16 預(yù)測(cè)效果展示.mp4

06 基于YOLO-V3訓(xùn)練自己的數(shù)據(jù)集與任務(wù)（建議直接跑V5版本）

01 Labelme工具安裝.mp4

02 數(shù)據(jù)信息標(biāo)注.mp4

03 完成標(biāo)簽制作.mp4

04 生成模型所需配置文件.mp4

05 json格式轉(zhuǎn)換成yolo-v3所需輸入.mp4

06 完成輸入數(shù)據(jù)準(zhǔn)備工作.mp4

07 訓(xùn)練代碼與參數(shù)配置更改.mp4

08 訓(xùn)練模型并測(cè)試效果.mp4

07 YOLO-V4版本算法解讀

01 V4版本整體概述.mp4

02 V4版本貢獻(xiàn)解讀.mp4

03 數(shù)據(jù)增強(qiáng)策略分析.mp4

04 DropBlock與標(biāo)簽平滑方法.mp4

05 損失函數(shù)遇到的問(wèn)題.mp4

06 CIOU損失函數(shù)定義.mp4

07 NMS細(xì)節(jié)改進(jìn).mp4

08 SPP與CSP網(wǎng)絡(luò)結(jié)構(gòu).mp4

09 SAM注意力機(jī)制模塊.mp4

10 PAN模塊解讀.mp4

11 激活函數(shù)與整體架構(gòu)總結(jié).mp4

08 V5版本項(xiàng)目配置

01 整體項(xiàng)目概述.mp4

02 訓(xùn)練自己的數(shù)據(jù)集方法.mp4

03 訓(xùn)練數(shù)據(jù)參數(shù)配置.mp4

04 測(cè)試DEMO演示.mp4

09 V5項(xiàng)目工程源碼解讀

01 數(shù)據(jù)源DEBUG流程解讀.mp4

02 圖像數(shù)據(jù)源配置.mp4

03 加載標(biāo)簽數(shù)據(jù).mp4

04 Mosaic數(shù)據(jù)增強(qiáng)方法.mp4

05 數(shù)據(jù)四合一方法與流程演示.mp4

06 getItem構(gòu)建batch.mp4

07 網(wǎng)絡(luò)架構(gòu)圖可視化工具安裝.mp4

08 V5網(wǎng)絡(luò)配置文件解讀.mp4

09 Focus模塊流程分析.mp4

10 完成配置文件解析任務(wù).mp4

11 前向傳播計(jì)算.mp4

12 BottleneckCSP層計(jì)算方法.mp4

13 SPP層計(jì)算細(xì)節(jié)分析.mp4

14 Head層流程解讀.mp4

15 上采樣與拼接操作.mp4

16 輸出結(jié)果分析.mp4

17 超參數(shù)解讀.mp4

18 命令行參數(shù)介紹.mp4

19 訓(xùn)練流程解讀.mp4

20 各種訓(xùn)練策略概述.mp4

21 模型迭代過(guò)程.mp4

10 V7源碼解讀

01 命令行參數(shù)介紹.mp4

02 基本參數(shù)作用.mp4

03 EMA等訓(xùn)練技巧解讀.mp4

04 網(wǎng)絡(luò)結(jié)構(gòu)配置文件解讀.mp4

05 各模塊操作細(xì)節(jié)分析.mp4

06 輸出層與配置文件其他模塊解讀.mp4

07 標(biāo)簽分配策略準(zhǔn)備操作.mp4

08 候選框偏移方法與find3p模塊解讀.mp4

09 得到偏移點(diǎn)所在網(wǎng)格位置.mp4

10 完成BuildTargets模塊.mp4

11 候選框篩選流程分析.mp4

12 預(yù)測(cè)值各項(xiàng)指標(biāo)獲取與調(diào)整.mp4

13 GT匹配正樣本數(shù)量計(jì)算.mp4

14 通過(guò)IOU與置信度分配正樣本.mp4

15 損失函數(shù)計(jì)算方法.mp4

16 輔助頭AUX網(wǎng)絡(luò)結(jié)構(gòu)配置文件解析.mp4

17 輔助頭損失函數(shù)調(diào)整.mp4

18 BN與卷積權(quán)重參數(shù)融合方法.mp4

19 重參數(shù)化多分支合并加速.mp4

11 EfficientNet網(wǎng)絡(luò)

01 EfficientNet網(wǎng)絡(luò)模型.mp4

12 EfficientDet檢測(cè)算法

01 EfficientDet檢測(cè)算法.mp4

13 基于Transformer的detr目標(biāo)檢測(cè)算法

01 DETR目標(biāo)檢測(cè)基本思想解讀.mp4

02 整體網(wǎng)絡(luò)架構(gòu)分析.mp4

03 位置信息初始化query向量.mp4

04 注意力機(jī)制的作用方法.mp4

05 訓(xùn)練過(guò)程的策略.mp4

14 detr目標(biāo)檢測(cè)源碼解讀

01 項(xiàng)目環(huán)境配置解讀.mp4

02 數(shù)據(jù)處理與dataloader.mp4

03 位置編碼作用分析.mp4

04 backbone特征提取模塊.mp4

05 mask與編碼模塊.mp4

06 編碼層作用方法.mp4

07 Decoder層操作與計(jì)算.mp4

08 輸出預(yù)測(cè)結(jié)果.mp4

09 損失函數(shù)與預(yù)測(cè)輸出.mp4

07 圖像分割實(shí)戰(zhàn)

01 圖像分割及其損失函數(shù)概述

01 語(yǔ)義分割與實(shí)例分割概述.mp4

02 分割任務(wù)中的目標(biāo)函數(shù)定義.mp4

03 MIOU評(píng)估標(biāo)準(zhǔn).mp4

02 卷積神經(jīng)網(wǎng)絡(luò)原理與參數(shù)解讀

01 卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用領(lǐng)域.mp4

02 卷積的作用.mp4

03 卷積特征值計(jì)算方法.mp4

04 得到特征圖表示.mp4

05 步長(zhǎng)與卷積核大小對(duì)結(jié)果的影響.mp4

06 邊緣填充方法.mp4

07 特征圖尺寸計(jì)算與參數(shù)共享.mp4

08 池化層的作用.mp4

09 整體網(wǎng)絡(luò)架構(gòu).mp4

10 VGG網(wǎng)絡(luò)架構(gòu).mp4

11 殘差網(wǎng)絡(luò)Resnet.mp4

12 感受野的作用.mp4

03 Unet系列算法講解

01 Unet網(wǎng)絡(luò)編碼與解碼過(guò)程.mp4

02 網(wǎng)絡(luò)計(jì)算流程.mp4

03 Unet升級(jí)版本改進(jìn).mp4

04 后續(xù)升級(jí)版本介紹.mp4

04 unet醫(yī)學(xué)細(xì)胞分割實(shí)戰(zhàn)

01 醫(yī)學(xué)細(xì)胞數(shù)據(jù)集介紹與參數(shù)配置.mp4

02 數(shù)據(jù)增強(qiáng)工具.mp4

03 Debug模式演示網(wǎng)絡(luò)計(jì)算流程.mp4

04 特征融合方法演示.mp4

05 迭代完成整個(gè)模型計(jì)算任務(wù).mp4

06 模型效果驗(yàn)證.mp4

05 U2NET顯著性檢測(cè)實(shí)戰(zhàn)

01 任務(wù)目標(biāo)與網(wǎng)絡(luò)整體介紹.mp4

02 顯著性檢測(cè)任務(wù)與目標(biāo)概述.mp4

03 編碼器模塊解讀.mp4

04 解碼器輸出結(jié)果.mp4

05 損失函數(shù)與應(yīng)用效果.mp4

06 deeplab系列算法

01 deeplab分割算法概述.mp4

02 空洞卷積的作用.mp4

03 感受野的意義.mp4

04 SPP層的作用.mp4

05 ASPP特征融合策略.mp4

06 deeplabV3Plus版本網(wǎng)絡(luò)架構(gòu).mp4

07 基于deeplabV3+版本進(jìn)行VOC分割實(shí)戰(zhàn)

01 PascalVoc數(shù)據(jù)集介紹.mp4

02 項(xiàng)目參數(shù)與數(shù)據(jù)集讀取.mp4

03 網(wǎng)絡(luò)前向傳播流程.mp4

04 ASPP層特征融合.mp4

05 分割模型訓(xùn)練.mp4

08 醫(yī)學(xué)心臟視頻數(shù)據(jù)集分割建模實(shí)戰(zhàn)

01 數(shù)據(jù)集與任務(wù)概述.mp4

02 項(xiàng)目基本配置參數(shù).mp4

03 任務(wù)流程解讀.mp4

04 文獻(xiàn)報(bào)告分析.mp4

05 補(bǔ)充：視頻數(shù)據(jù)源特征處理方法概述.mp4

06 補(bǔ)充：R(2plus1)D處理方法分析.mp4

09 物體檢測(cè)框架-MaskRcnn項(xiàng)目介紹與配置

01 Mask-Rcnn開(kāi)源項(xiàng)目簡(jiǎn)介.mp4

02 開(kāi)源項(xiàng)目數(shù)據(jù)集.mp4

03 開(kāi)源項(xiàng)目數(shù)據(jù)集.mp4

10 MaskRcnn網(wǎng)絡(luò)框架源碼詳解

01 FPN層特征提取原理解讀.mp4

02 FPN網(wǎng)絡(luò)架構(gòu)實(shí)現(xiàn)解讀.mp4

03 生成框比例設(shè)置.mp4

04 基于不同尺度特征圖生成所有框.mp4

05 RPN層的作用與實(shí)現(xiàn)解讀.mp4

06 候選框過(guò)濾方法.mp4

07 Proposal層實(shí)現(xiàn)方法.mp4

08 DetectionTarget層的作用.mp4

09 正負(fù)樣本選擇與標(biāo)簽定義.mp4

10 RoiPooling層的作用與目的.mp4

11 RorAlign操作的效果.mp4

12 整體框架回顧.mp4

11 基于MASK-RCNN框架訓(xùn)練自己的數(shù)據(jù)與任務(wù)

01 Labelme工具安裝.mp4

02 使用labelme進(jìn)行數(shù)據(jù)與標(biāo)簽標(biāo)注.mp4

03 完成訓(xùn)練數(shù)據(jù)準(zhǔn)備工作.mp4

04 maskrcnn源碼修改方法.mp4

05 基于標(biāo)注數(shù)據(jù)訓(xùn)練所需任務(wù).mp4

06 測(cè)試與展示模塊.mp4

08 行為識(shí)別實(shí)戰(zhàn)

01 slowfast算法知識(shí)點(diǎn)通俗解讀

01 slowfast核心思想解讀.mp4

02 核心網(wǎng)絡(luò)結(jié)構(gòu)模塊分析.mp4

03 數(shù)據(jù)采樣曾的作用.mp4

04 模型網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì).mp4

05 特征融合模塊與總結(jié)分析.mp4

02 slowfast項(xiàng)目環(huán)境配置與配置文件

01 環(huán)境基本配置解讀.mp4

02 目錄各文件分析.mp4

03 配置文件作用解讀.mp4

04 測(cè)試DEMO演示.mp4

05 訓(xùn)練所需標(biāo)簽文件說(shuō)明.mp4

06 訓(xùn)練所需視頻數(shù)據(jù)準(zhǔn)備.mp4

07 視頻數(shù)據(jù)集切分操作.mp4

08 完成視頻分幀操作.mp4

03 slowfast源碼詳細(xì)解讀

01 模型所需配置文件參數(shù)讀取.mp4

02 數(shù)據(jù)處理概述.mp4

03 dataloader數(shù)據(jù)遍歷方法.mp4

04 數(shù)據(jù)與標(biāo)簽讀取實(shí)例.mp4

05 圖像數(shù)據(jù)所需預(yù)處理方法.mp4

06 slow與fast分別執(zhí)行采樣操作.mp4

07 分別計(jì)算特征圖輸出結(jié)果.mp4

08 slow與fast特征圖拼接操作.mp4

09 resnetBolock操作.mp4

10 RoiAlign與輸出層.mp4

04 基于3D卷積的視頻分析與動(dòng)作識(shí)別

01 3D卷積原理解讀.mp4

02 UCF101動(dòng)作識(shí)別數(shù)據(jù)集簡(jiǎn)介.mp4

03 測(cè)試效果與項(xiàng)目配置.mp4

04 視頻數(shù)據(jù)預(yù)處理方法.mp4

05 數(shù)據(jù)Batch制作方法.mp4

06 3D卷積網(wǎng)絡(luò)所涉及模塊.mp4

07 訓(xùn)練網(wǎng)絡(luò)模型.mp4

05 視頻異常檢測(cè)算法與元學(xué)習(xí)

01 異常檢測(cè)要解決的問(wèn)題與數(shù)據(jù)集介紹.mp4

02 基本思想與流程分析.mp4

03 預(yù)測(cè)與常見(jiàn)問(wèn)題.mp4

04 Meta-Learn要解決的問(wèn)題.mp4

05 學(xué)習(xí)能力與參數(shù)定義.mp4

06 如何找到合適的初始化參數(shù).mp4

07 MAML算法流程解讀.mp4

06 視頻異常檢測(cè)CVPR2021論文及其源碼解讀

01 論文概述與環(huán)境配置.mp4

02 數(shù)據(jù)集配置與讀取.mp4

03 模型編碼與解碼結(jié)構(gòu).mp4

04 注意力機(jī)制模塊打造.mp4

05 損失函數(shù)的目的.mp4

06 特征圖生成.mp4

07 MetaLearn與輸出.mp4

07 基礎(chǔ)補(bǔ)充-Resnet模型及其應(yīng)用實(shí)例

01 醫(yī)學(xué)疾病數(shù)據(jù)集介紹.mp4

02 Resnet網(wǎng)絡(luò)架構(gòu)原理分析.mp4

03 dataloader加載數(shù)據(jù)集.mp4

04 Resnet網(wǎng)絡(luò)前向傳播.mp4

05 殘差網(wǎng)絡(luò)的shortcut操作.mp4

06 特征圖升維與降采樣操作.mp4

07 網(wǎng)絡(luò)整體流程與訓(xùn)練演示.mp4

09 2022論文必備-Transformer實(shí)戰(zhàn)系列

01 課程介紹

01 課程介紹.mp4

02 自然語(yǔ)言處理通用框架BERT原理解讀

01 BERT任務(wù)目標(biāo)概述.mp4

02 傳統(tǒng)解決方案遇到的問(wèn)題.mp4

03 注意力機(jī)制的作用.mp4

04 self-attention計(jì)算方法.mp4

05 特征分配與softmax機(jī)制.mp4

06 Multi-head的作用.mp4

07 位置編碼與多層堆疊.mp4

08 transformer整體架構(gòu)梳理.mp4

09 BERT模型訓(xùn)練方法.mp4

10 訓(xùn)練實(shí)例.mp4

03 Transformer在視覺(jué)中的應(yīng)用VIT算法

01 transformer發(fā)家史介紹.mp4

02 對(duì)圖像數(shù)據(jù)構(gòu)建patch序列.mp4

03 VIT整體架構(gòu)解讀.mp4

04 CNN遇到的問(wèn)題與窘境.mp4

05 計(jì)算公式解讀.mp4

06 位置編碼與TNT模型.mp4

07 TNT模型細(xì)節(jié)分析.mp4

04 VIT算法模型源碼解讀

01 項(xiàng)目配置說(shuō)明.mp4

02 輸入序列構(gòu)建方法解讀.mp4

03 注意力機(jī)制計(jì)算.mp4

04 輸出層計(jì)算結(jié)果.mp4

05 swintransformer算法原理解析

01 swintransformer整體概述.mp4

02 要解決的問(wèn)題及其優(yōu)勢(shì)分析.mp4

03 一個(gè)block要完成的任務(wù).mp4

04 獲取各窗口輸入特征.mp4

05 基于窗口的注意力機(jī)制解讀.mp4

06 窗口偏移操作的實(shí)現(xiàn).mp4

07 偏移細(xì)節(jié)分析及其計(jì)算量概述.mp4

08 整體網(wǎng)絡(luò)架構(gòu)整合.mp4

09 下采樣操作實(shí)現(xiàn)方法.mp4

10 分層計(jì)算方法.mp4

06 swintransformer源碼解讀

01 數(shù)據(jù)與環(huán)境配置解讀.mp4

02 圖像數(shù)據(jù)patch編碼.mp4

03 數(shù)據(jù)按window進(jìn)行劃分計(jì)算.mp4

04 基礎(chǔ)attention計(jì)算模塊.mp4

05 窗口位移模塊細(xì)節(jié)分析.mp4

06 patchmerge下采樣操作.mp4

07 各block計(jì)算方法解讀.mp4

08 輸出層概述.mp4

07 基于Transformer的detr目標(biāo)檢測(cè)算法

01 DETR目標(biāo)檢測(cè)基本思想解讀.mp4

02 整體網(wǎng)絡(luò)架構(gòu)分析.mp4

03 位置信息初始化query向量.mp4

04 注意力機(jī)制的作用方法.mp4

05 訓(xùn)練過(guò)程的策略.mp4

08 detr目標(biāo)檢測(cè)源碼解讀

01 項(xiàng)目環(huán)境配置解讀.mp4

02 數(shù)據(jù)處理與dataloader.mp4

03 位置編碼作用分析.mp4

04 backbone特征提取模塊.mp4

05 mask與編碼模塊.mp4

06 編碼層作用方法.mp4

07 Decoder層操作與計(jì)算.mp4

08 輸出預(yù)測(cè)結(jié)果.mp4

09 損失函數(shù)與預(yù)測(cè)輸出.mp4

09 MedicalTrasnformer論文解讀

01 論文整體分析.mp4

02 核心思想分析.mp4

03 網(wǎng)絡(luò)結(jié)構(gòu)計(jì)算流程概述.mp4

04 論文公式計(jì)算分析.mp4

05 位置編碼的作用與效果.mp4

06 拓展應(yīng)用分析.mp4

10 MedicalTransformer源碼解讀

01 項(xiàng)目環(huán)境配置.mp4

02 醫(yī)學(xué)數(shù)據(jù)介紹與分析.mp4

03 基本處理操作.mp4

04 AxialAttention實(shí)現(xiàn)過(guò)程.mp4

05 位置編碼向量解讀.mp4

06 注意力計(jì)算過(guò)程與方法.mp4

07 局部特征提取與計(jì)算.mp4

11 商湯LoFTR算法解讀

01 特征匹配的應(yīng)用場(chǎng)景.mp4

02 特征匹配的基本流程分析.mp4

03 整體流程梳理分析.mp4

04 CrossAttention的作用與效果.mp4

05 transformer構(gòu)建匹配特征.mp4

06 粗粒度匹配過(guò)程與作用.mp4

07 特征圖拆解操作.mp4

08 細(xì)粒度匹配的作用與方法.mp4

09 基于期望預(yù)測(cè)最終位置.mp4

10 總結(jié)分析.mp4

12 局部特征關(guān)鍵點(diǎn)匹配實(shí)戰(zhàn)

01 項(xiàng)目與參數(shù)配置解讀.mp4

02 DEMO效果演示.mp4

03 backbone特征提取模塊.mp4

04 注意力機(jī)制的作用與效果分析.mp4

05 特征融合模塊實(shí)現(xiàn)方法.mp4

06 cross關(guān)系計(jì)算方法實(shí)例.mp4

07 粗粒度匹配過(guò)程.mp4

08 完成基礎(chǔ)匹配模塊.mp4

09 精細(xì)化調(diào)整方法與實(shí)例.mp4

10 得到精細(xì)化輸出結(jié)果.mp4

11 通過(guò)期望計(jì)算最終輸出.mp4

13 項(xiàng)目補(bǔ)充-谷歌開(kāi)源項(xiàng)目BERT源碼解讀與應(yīng)用實(shí)例

01 BERT開(kāi)源項(xiàng)目簡(jiǎn)介.mp4

02 項(xiàng)目參數(shù)配置.mp4

03 數(shù)據(jù)讀取模塊.mp4

04 數(shù)據(jù)預(yù)處理模塊.mp4

05 tfrecord制作.mp4

06 Embedding層的作用.mp4

07 加入額外編碼特征.mp4

08 加入位置編碼特征.mp4

09 mask機(jī)制的作用.mp4

10 構(gòu)建QKV矩陣.mp4

11 完成Transformer模塊構(gòu)建.mp4

12 訓(xùn)練BERT模型.mp4

14 項(xiàng)目補(bǔ)充-基于BERT的中文情感分析實(shí)戰(zhàn)

01 中文分類數(shù)據(jù)與任務(wù)概述.mp4

02 讀取處理自己的數(shù)據(jù)集.mp4

03 訓(xùn)練BERT中文分類模型.mp4

10 圖神經(jīng)網(wǎng)絡(luò)實(shí)戰(zhàn)

01 圖神經(jīng)網(wǎng)絡(luò)基礎(chǔ)

01 圖神經(jīng)網(wǎng)絡(luò)應(yīng)用領(lǐng)域分析.mp4

02 圖基本模塊定義.mp4

03 鄰接矩陣的定義.mp4

04 GNN中常見(jiàn)任務(wù).mp4

05 消息傳遞計(jì)算方法.mp4

06 多層GCN的作用.mp4

02 圖卷積GCN模型

01 GCN基本模型概述.mp4

02 圖卷積的基本計(jì)算方法.mp4

03 鄰接的矩陣的變換.mp4

04 GCN變換原理解讀.mp4

03 圖模型必備神器PyTorch Geometric安裝與使用

01 PyTorch Geometric工具包安裝與配置方法.mp4

02 數(shù)據(jù)集與鄰接矩陣格式.mp4

03 模型定義與訓(xùn)練方法.mp4

04 文獻(xiàn)引用數(shù)據(jù)集分類案例實(shí)戰(zhàn).mp4

04 使用PyTorch Geometric構(gòu)建自己的圖數(shù)據(jù)集

01 構(gòu)建數(shù)據(jù)集基本方法.mp4

02 數(shù)據(jù)集與任務(wù)背景概述.mp4

03 數(shù)據(jù)集基本預(yù)處理.mp4

04 用戶行為圖結(jié)構(gòu)創(chuàng)建.mp4

05 數(shù)據(jù)集創(chuàng)建函數(shù)介紹.mp4

06 網(wǎng)絡(luò)結(jié)構(gòu)定義模塊.mp4

07 TopkPooling進(jìn)行下采樣任務(wù).mp4

08 獲取全局特征.mp4

09 模型訓(xùn)練與總結(jié).mp4

05 圖注意力機(jī)制與序列圖模型

01 圖注意力機(jī)制的作用與方法.mp4

02 鄰接矩陣計(jì)算圖Attention.mp4

03 序列圖神經(jīng)網(wǎng)絡(luò)TGCN應(yīng)用.mp4

04 序列圖神經(jīng)網(wǎng)絡(luò)細(xì)節(jié).mp4

06 圖相似度論文解讀

01 要完成的任務(wù)分析.mp4

02 基本方法概述解讀.mp4

03 圖模型提取全局與局部特征.mp4

04 NTN模塊的作用與效果.mp4

05 點(diǎn)之間的對(duì)應(yīng)關(guān)系計(jì)算.mp4

06 結(jié)果輸出與總結(jié).mp4

07 圖相似度計(jì)算實(shí)戰(zhàn)

01 數(shù)據(jù)集與任務(wù)概述.mp4

02 圖卷積特征提取模塊.mp4

03 分別計(jì)算不同Batch點(diǎn)的分布.mp4

04 獲得直方圖特征結(jié)果.mp4

05 圖的全局特征構(gòu)建.mp4

06 NTN圖相似特征提取.mp4

07 預(yù)測(cè)得到相似度結(jié)果.mp4

08 基于圖模型的軌跡估計(jì)

01 數(shù)據(jù)集與標(biāo)注信息解讀.mp4

02 整體三大模塊分析.mp4

03 特征工程的作用與效果.mp4

04 傳統(tǒng)方法與現(xiàn)在向量空間對(duì)比.mp4

05 輸入細(xì)節(jié)分析.mp4

06 子圖模塊構(gòu)建方法.mp4

07 特征融合模塊分析.mp4

08 VectorNet輸出層分析.mp4

09 圖模型軌跡估計(jì)實(shí)戰(zhàn)

01 數(shù)據(jù)與環(huán)境配置.mp4

02 訓(xùn)練數(shù)據(jù)準(zhǔn)備.mp4

03 Agent特征提取方法.mp4

04 DataLoader構(gòu)建圖結(jié)構(gòu).mp4

05 SubGraph與Attention模型流程.mp4

11 3D點(diǎn)云實(shí)戰(zhàn)

01 3D點(diǎn)云實(shí)戰(zhàn) 3D點(diǎn)云應(yīng)用領(lǐng)域分析

01 點(diǎn)云數(shù)據(jù)概述.mp4

02 點(diǎn)云應(yīng)用領(lǐng)域與發(fā)展分析.mp4

03 點(diǎn)云分割任務(wù).mp4

04 點(diǎn)云補(bǔ)全任務(wù).mp4

05 點(diǎn)云檢測(cè)與配準(zhǔn)任務(wù).mp4

06 點(diǎn)云數(shù)據(jù)特征提取概述與預(yù)告.mp4

02 3D點(diǎn)云PointNet算法

01 3D數(shù)據(jù)應(yīng)用領(lǐng)域與點(diǎn)云介紹.mp4

02 點(diǎn)云數(shù)據(jù)可視化展示.mp4

03 點(diǎn)云數(shù)據(jù)特性和及要解決的問(wèn)題.mp4

04 PointNet算法出發(fā)點(diǎn)解讀.mp4

05 PointNet算法網(wǎng)絡(luò)架構(gòu)解讀.mp4

03 PointNet++算法解讀

01 PointNet升級(jí)版算法要解決的問(wèn)題.mp4

02 最遠(yuǎn)點(diǎn)采樣方法.mp4

03 分組Group方法原理解讀.mp4

04 整體流程概述分析.mp4

05 分類與分割問(wèn)題解決方案.mp4

06 遇到的問(wèn)題及改進(jìn)方法分析.mp4

04 Pointnet++項(xiàng)目實(shí)戰(zhàn)

01 項(xiàng)目文件概述.mp4

02 數(shù)據(jù)讀取模塊配置.mp4

03 DEBUG解讀網(wǎng)絡(luò)模型架構(gòu).mp4

04 最遠(yuǎn)點(diǎn)采樣介紹.mp4

05 采樣得到中心點(diǎn).mp4

06 組區(qū)域劃分方法.mp4

07 實(shí)現(xiàn)group操作得到各中心簇.mp4

08 特征提取模塊整體流程.mp4

09 預(yù)測(cè)結(jié)果輸出模塊.mp4

10 分類任務(wù)總結(jié).mp4

11 分割任務(wù)數(shù)據(jù)與配置概述.mp4

12 分割需要解決的任務(wù)概述.mp4

13 上采樣完成分割任務(wù).mp4

05 點(diǎn)云補(bǔ)全PF-Net論文解讀

01 點(diǎn)云補(bǔ)全要解決的問(wèn)題.mp4

02 基本解決方案概述.mp4

03 整體網(wǎng)絡(luò)概述.mp4

04 網(wǎng)絡(luò)計(jì)算流程.mp4

05 輸入與計(jì)算結(jié)果.mp4

06 點(diǎn)云補(bǔ)全實(shí)戰(zhàn)解讀

01 數(shù)據(jù)與項(xiàng)目配置解讀.mp4

02 待補(bǔ)全數(shù)據(jù)準(zhǔn)備方法.mp4

03 整體框架概述.mp4

04 MRE特征提取模塊.mp4

05 分層預(yù)測(cè)輸出模塊.mp4

06 補(bǔ)全點(diǎn)云數(shù)據(jù).mp4

07 判別模塊.mp4

07 點(diǎn)云配準(zhǔn)及其案例實(shí)戰(zhàn)

01 點(diǎn)云配準(zhǔn)任務(wù)概述.mp4

02 配準(zhǔn)要完成的目標(biāo)解讀.mp4

03 訓(xùn)練數(shù)據(jù)構(gòu)建.mp4

04 任務(wù)基本流程.mp4

05 數(shù)據(jù)源配置方法.mp4

06 參數(shù)計(jì)算模塊解讀.mp4

07 基于模型預(yù)測(cè)輸出參數(shù).mp4

08 特征構(gòu)建方法分析.mp4

09 任務(wù)總結(jié).mp4

08 基礎(chǔ)補(bǔ)充-對(duì)抗生成網(wǎng)絡(luò)架構(gòu)原理與實(shí)戰(zhàn)解析

01 對(duì)抗生成網(wǎng)絡(luò)通俗解釋.mp4

02 GAN網(wǎng)絡(luò)組成.mp4

03 損失函數(shù)解釋說(shuō)明.mp4

04 數(shù)據(jù)讀取模塊.mp4

05 生成與判別網(wǎng)絡(luò)定義.mp4

12 目標(biāo)追蹤與姿態(tài)估計(jì)實(shí)戰(zhàn)

01 課程介紹

01 課程介紹.mp4

02 姿態(tài)估計(jì)OpenPose系列算法解讀

01 姿態(tài)估計(jì)要解決的問(wèn)題分析.mp4

02 姿態(tài)估計(jì)應(yīng)用領(lǐng)域概述.mp4

03 傳統(tǒng)topdown方法的問(wèn)題.mp4

04 要解決的兩個(gè)問(wèn)題分析.mp4

05 基于高斯分布預(yù)測(cè)關(guān)鍵點(diǎn)位置.mp4

06 各模塊輸出特征圖解讀.mp4

07 PAF向量登場(chǎng).mp4

08 PAF標(biāo)簽設(shè)計(jì)方法.mp4

09 預(yù)測(cè)時(shí)PAF積分計(jì)算方法.mp4

10 匹配方法解讀.mp4

11 CPM模型特點(diǎn).mp4

12 算法流程與總結(jié).mp4

03 OpenPose算法源碼分析

01 數(shù)據(jù)集與路徑配置解讀.mp4

02 讀取圖像與標(biāo)注信息.mp4

03 關(guān)鍵點(diǎn)與軀干特征圖初始化.mp4

04 根據(jù)關(guān)鍵點(diǎn)位置設(shè)計(jì)關(guān)鍵點(diǎn)標(biāo)簽.mp4

05 準(zhǔn)備構(gòu)建PAF軀干標(biāo)簽.mp4

06 各位置點(diǎn)歸屬判斷.mp4

07 特征圖各點(diǎn)累加向量計(jì)算.mp4

08 完成PAF特征圖制作.mp4

09 網(wǎng)絡(luò)模型一階段輸出.mp4

10 多階段輸出與預(yù)測(cè).mp4

04 deepsort算法知識(shí)點(diǎn)解讀

01 卡爾曼濾波通俗解釋.mp4

02 卡爾曼濾波要完成的任務(wù).mp4

03 任務(wù)本質(zhì)分析.mp4

04 基于觀測(cè)值進(jìn)行最優(yōu)估計(jì).mp4

05 預(yù)測(cè)與更新操作.mp4

06 追蹤中的狀態(tài)量.mp4

07 匈牙利匹配算法概述.mp4

08 匹配小例子分析.mp4

09 REID特征的作用.mp4

10 sort與deepsort建模流程分析.mp4

11 預(yù)測(cè)與匹配流程解讀.mp4

12 追蹤任務(wù)流程拆解.mp4

05 deepsort源碼解讀

01 項(xiàng)目環(huán)境配置.mp4

02 參數(shù)與DEMO演示.mp4

03 針對(duì)檢測(cè)結(jié)果初始化track.mp4

04 對(duì)track執(zhí)行預(yù)測(cè)操作.mp4

05 狀態(tài)量預(yù)測(cè)結(jié)果.mp4

06 IOU代價(jià)矩陣計(jì)算.mp4

07 參數(shù)更新操作.mp4

08 級(jí)聯(lián)匹配模塊.mp4

09 ReID特征代價(jià)矩陣計(jì)算.mp4

10 匹配結(jié)果與總結(jié).mp4

06 YOLO-V4版本算法解讀

01 V4版本整體概述.mp4

02 V4版本貢獻(xiàn)解讀.mp4

03 數(shù)據(jù)增強(qiáng)策略分析.mp4

04 DropBlock與標(biāo)簽平滑方法.mp4

05 損失函數(shù)遇到的問(wèn)題.mp4

06 CIOU損失函數(shù)定義.mp4

07 NMS細(xì)節(jié)改進(jìn).mp4

08 SPP與CSP網(wǎng)絡(luò)結(jié)構(gòu).mp4

09 SAM注意力機(jī)制模塊.mp4

10 PAN模塊解讀.mp4

11 激活函數(shù)與整體架構(gòu)總結(jié).mp4

07 V5版本項(xiàng)目配置

01 整體項(xiàng)目概述.mp4

02 訓(xùn)練自己的數(shù)據(jù)集方法.mp4

03 訓(xùn)練數(shù)據(jù)參數(shù)配置.mp4

04 測(cè)試DEMO演示.mp4

08 V5項(xiàng)目工程源碼解讀

01 數(shù)據(jù)源DEBUG流程解讀.mp4

02 圖像數(shù)據(jù)源配置.mp4

03 加載標(biāo)簽數(shù)據(jù).mp4

04 Mosaic數(shù)據(jù)增強(qiáng)方法.mp4

05 數(shù)據(jù)四合一方法與流程演示.mp4

06 getItem構(gòu)建batch.mp4

07 網(wǎng)絡(luò)架構(gòu)圖可視化工具安裝.mp4

08 V5網(wǎng)絡(luò)配置文件解讀.mp4

09 Focus模塊流程分析.mp4

10 完成配置文件解析任務(wù).mp4

11 前向傳播計(jì)算.mp4

12 BottleneckCSP層計(jì)算方法.mp4

13 1-SPP層計(jì)算細(xì)節(jié)分析.mp4

14 2-Head層流程解讀.mp4

15 上采樣與拼接操作.mp4

16 輸出結(jié)果分析.mp4

17 超參數(shù)解讀.mp4

18 命令行參數(shù)介紹.mp4

19 訓(xùn)練流程解讀.mp4

20 各種訓(xùn)練策略概述.mp4

21 模型迭代過(guò)程.mp4

13 面向深度學(xué)習(xí)的無(wú)人駕駛實(shí)戰(zhàn)

01 深度估計(jì)算法原理解讀

01 深度估計(jì)效果與應(yīng)用.mp4

02 kitti數(shù)據(jù)集介紹.mp4

03 使用backbone獲取層級(jí)特征.mp4

04 差異特征計(jì)算邊界信息.mp4

05 SPP層的作用.mp4

06 空洞卷積與ASPP.mp4

07 特征拼接方法分析.mp4

08 網(wǎng)絡(luò)coarse-to-fine過(guò)程.mp4

09 權(quán)重參數(shù)預(yù)處理.mp4

10 損失計(jì)算.mp4

02 深度估計(jì)項(xiàng)目實(shí)戰(zhàn)

01 項(xiàng)目環(huán)境配置解讀.mp4

02 數(shù)據(jù)與標(biāo)簽定義方法.mp4

03 數(shù)據(jù)集dataloader制作.mp4

04 使用backbone進(jìn)行特征提取.mp4

05 計(jì)算差異特征.mp4

06 權(quán)重參數(shù)標(biāo)準(zhǔn)化操作.mp4

07 網(wǎng)絡(luò)結(jié)構(gòu)ASPP層.mp4

08 特征拼接方法解讀.mp4

09 輸出深度估計(jì)結(jié)果.mp4

10 損失函數(shù)通俗解讀.mp4

11 模型DEMO輸出結(jié)果.mp4

03 車道線檢測(cè)算法與論文解讀

01 數(shù)據(jù)標(biāo)簽與任務(wù)分析.mp4

02 網(wǎng)絡(luò)整體框架分析.mp4

03 輸出結(jié)果分析.mp4

04 損失函數(shù)計(jì)算方法.mp4

05 論文概述分析.mp4

04 基于深度學(xué)習(xí)的車道線檢測(cè)項(xiàng)目實(shí)戰(zhàn)

01 車道數(shù)據(jù)與標(biāo)簽解讀.mp4

02 項(xiàng)目環(huán)境配置演示.mp4

03 制作數(shù)據(jù)集dataloader.mp4

04 車道線標(biāo)簽數(shù)據(jù)處理.mp4

05 四條車道線標(biāo)簽位置矩陣.mp4

06 grid設(shè)置方法.mp4

07 完成數(shù)據(jù)與標(biāo)簽制作.mp4

08 算法網(wǎng)絡(luò)結(jié)構(gòu)解讀.mp4

09 損失函數(shù)計(jì)算模塊分析.mp4

10 車道線規(guī)則損失函數(shù)限制.mp4

11 DEMO制作與配置.mp4

05 商湯LoFTR算法解讀

01 特征匹配的應(yīng)用場(chǎng)景.mp4

02 特征匹配的基本流程分析.mp4

03 整體流程梳理分析.mp4

04 CrossAttention的作用與效果.mp4

05 transformer構(gòu)建匹配特征.mp4

06 粗粒度匹配過(guò)程與作用.mp4

07 特征圖拆解操作.mp4

08 細(xì)粒度匹配的作用與方法.mp4

09 基于期望預(yù)測(cè)最終位置.mp4

10 總結(jié)分析.mp4

06 局部特征關(guān)鍵點(diǎn)匹配實(shí)戰(zhàn)

01 項(xiàng)目與參數(shù)配置解讀.mp4

02 DEMO效果演示.mp4

03 backbone特征提取模塊.mp4

04 注意力機(jī)制的作用與效果分析.mp4

05 特征融合模塊實(shí)現(xiàn)方法.mp4

06 cross關(guān)系計(jì)算方法實(shí)例.mp4

07 粗粒度匹配過(guò)程.mp4

08 完成基礎(chǔ)匹配模塊.mp4

09 精細(xì)化調(diào)整方法與實(shí)例.mp4

10 得到精細(xì)化輸出結(jié)果.mp4

11 通過(guò)期望計(jì)算最終輸出.mp4

07 三維重建應(yīng)用與坐標(biāo)系基礎(chǔ)

01 三維重建概述分析.mp4

02 三維重建應(yīng)用領(lǐng)域概述.mp4

03 成像方法概述.mp4

04 相機(jī)坐標(biāo)系.mp4

05 坐標(biāo)系轉(zhuǎn)換方法解讀.mp4

06 相機(jī)內(nèi)外參.mp4

07 通過(guò)內(nèi)外參數(shù)進(jìn)行坐標(biāo)變換.mp4

08 相機(jī)標(biāo)定簡(jiǎn)介.mp4

08 NeuralRecon算法解讀

01 任務(wù)流程分析.mp4

02 基本框架熟悉.mp4

03 特征映射方法解讀.mp4

04 片段融合思想.mp4

05 整體架構(gòu)重構(gòu)方法.mp4

09 NeuralRecon項(xiàng)目環(huán)境配置

01 數(shù)據(jù)集下載與配置方法.mp4

02 Scannet數(shù)據(jù)集內(nèi)容概述.mp4

03 TSDF標(biāo)簽生成方法.mp4

04 ISSUE的作用.mp4

05 完成依賴環(huán)境配置.mp4

10 NeuralRecon項(xiàng)目源碼解讀

01 Backbone得到特征圖.mp4

02 初始化體素位置.mp4

03 坐標(biāo)映射方法實(shí)現(xiàn).mp4

04 得到體素所對(duì)應(yīng)特征圖.mp4

05 插值得到對(duì)應(yīng)特征向量.mp4

06 得到一階段輸出結(jié)果.mp4

07 完成三個(gè)階段預(yù)測(cè)結(jié)果.mp4

08 項(xiàng)目總結(jié).mp4

11 TSDF算法與應(yīng)用

01 TSDF整體概述分析.mp4

02 合成過(guò)程DEMO演示.mp4

03 布局初始化操作.mp4

04 TSDF計(jì)算基本流程解讀.mp4

05 坐標(biāo)轉(zhuǎn)換流程分析.mp4

06 輸出結(jié)果融合更新.mp4

12 TSDF實(shí)戰(zhàn)案例

01 環(huán)境配置概述.mp4

02 初始化與數(shù)據(jù)讀取.mp4

03 計(jì)算得到TSDF輸出.mp4

13 軌跡估計(jì)算法與論文解讀

01 數(shù)據(jù)集與標(biāo)注信息解讀.mp4

02 整體三大模塊分析.mp4

03 特征工程的作用與效果.mp4

04 傳統(tǒng)方法與現(xiàn)在向量空間對(duì)比.mp4

05 輸入細(xì)節(jié)分析.mp4

06 子圖模塊構(gòu)建方法.mp4

07 特征融合模塊分析.mp4

08 VectorNet輸出層分析.mp4

14 軌跡估計(jì)預(yù)測(cè)實(shí)戰(zhàn)

01 數(shù)據(jù)與環(huán)境配置.mp4

02 訓(xùn)練數(shù)據(jù)準(zhǔn)備.mp4

03 Agent特征提取方法.mp4

04 DataLoader構(gòu)建圖結(jié)構(gòu).mp4

05 SubGraph與Attention模型流程.mp4

15 特斯拉無(wú)人駕駛解讀

01 特斯拉無(wú)人駕駛解讀.mp4

14 對(duì)比學(xué)習(xí)與多模態(tài)任務(wù)實(shí)戰(zhàn)

01 對(duì)比學(xué)習(xí)算法與實(shí)例

01 對(duì)比學(xué)習(xí)算法與實(shí)例.mp4

02 CLIP系列

01 CLIP系列.mp4

03 多模態(tài)3D目標(biāo)檢測(cè)算法源碼解讀

01 環(huán)境配置與數(shù)據(jù)集概述.mp4

02 數(shù)據(jù)與標(biāo)注文件介紹.mp4

03 基本流程梳理并進(jìn)入debug模式.mp4

04 數(shù)據(jù)與圖像特征提取模塊.mp4

05 體素索引位置獲取.mp4

06 體素特征提取方法解讀.mp4

07 體素特征計(jì)算方法分析.mp4

08 全局體素特征提取.mp4

09 多模態(tài)特征融合.mp4

10 3D卷積特征融合.mp4

11 輸出層預(yù)測(cè)結(jié)果.mp4

04 多模態(tài)文字識(shí)別

01 多模態(tài)文字識(shí)別.mp4

05 ANINET源碼解讀

01 數(shù)據(jù)集與環(huán)境概述.mp4

02 配置文件修改方法.mp4

03 Bakbone模塊得到特征.mp4

04 視覺(jué)Transformer模塊的作用.mp4

05 視覺(jué)模型中的編碼與解碼的效果.mp4

06 文本模型中的結(jié)構(gòu)分析.mp4

07 迭代修正模塊.mp4

08 輸出層與損失計(jì)算.mp4

15 缺陷檢測(cè)實(shí)戰(zhàn)

01 課程介紹

01 課程介紹.mp4

02 物體檢框架YOLO-V4版本算法解讀

01 V4版本整體概述.mp4

01 源碼【內(nèi)有百度云地址，自取】.txt

02 V4版本貢獻(xiàn)解讀.mp4

03 數(shù)據(jù)增強(qiáng)策略分析.mp4

04 DropBlock與標(biāo)簽平滑方法.mp4

05 損失函數(shù)遇到的問(wèn)題.mp4

06 CIOU損失函數(shù)定義.mp4

07 NMS細(xì)節(jié)改進(jìn).mp4

08 SPP與CSP網(wǎng)絡(luò)結(jié)構(gòu).mp4

09 SAM注意力機(jī)制模塊.mp4

10 PAN模塊解讀.mp4

11 激活函數(shù)與整體架構(gòu)總結(jié).mp4

03 物體檢測(cè)框架YOLOV5版本項(xiàng)目配置

01 整體項(xiàng)目概述.mp4

02 訓(xùn)練自己的數(shù)據(jù)集方法.mp4

03 訓(xùn)練數(shù)據(jù)參數(shù)配置.mp4

04 測(cè)試DEMO演示.mp4

04 物體檢測(cè)框架YOLOV5項(xiàng)目工程源碼解讀

01 數(shù)據(jù)源DEBUG流程解讀.mp4

02 圖像數(shù)據(jù)源配置.mp4

03 加載標(biāo)簽數(shù)據(jù).mp4

04 Mosaic數(shù)據(jù)增強(qiáng)方法.mp4

05 數(shù)據(jù)四合一方法與流程演示.mp4

06 getItem構(gòu)建batch.mp4

07 網(wǎng)絡(luò)架構(gòu)圖可視化工具安裝.mp4

08 V5網(wǎng)絡(luò)配置文件解讀.mp4

09 Focus模塊流程分析.mp4

10 完成配置文件解析任務(wù).mp4

11 前向傳播計(jì)算.mp4

12 BottleneckCSP層計(jì)算方法.mp4

13 SPP層計(jì)算細(xì)節(jié)分析.mp4

14 Head層流程解讀.mp4

15 上采樣與拼接操作.mp4

16 輸出結(jié)果分析.mp4

17 超參數(shù)解讀.mp4

18 命令行參數(shù)介紹.mp4

19 訓(xùn)練流程解讀.mp4

20 各種訓(xùn)練策略概述.mp4

21 模型迭代過(guò)程.mp4

05 基于YOLOV5的鋼材缺陷檢測(cè)實(shí)戰(zhàn)

01 任務(wù)需求與項(xiàng)目概述.mp4

02 數(shù)據(jù)與標(biāo)簽配置方法.mp4

03 標(biāo)簽轉(zhuǎn)換格式腳本制作.mp4

04 各版本模型介紹分析.mp4

05 項(xiàng)目參數(shù)配置.mp4

06 缺陷檢測(cè)模型訓(xùn)練.mp4

07 輸出結(jié)果與項(xiàng)目總結(jié).mp4

06 Semi-supervised布料缺陷檢測(cè)實(shí)戰(zhàn)

01 任務(wù)目標(biāo)與流程概述.mp4

02 論文思想與模型分析.mp4

03 項(xiàng)目配置解讀.mp4

04 網(wǎng)絡(luò)流程分析.mp4

05 輸出結(jié)果展示.mp4

07 Opencv圖像常用處理方法實(shí)例

01 計(jì)算機(jī)眼中的圖像.mp4

02 視頻的讀取與處理.mp4

03 ROI區(qū)域.mp4

04 邊界填充.mp4

05 數(shù)值計(jì)算.mp4

06 圖像閾值.mp4

07 圖像平滑處理.mp4

08 高斯與中值濾波.mp4

09 腐蝕操作.mp4

10 膨脹操作.mp4

11 開(kāi)運(yùn)算與閉運(yùn)算.mp4

12 梯度計(jì)算.mp4

13 禮帽與黑帽.mp4

08 Opencv梯度計(jì)算與邊緣檢測(cè)實(shí)例

01 Canny邊緣檢測(cè)流程.mp4

02 非極大值抑制.mp4

03 邊緣檢測(cè)效果.mp4

04 Sobel算子.mp4

05 梯度計(jì)算方法.mp4

06 scharr與lapkacian算子.mp4

09 Opencv輪廓檢測(cè)與直方圖

01 圖像金字塔定義.mp4

02 金字塔制作方法.mp4

03 輪廓檢測(cè)方法.mp4

04 輪廓檢測(cè)結(jié)果.mp4

05 輪廓特征與近似.mp4

06 模板匹配方法.mp4

07 匹配效果展示.mp4

08 直方圖定義.mp4

09 均衡化原理.mp4

10 均衡化效果.mp4

11 傅里葉概述.mp4

12 頻域變換結(jié)果.mp4

13 低通與高通濾波.mp4

10 基于Opencv缺陷檢測(cè)項(xiàng)目實(shí)戰(zhàn)

01 任務(wù)需求與環(huán)境配置.mp4

02 數(shù)據(jù)讀取與基本處理.mp4

03 缺陷形態(tài)學(xué)操作.mp4

04 整體流程解讀.mp4

05 缺陷檢測(cè)效果演示.mp4

11 基于視頻流水線的Opencv缺陷檢測(cè)項(xiàng)目

01 數(shù)據(jù)與任務(wù)概述.mp4

02 視頻數(shù)據(jù)讀取與輪廓檢測(cè).mp4

03 目標(biāo)質(zhì)心計(jì)算.mp4

04 視頻數(shù)據(jù)遍歷方法.mp4

05 缺陷區(qū)域提取.mp4

06 不同類型的缺陷檢測(cè)方法.mp4

07 檢測(cè)效果演示.mp4

12 圖像分割deeplab系列算法

01 deeplab分割算法概述.mp4

02 空洞卷積的作用.mp4

03 感受野的意義.mp4

04 SPP層的作用.mp4

05 ASPP特征融合策略.mp4

06 deeplabV3Plus版本網(wǎng)絡(luò)架構(gòu).mp4

13 基于deeplabV3+版本進(jìn)行VOC分割實(shí)戰(zhàn)

01 PascalVoc數(shù)據(jù)集介紹.mp4

02 項(xiàng)目參數(shù)與數(shù)據(jù)集讀取.mp4

03 網(wǎng)絡(luò)前向傳播流程.mp4

04 ASPP層特征融合.mp4

05 分割模型訓(xùn)練.mp4

14 Deeplab鐵質(zhì)材料缺陷檢測(cè)與開(kāi)源項(xiàng)目應(yīng)用流程

01 數(shù)據(jù)集與任務(wù)概述.mp4

02 開(kāi)源項(xiàng)目應(yīng)用方法.mp4

03 github與kaggle中需要注意的點(diǎn).mp4

04 源碼的利用方法.mp4

04 源碼的利用方法_ev.mp4

05 數(shù)據(jù)集制作方法_ev.mp4

06 數(shù)據(jù)路徑配置_ev.mp4

07 訓(xùn)練模型_ev.mp4

08 任務(wù)總結(jié)_ev.mp4

16 行人重識(shí)別實(shí)戰(zhàn)

01 行人重識(shí)別原理及其應(yīng)用

01 行人重識(shí)別要解決的問(wèn)題_ev.mp4

02 挑戰(zhàn)與困難分析_ev.mp4

03 評(píng)估標(biāo)準(zhǔn)rank1指標(biāo)_ev.mp4

04 map值計(jì)算方法_ev.mp4

05 triplet損失計(jì)算實(shí)例_ev.mp4

06 Hard-Negative方法應(yīng)用_ev.mp4

02 基于注意力機(jī)制的Reld模型論文解讀

01 論文整體思想及注意力機(jī)制的作用解讀_ev.mp4

02 空間權(quán)重值計(jì)算流程分析_ev.mp4

03 融合空間注意力所需特征_ev.mp4

04 基于特征圖的注意力計(jì)算_ev.mp4

03 基于Attention的行人重識(shí)別項(xiàng)目實(shí)戰(zhàn)

01 項(xiàng)目環(huán)境與數(shù)據(jù)集配置_ev.mp4

02 參數(shù)配置與整體架構(gòu)分析_ev.mp4

03 進(jìn)入debug模式解讀網(wǎng)絡(luò)計(jì)算流程_ev.mp4

04 獲得空間位置點(diǎn)之間的關(guān)系_ev.mp4

05 組合關(guān)系特征圖_ev.mp4

06 計(jì)算得到位置權(quán)重值_ev.mp4

07 基于特征圖的權(quán)重計(jì)算_ev.mp4

08 損失函數(shù)計(jì)算實(shí)例解讀_ev.mp4

09 訓(xùn)練與測(cè)試模塊演示_ev.mp4

04 AAAI2020頂會(huì)算法精講

01 論文整體框架概述_ev.mp4

02 局部特征與全局關(guān)系計(jì)算方法_ev.mp4

03 特征分組方法_ev.mp4

04 GCP模塊特征融合方法_ev.mp4

05 oneVsReset方法實(shí)例_ev.mp4

06 損失函數(shù)應(yīng)用位置_ev.mp4

05 項(xiàng)目實(shí)戰(zhàn)-基于行人局部特征融合的再識(shí)別實(shí)戰(zhàn)

01 項(xiàng)目配置與數(shù)據(jù)集介紹_ev.mp4

02 數(shù)據(jù)源構(gòu)建方法分析_ev.mp4

03 dataloader加載順序解讀_ev.mp4

04 debug模式解讀_ev.mp4

05 網(wǎng)絡(luò)計(jì)算整體流程演示_ev.mp4

06 特征序列構(gòu)建_ev.mp4

07 GCP全局特征提取_ev.mp4

08 局部特征提取實(shí)例_ev.mp4

09 特征組合匯總_ev.mp4

10 得到所有分組特征結(jié)果_ev.mp4

11 損失函數(shù)與訓(xùn)練過(guò)程演示_ev.mp4

12 測(cè)試與驗(yàn)證模塊_ev.mp4

06 曠視研究院最新算法解讀（基于圖模型）

01 關(guān)鍵點(diǎn)位置特征構(gòu)建_ev.mp4

02 圖卷積與匹配的作用_ev.mp4

03 局部特征熱度圖計(jì)算_ev.mp4

04 基于圖卷積構(gòu)建人體拓?fù)潢P(guān)系_ev.mp4

05 圖卷積模塊實(shí)現(xiàn)方法_ev.mp4

06 圖匹配在行人重識(shí)別中的作用_ev.mp4

07 整體算法框架分析_ev.mp4

07 基于拓?fù)鋱D的行人重識(shí)別項(xiàng)目實(shí)戰(zhàn)

01 數(shù)據(jù)集與環(huán)境配置概述_ev.mp4

02 局部特征準(zhǔn)備方法_ev.mp4

03 得到一階段熱度圖結(jié)果_ev.mp4

04 階段監(jiān)督訓(xùn)練_ev.mp4

05 初始化圖卷積模型_ev.mp4

06 mask矩陣的作用_ev.mp4

07 鄰接矩陣學(xué)習(xí)與更新_ev.mp4

08 基于拓?fù)浣Y(jié)構(gòu)組合關(guān)鍵點(diǎn)特征_ev.mp4

09 圖匹配模塊計(jì)算流程_ev.mp4

10 整體項(xiàng)目總結(jié)_ev.mp4

17 對(duì)抗生成網(wǎng)絡(luò)實(shí)戰(zhàn)

01 課程介紹

01 課程介紹_ev.mp4

02 對(duì)抗生成網(wǎng)絡(luò)架構(gòu)原理與實(shí)戰(zhàn)解析

01 對(duì)抗生成網(wǎng)絡(luò)通俗解釋_ev.mp4

02 GAN網(wǎng)絡(luò)組成_ev.mp4

03 損失函數(shù)解釋說(shuō)明_ev.mp4

04 數(shù)據(jù)讀取模塊_ev.mp4

05 生成與判別網(wǎng)絡(luò)定義_ev.mp4

03 基于CycleGan開(kāi)源項(xiàng)目實(shí)戰(zhàn)圖像合成

01 CycleGan網(wǎng)絡(luò)所需數(shù)據(jù)_ev.mp4

02 CycleGan整體網(wǎng)絡(luò)架構(gòu)_ev.mp4

03 PatchGan判別網(wǎng)絡(luò)原理_ev.mp4

04 Cycle開(kāi)源項(xiàng)目簡(jiǎn)介_(kāi)ev.mp4

05 數(shù)據(jù)讀取與預(yù)處理操作_ev.mp4

06 生成網(wǎng)絡(luò)模塊構(gòu)造_ev.mp4

07 判別網(wǎng)絡(luò)模塊構(gòu)造_ev.mp4

08 損失函數(shù)：identity loss計(jì)算方法_ev.mp4

09 生成與判別損失函數(shù)指定_ev.mp4

10 額外補(bǔ)充：VISDOM可視化配置_ev.mp4

04 stargan論文架構(gòu)解析

01 stargan效果演示分析_ev.mp4

02 網(wǎng)絡(luò)架構(gòu)整體思路解讀_ev.mp4

03 建模流程分析_ev.mp4

04 V1版本存在的問(wèn)題及后續(xù)改進(jìn)思路_ev.mp4

05 V2版本在整體網(wǎng)絡(luò)架構(gòu)_ev.mp4

06 編碼器訓(xùn)練方法_ev.mp4

07 損失函數(shù)公式解析_ev.mp4

08 訓(xùn)練過(guò)程分析_ev.mp4

05 stargan項(xiàng)目實(shí)戰(zhàn)及其源碼解讀

01 測(cè)試模塊效果與實(shí)驗(yàn)分析_ev.mp4

02 項(xiàng)目配置與數(shù)據(jù)源下載_ev.mp4

03 測(cè)試效果演示_ev.mp4

04 項(xiàng)目參數(shù)解析_ev.mp4

05 生成器模塊源碼解讀_ev.mp4

06 所有網(wǎng)絡(luò)模塊構(gòu)建實(shí)例_ev.mp4

07 數(shù)據(jù)讀取模塊分析_ev.mp4

08 判別器損失計(jì)算_ev.mp4

09 損失計(jì)算詳細(xì)過(guò)程_ev.mp4

10 生成模塊損失計(jì)算_ev.mp4

06 基于starganvc2的變聲器論文原理解讀

01 論文整體思路與架構(gòu)解讀_ev.mp4

02 VCC2016輸入數(shù)據(jù)_ev.mp4

03 語(yǔ)音特征提取_ev.mp4

04 生成器模型架構(gòu)分析_ev.mp4

05 InstanceNorm的作用解讀_ev.mp4

06 AdaIn的目的與效果_ev.mp4

07 判別器模塊分析_ev.mp4

07 starganvc2變聲器項(xiàng)目實(shí)戰(zhàn)及其源碼解讀

01 數(shù)據(jù)與項(xiàng)目文件解讀_ev.mp4

02 環(huán)境配置與工具包安裝_ev.mp4

03 數(shù)據(jù)預(yù)處理與聲音特征提取_ev.mp4

04 生成器構(gòu)造模塊解讀_ev.mp4

05 下采樣與上采樣操作_ev.mp4

06 starganvc2版本標(biāo)簽輸入分析_ev.mp4

07 生成器前向傳播維度變化_ev.mp4

08 判別器模塊解讀_ev.mp4

09 論文損失函數(shù)_ev.mp4

10 源碼損失計(jì)算流程_ev.mp4

11 測(cè)試模塊-生成轉(zhuǎn)換語(yǔ)音_ev.mp4

08 圖像超分辨率重構(gòu)實(shí)戰(zhàn)

01 論文概述_ev.mp4

02 網(wǎng)絡(luò)架構(gòu)_ev.mp4

03 數(shù)據(jù)與環(huán)境配置_ev.mp4

04 數(shù)據(jù)加載與配置_ev.mp4

05 生成模塊_ev.mp4

06 判別模塊_ev.mp4

07 VGG特征提取網(wǎng)絡(luò)_ev.mp4

08 損失函數(shù)與訓(xùn)練_ev.mp4

09 測(cè)試模塊_ev.mp4

09 基于GAN的圖像補(bǔ)全實(shí)戰(zhàn)

01 論文概述_ev.mp4

02 網(wǎng)絡(luò)架構(gòu)_ev.mp4

03 細(xì)節(jié)設(shè)計(jì)_ev.mp4

04 論文總結(jié)_ev.mp4

05 數(shù)據(jù)與項(xiàng)目概述_ev.mp4

06 參數(shù)基本設(shè)計(jì)_ev.mp4

07 網(wǎng)絡(luò)結(jié)構(gòu)配置_ev.mp4

08 網(wǎng)絡(luò)迭代訓(xùn)練_ev.mp4

09 測(cè)試模塊_ev.mp4

18 強(qiáng)化學(xué)習(xí)實(shí)戰(zhàn)系列

01 強(qiáng)化學(xué)習(xí)簡(jiǎn)介及其應(yīng)用

01 一張圖通俗解釋強(qiáng)化學(xué)習(xí)_ev.mp4

02 強(qiáng)化學(xué)習(xí)的指導(dǎo)依據(jù)_ev.mp4

03 強(qiáng)化學(xué)習(xí)AI游戲DEMO_ev.mp4

04 應(yīng)用領(lǐng)域簡(jiǎn)介_(kāi)ev.mp4

05 強(qiáng)化學(xué)習(xí)工作流程_ev.mp4

06 計(jì)算機(jī)眼中的狀態(tài)與行為_(kāi)ev.mp4

02 PPO算法與公式推導(dǎo)

01 基本情況介紹_ev.mp4

02 與環(huán)境交互得到所需數(shù)據(jù)_ev.mp4

03 要完成的目標(biāo)分析_ev.mp4

04 策略梯度推導(dǎo)_ev.mp4

05 baseline方法_ev.mp4

06 OnPolicy與OffPolicy策略_ev.mp4

07 importance sampling的作用_ev.mp4

08 PPO算法整體思路解析_ev.mp4

03 PPO實(shí)戰(zhàn)-月球登陸器訓(xùn)練實(shí)例

01 Critic的作用與效果_ev.mp4

02 PPO2版本公式解讀_ev.mp4

03 參數(shù)與網(wǎng)絡(luò)結(jié)構(gòu)定義_ev.mp4

04 得到動(dòng)作結(jié)果_ev.mp4

05 獎(jiǎng)勵(lì)獲得與計(jì)算_ev.mp4

06 參數(shù)迭代與更新_ev.mp4

04 Q-learning與DQN算法

01 整體任務(wù)流程演示_ev.mp4

02 探索與action獲取_ev.mp4

03 計(jì)算target值_ev.mp4

04 訓(xùn)練與更新_ev.mp4

05 算法原理通俗解讀_ev.mp4

06 目標(biāo)函數(shù)與公式解析_ev.mp4

07 Qlearning算法實(shí)例解讀_ev.mp4

08 Q值迭代求解_ev.mp4

09 DQN簡(jiǎn)介_(kāi)ev.mp4

05 DQN算法實(shí)例演示

01 整體任務(wù)流程演示_ev.mp4

02 探索與action獲取_ev.mp4

03 計(jì)算target值_ev.mp4

04 訓(xùn)練與更新_ev.mp4

06 DQN改進(jìn)與應(yīng)用技巧

01 DoubleDqn要解決的問(wèn)題_ev.mp4

02 DuelingDqn改進(jìn)方法_ev.mp4

03 Dueling整體網(wǎng)絡(luò)架構(gòu)分析_ev.mp4

04 MultiSetp策略_ev.mp4

05 連續(xù)動(dòng)作處理方法_ev.mp4

07 Actor-Critic算法分析（A3C）

01 AC算法回顧與知識(shí)點(diǎn)總結(jié)_ev.mp4

02 優(yōu)勢(shì)函數(shù)解讀與分析_ev.mp4

03 計(jì)算流程實(shí)例_ev.mp4

04 A3C整體架構(gòu)分析_ev.mp4

05 損失函數(shù)整理_ev.mp4

08 用A3C玩轉(zhuǎn)超級(jí)馬里奧

01 整體流程與環(huán)境配置_ev.mp4

02 啟動(dòng)游戲環(huán)境_ev.mp4

03 要計(jì)算的指標(biāo)回顧_ev.mp4

04 初始化局部模型并加載參數(shù)_ev.mp4

05 與環(huán)境交互得到訓(xùn)練數(shù)據(jù)_ev.mp4

06 訓(xùn)練網(wǎng)絡(luò)模型_ev.mp4

19 Openai頂級(jí)黑科技算法及其項(xiàng)目實(shí)戰(zhàn)

01 GPT系列生成模型

01 GPT系列_ev.mp4

02 GPT建模與預(yù)測(cè)流程

01 生成模型可以完成的任務(wù)概述_ev.mp4

02 數(shù)據(jù)樣本生成方法_ev.mp4

03 訓(xùn)練所需參數(shù)解讀_ev.mp4

04 模型訓(xùn)練過(guò)程_ev.mp4

05 部署與網(wǎng)頁(yè)預(yù)測(cè)展示_ev.mp4

03 CLIP系列

01 CLIP系列_ev.mp4

04 Diffusion模型解讀

01 Diffusion模型解讀_ev.mp4

05 Dalle2及其源碼解讀

01 Dalle2源碼解讀_ev.mp4

06 ChatGPT

01 ChatGPT_ev.mp4

20 面向醫(yī)學(xué)領(lǐng)域的深度學(xué)習(xí)實(shí)戰(zhàn)

01 卷積神經(jīng)網(wǎng)絡(luò)原理與參數(shù)解讀

01 卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用領(lǐng)域_ev.mp4

02 卷積的作用_ev.mp4

03 卷積特征值計(jì)算方法_ev.mp4

04 得到特征圖表示_ev.mp4

05 步長(zhǎng)與卷積核大小對(duì)結(jié)果的影響_ev.mp4

06 邊緣填充方法_ev.mp4

07 特征圖尺寸計(jì)算與參數(shù)共享_ev.mp4

08 池化層的作用_ev.mp4

09 整體網(wǎng)絡(luò)架構(gòu)_ev.mp4

10 VGG網(wǎng)絡(luò)架構(gòu)_ev.mp4

11 殘差網(wǎng)絡(luò)Resnet_ev.mp4

12 感受野的作用_ev.mp4

02 PyTorch框架基本處理操作

01 PyTorch實(shí)戰(zhàn)課程簡(jiǎn)介_(kāi)ev.mp4

02 PyTorch框架發(fā)展趨勢(shì)簡(jiǎn)介_(kāi)ev.mp4

03 框架安裝方法（CPU與GPU版本）_ev.mp4

04 PyTorch基本操作簡(jiǎn)介_(kāi)ev.mp4

05 自動(dòng)求導(dǎo)機(jī)制_ev.mp4

06 線性回歸DEMO-數(shù)據(jù)與參數(shù)配置_ev.mp4

07 線性回歸DEMO-訓(xùn)練回歸模型_ev.mp4

08 補(bǔ)充：常見(jiàn)tensor格式_ev.mp4

09 補(bǔ)充：Hub模塊簡(jiǎn)介_(kāi)ev.mp4

03 PyTorch框架必備核心模塊解讀

01 卷積網(wǎng)絡(luò)參數(shù)定義_ev.mp4

02 網(wǎng)絡(luò)流程解讀_ev.mp4

03 Vision模塊功能解讀_ev.mp4

04 分類任務(wù)數(shù)據(jù)集定義與配置_ev.mp4

05 圖像增強(qiáng)的作用_ev.mp4

06 數(shù)據(jù)預(yù)處理與數(shù)據(jù)增強(qiáng)模塊_ev.mp4

07 Batch數(shù)據(jù)制作_ev.mp4

08 遷移學(xué)習(xí)的目標(biāo)_ev.mp4

09 遷移學(xué)習(xí)策略_ev.mp4

10 加載訓(xùn)練好的網(wǎng)絡(luò)模型_ev.mp4

11 優(yōu)化器模塊配置_ev.mp4

12 實(shí)現(xiàn)訓(xùn)練模塊_ev.mp4

13 訓(xùn)練結(jié)果與模型保存_ev.mp4

14 加載模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)_ev.mp4

15 額外補(bǔ)充-Resnet論文解讀_ev.mp4

16 額外補(bǔ)充-Resnet網(wǎng)絡(luò)架構(gòu)解讀_ev.mp4

04 基于Resnet的醫(yī)學(xué)數(shù)據(jù)集分類實(shí)戰(zhàn)

01 醫(yī)學(xué)疾病數(shù)據(jù)集介紹_ev.mp4

02 Resnet網(wǎng)絡(luò)架構(gòu)原理分析_ev.mp4

03 dataloader加載數(shù)據(jù)集_ev.mp4

04 Resnet網(wǎng)絡(luò)前向傳播_ev.mp4

05 殘差網(wǎng)絡(luò)的shortcut操作_ev.mp4

06 特征圖升維與降采樣操作_ev.mp4

07 網(wǎng)絡(luò)整體流程與訓(xùn)練演示_ev.mp4

05 圖像分割及其損失函數(shù)概述

01 語(yǔ)義分割與實(shí)例分割概述_ev.mp4

02 分割任務(wù)中的目標(biāo)函數(shù)定義_ev.mp4

03 MIOU評(píng)估標(biāo)準(zhǔn)_ev.mp4

06 Unet系列算法講解

01 Unet網(wǎng)絡(luò)編碼與解碼過(guò)程_ev.mp4

02 網(wǎng)絡(luò)計(jì)算流程_ev.mp4

03 Unet升級(jí)版本改進(jìn)_ev.mp4

04 后續(xù)升級(jí)版本介紹_ev.mp4

07 unet醫(yī)學(xué)細(xì)胞分割實(shí)戰(zhàn)

01 醫(yī)學(xué)細(xì)胞數(shù)據(jù)集介紹與參數(shù)配置_ev.mp4

02 數(shù)據(jù)增強(qiáng)工具_(dá)ev.mp4

03 Debug模式演示網(wǎng)絡(luò)計(jì)算流程_ev.mp4

04 特征融合方法演示_ev.mp4

05 迭代完成整個(gè)模型計(jì)算任務(wù)_ev.mp4

06 模型效果驗(yàn)證_ev.mp4

08 deeplab系列算法

01 deeplab分割算法概述_ev.mp4

02 空洞卷積的作用_ev.mp4

03 感受野的意義_ev.mp4

04 SPP層的作用_ev.mp4

05 ASPP特征融合策略_ev.mp4

06 deeplabV3Plus版本網(wǎng)絡(luò)架構(gòu)_ev.mp4

09 基于deeplabV3+版本進(jìn)行VOC分割實(shí)戰(zhàn)

01 PascalVoc數(shù)據(jù)集介紹_ev.mp4

02 項(xiàng)目參數(shù)與數(shù)據(jù)集讀取_ev.mp4

03 網(wǎng)絡(luò)前向傳播流程_ev.mp4

04 ASPP層特征融合_ev.mp4

05 分割模型訓(xùn)練_ev.mp4

10 基于deeplab的心臟視頻數(shù)據(jù)診斷分析

01 數(shù)據(jù)集與任務(wù)概述_ev.mp4

02 項(xiàng)目基本配置參數(shù)_ev.mp4

03 任務(wù)流程解讀_ev.mp4

04 文獻(xiàn)報(bào)告分析_ev.mp4

05 補(bǔ)充：視頻數(shù)據(jù)源特征處理方法概述_ev.mp4

06 補(bǔ)充：R(2plus1)D處理方法分析_ev.mp4

11 YOLO系列物體檢測(cè)算法原理解讀

01 檢測(cè)任務(wù)中階段的意義_ev.mp4

02 不同階段算法優(yōu)缺點(diǎn)分析_ev.mp4

03 IOU指標(biāo)計(jì)算_ev.mp4

04 評(píng)估所需參數(shù)計(jì)算_ev.mp4

05 map指標(biāo)計(jì)算_ev.mp4

06 YOLO算法整體思路解讀_ev.mp4

07 檢測(cè)算法要得到的結(jié)果_ev.mp4

08 整體網(wǎng)絡(luò)架構(gòu)解讀_ev.mp4

09 位置損失計(jì)算_ev.mp4

10 置信度誤差與優(yōu)缺點(diǎn)分析_ev.mp4

11 V2版本細(xì)節(jié)升級(jí)概述_ev.mp4

12 網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)_ev.mp4

13 架構(gòu)細(xì)節(jié)解讀_ev.mp4

14 基于聚類來(lái)選擇先驗(yàn)框尺寸_ev.mp4

15 偏移量計(jì)算方法_ev.mp4

16 坐標(biāo)映射與還原_ev.mp4

17 感受野的作用_ev.mp4

18 特征融合改進(jìn)_ev.mp4

19 V3版本改進(jìn)概述_ev.mp4

20 多scale方法改進(jìn)與特征融合_ev.mp4

21 經(jīng)典變換方法對(duì)比分析_ev.mp4

22 殘差連接方法解讀_ev.mp4

23 整體網(wǎng)絡(luò)模型架構(gòu)分析_ev.mp4

24 先驗(yàn)框設(shè)計(jì)改進(jìn)_ev.mp4

25 sotfmax層改進(jìn)_ev.mp4

26 V4版本整體概述_ev.mp4

27 V4版本貢獻(xiàn)解讀_ev.mp4

28 數(shù)據(jù)增強(qiáng)策略分析_ev.mp4

29 DropBlock與標(biāo)簽平滑方法_ev.mp4

30 損失函數(shù)遇到的問(wèn)題_ev.mp4

31 CIOU損失函數(shù)定義_ev.mp4

32 NMS細(xì)節(jié)改進(jìn)_ev.mp4

33 SPP與CSP網(wǎng)絡(luò)結(jié)構(gòu)_ev.mp4

34 SAM注意力機(jī)制模塊_ev.mp4

35 PAN模塊解讀_ev.mp4

36 激活函數(shù)與整體架構(gòu)總結(jié)_ev.mp4

12 基于YOLO5細(xì)胞檢測(cè)實(shí)戰(zhàn)

01 任務(wù)與細(xì)胞數(shù)據(jù)集介紹_ev.mp4

02 模型與算法配置參數(shù)解讀_ev.mp4

03 網(wǎng)絡(luò)訓(xùn)練流程演示_ev.mp4

04 效果評(píng)估與展示_ev.mp4

05 細(xì)胞檢測(cè)效果演示_ev.mp4

13 知識(shí)圖譜原理解讀

01 知識(shí)圖譜通俗解讀_ev.mp4

02 知識(shí)圖譜在搜索引擎中的應(yīng)用_ev.mp4

03 知識(shí)圖譜在醫(yī)療領(lǐng)域應(yīng)用實(shí)例_ev.mp4

04 金融與推薦領(lǐng)域的應(yīng)用_ev.mp4

05 數(shù)據(jù)獲取分析_ev.mp4

06 數(shù)據(jù)關(guān)系抽取分析_ev.mp4

07 常用NLP技術(shù)點(diǎn)分析_ev.mp4

08 graph-embedding的作用與效果_ev.mp4

09 金融領(lǐng)域圖編碼實(shí)例_ev.mp4

10 視覺(jué)領(lǐng)域圖編碼實(shí)例_ev.mp4

11 圖譜知識(shí)融合與總結(jié)分析_ev.mp4

14 Neo4j數(shù)據(jù)庫(kù)實(shí)戰(zhàn)

01 Neo4j圖數(shù)據(jù)庫(kù)介紹_ev.mp4

02 Neo4j數(shù)據(jù)庫(kù)安裝流程演示_ev.mp4

03 可視化例子演示_ev.mp4

04 創(chuàng)建與刪除操作演示_ev.mp4

05 數(shù)據(jù)庫(kù)更改查詢操作演示_ev.mp4

15 基于知識(shí)圖譜的醫(yī)藥問(wèn)答系統(tǒng)實(shí)戰(zhàn)

01 項(xiàng)目概述與整體架構(gòu)分析_ev.mp4

02 醫(yī)療數(shù)據(jù)介紹及其各字段含義_ev.mp4

03 任務(wù)流程概述_ev.mp4

04 環(huán)境配置與所需工具包安裝_ev.mp4

05 提取數(shù)據(jù)中的關(guān)鍵字段信息_ev.mp4

06 創(chuàng)建關(guān)系邊_ev.mp4

07 打造醫(yī)療知識(shí)圖譜模型_ev.mp4

08 加載所有實(shí)體數(shù)據(jù)_ev.mp4

09 實(shí)體關(guān)鍵詞字典制作_ev.mp4

10 完成對(duì)話系統(tǒng)構(gòu)建_ev.mp4

16 詞向量模型與RNN網(wǎng)絡(luò)架構(gòu)

01 詞向量模型通俗解釋_ev.mp4

02 模型整體框架_ev.mp4

03 訓(xùn)練數(shù)據(jù)構(gòu)建_ev.mp4

04 CBOW與Skip-gram模型_ev.mp4

05 負(fù)采樣方案_ev.mp4

06 額外補(bǔ)充-RNN網(wǎng)絡(luò)模型解讀_ev.mp4

17 醫(yī)學(xué)糖尿病數(shù)據(jù)命名實(shí)體識(shí)別

01 數(shù)據(jù)與任務(wù)介紹_ev.mp4

02 整體模型架構(gòu)_ev.mp4

03 數(shù)據(jù)-標(biāo)簽-語(yǔ)料庫(kù)處理_ev.mp4

04 輸入樣本填充補(bǔ)齊_ev.mp4

05 訓(xùn)練網(wǎng)絡(luò)模型_ev.mp4

06 醫(yī)療數(shù)據(jù)集（糖尿?。?shí)體識(shí)別_ev.mp4

21 深度學(xué)習(xí)模型部署與剪枝優(yōu)化實(shí)戰(zhàn)

01 AIoT人工智能物聯(lián)網(wǎng)之認(rèn)識(shí) jetson nano

01 jetson nano 硬件介紹_ev.mp4

02 jetson nano 刷機(jī)_ev.mp4

03 jetson nano 系統(tǒng)安裝過(guò)程_ev.mp4

04 感受nano的GPU算力_ev.mp4

05 安裝使用攝像頭csi usb_ev.mp4

02 AIoT人工智能物聯(lián)網(wǎng)之AI 實(shí)戰(zhàn)

01 jetson-inference 入門_ev.mp4

02 docker 的安裝使用_ev.mp4

03 docker中運(yùn)行分類模型_ev.mp4

04 訓(xùn)練自己的目標(biāo)檢測(cè)模型準(zhǔn)備_ev.mp4

05 訓(xùn)練出自己目標(biāo)識(shí)別模型a_ev.mp4

06 訓(xùn)練出自己目標(biāo)識(shí)別模型b_ev.mp4

07 轉(zhuǎn)換出onnx模型，并使用_ev.mp4

03 AIoT人工智能物聯(lián)網(wǎng)之NVIDIA TAO 實(shí)用級(jí)的訓(xùn)練神器

01 NVIDIA TAO介紹和安裝_ev.mp4

02 NVIDIA TAO數(shù)據(jù)準(zhǔn)備和環(huán)境設(shè)置_ev.mp4

03 NVIDIA TAO數(shù)據(jù)轉(zhuǎn)換_ev.mp4

04 NVIDIA TAO預(yù)訓(xùn)練模型和訓(xùn)練a_ev.mp4

05 NVIDIA TAO預(yù)訓(xùn)練模型和訓(xùn)練b_ev.mp4

06 NVIDIA TAO預(yù)訓(xùn)練模型和訓(xùn)練c._ev.mp4

07 TAO 剪枝在訓(xùn)練推理驗(yàn)證_ev.mp4

04 AIoT人工智能物聯(lián)網(wǎng)之deepstream

01 deepstream 介紹安裝_ev.mp4

02 deepstream HelloWorld_ev.mp4

03 GStreamer RTP和RTSP1_ev.mp4

04 GStreamer RTP和RTSP2_ev.mp4

05 python實(shí)現(xiàn)RTP和RTSP_ev.mp4

06 deepstream推理_ev.mp4

07 deepstream集成yolov4_ev.mp4

05 tensorRT視頻

01 源碼【內(nèi)有百度云地址，自取】.txt

01 說(shuō)在前面_ev.mp4

02 學(xué)習(xí)工具環(huán)境的介紹，自動(dòng)環(huán)境配置_ev.mp4

03 cuda驅(qū)動(dòng)API，課程概述和清單_ev.mp4

04 cuda驅(qū)動(dòng)API，初始化和檢查的理解，CUDA錯(cuò)誤檢查習(xí)慣_ev.mp4

05 cuda驅(qū)動(dòng)API，上下文管理設(shè)置，以及其作用_ev.mp4

06 cuda驅(qū)動(dòng)API，使用驅(qū)動(dòng)API進(jìn)行內(nèi)存分配_ev.mp4

07 cuda運(yùn)行時(shí)API，課程概述和清單_ev.mp4

08 cuda運(yùn)行時(shí)API，第一個(gè)運(yùn)行時(shí)程序，hello-cuda_ev.mp4

09 cuda運(yùn)行時(shí)API，內(nèi)存的學(xué)習(xí)，pinnedmemory，內(nèi)存效率問(wèn)題_ev.mp4

10 cuda運(yùn)行時(shí)API，流的學(xué)習(xí)，異步任務(wù)的管理_ev.mp4

11 cuda運(yùn)行時(shí)API，核函數(shù)的定義和使用_ev.mp4

12 cuda運(yùn)行時(shí)API，共享內(nèi)存的學(xué)習(xí)_ev.mp4

13 cuda運(yùn)行時(shí)API，使用cuda核函數(shù)加速warpaffine_ev.mp4

14 cuda運(yùn)行時(shí)API，使用cuda核函數(shù)加速yolov5的后處理_ev.mp4

15 cuda運(yùn)行時(shí)API，錯(cuò)誤處理的理解以及錯(cuò)誤的傳播特性_ev.mp4

16 tensorRT基礎(chǔ)，課程概述清單_ev.mp4

17 tensorRT基礎(chǔ)，第一個(gè)trt程序，實(shí)現(xiàn)模型編譯的過(guò)程_ev.mp4

18 tensorRT基礎(chǔ)，實(shí)現(xiàn)模型的推理過(guò)程_ev.mp4

19 tensorRT基礎(chǔ)，模型推理時(shí)動(dòng)態(tài)shape的具體實(shí)現(xiàn)要點(diǎn)_ev.mp4

20 tensorRT基礎(chǔ)，onnx文件及其結(jié)構(gòu)的學(xué)習(xí)，編輯修改onnx.mkv_ev.mp4

21 tensorRT基礎(chǔ)，實(shí)際模型上onnx文件的各種操作_ev.mp4

22 tensorRT基礎(chǔ)，正確導(dǎo)出onnx的介紹，使得onnx問(wèn)題盡量少_ev.mp4

23 tensorRT基礎(chǔ)，學(xué)習(xí)使用onnx解析器來(lái)讀取onnx文件，使用onnx-tensorrt源代碼_ev.mp4

24 tensorRT基礎(chǔ)，學(xué)習(xí)從下載onnx-tensorrt到配置好并運(yùn)行起來(lái)全過(guò)程_ev.mp4

25 tensorRT基礎(chǔ)，學(xué)習(xí)第一個(gè)插件的編寫_ev.mp4

26 tensorRT基礎(chǔ)，對(duì)插件過(guò)程進(jìn)行封裝，并實(shí)現(xiàn)更容易的插件開(kāi)發(fā)_ev.mp4

27 tensorRT基礎(chǔ)，學(xué)習(xí)編譯int8模型，對(duì)模型進(jìn)行int8量化_ev.mp4

28 tensorRT高級(jí)，課程概述和清單_ev.mp4

29 tensorRT高級(jí)，第一個(gè)完整的分類器程序_ev.mp4

30 tensorRT高級(jí)，學(xué)習(xí)yolov5目標(biāo)檢測(cè)項(xiàng)目的代碼修改、模型導(dǎo)出、編譯到推理過(guò)程，沒(méi)有封裝_ev.mp4

31 tensorRT高級(jí)，學(xué)習(xí)UNet場(chǎng)景分割項(xiàng)目的代碼修改、模型導(dǎo)出、編譯到推理過(guò)程，沒(méi)有封裝_ev.mp4

32 tensorRT高級(jí)，學(xué)習(xí)alphapose姿態(tài)檢測(cè)項(xiàng)目的代碼修改、模型導(dǎo)出、編譯到推理過(guò)程，沒(méi)有封裝_ev.mp4

33 tensorRT高級(jí)，學(xué)習(xí)如何處理mmdetection框架下yolox模型的導(dǎo)出，并使得正常推理出來(lái)_ev.mp4

34 tensorRT高級(jí)，學(xué)習(xí)如何使用onnxruntime進(jìn)行onnx的模型推理過(guò)程_ev.mp4

35 tensorRT高級(jí)，學(xué)習(xí)如何使用openvino進(jìn)行onnx的模型推理過(guò)程_ev.mp4

36 tensorRT高級(jí)，學(xué)習(xí)深度學(xué)習(xí)中涉及的線程知識(shí)_ev.mp4

37 tensorRT高級(jí)，學(xué)習(xí)模型部署時(shí)常用的生產(chǎn)者消費(fèi)者模型，以及future、promise、condition_variable.mkv_ev.mp4

38 tensorRT高級(jí)，學(xué)習(xí)使用RAII資源獲取即初始化配合接口模式對(duì)代碼進(jìn)行有效封裝_ev.mp4

39 tensorRT高級(jí)，學(xué)習(xí)RAII 接口模式下的生產(chǎn)者消費(fèi)者以及多Batch的實(shí)現(xiàn)_ev.mp4

40 tensorRT高級(jí)，封裝之，模型編譯過(guò)程封裝，簡(jiǎn)化模型編譯代碼_ev.mp4

41 tensorRT高級(jí)，封裝之，內(nèi)存管理的封裝，內(nèi)存的復(fù)用_ev.mp4

42 tensorRT高級(jí)，封裝之，tensor張量的封裝，索引計(jì)算，內(nèi)存標(biāo)記以及自動(dòng)復(fù)制_ev.mp4

43 tensorRT高級(jí)，封裝之，infer推理的封裝，輸入輸出tensor的關(guān)聯(lián)_ev.mp4

44 tensorRT高級(jí)，封裝之，基于生產(chǎn)者消費(fèi)者實(shí)現(xiàn)的yolov5封裝_ev.mp4

45 tensorRT高級(jí)，封裝之，終極封裝形態(tài)，以及考慮的問(wèn)題_ev.mp4

46 tensorRT高級(jí)，調(diào)試方法、思想討論_ev.mp4

47 tensorRT高級(jí)，自動(dòng)駕駛案例項(xiàng)目self-driving-道路分割分析_ev.mp4

48 tensorRT高級(jí)，自動(dòng)駕駛案例項(xiàng)目self-driving-深度估計(jì)分析_ev.mp4

49 tensorRT高級(jí)，自動(dòng)駕駛案例項(xiàng)目self-driving-車道線檢測(cè)分析_ev.mp4

50 tensorRT高級(jí)，學(xué)習(xí)使用pybind11為python開(kāi)發(fā)擴(kuò)展模塊_ev.mp4

06 pyTorch框架部署實(shí)踐

01 所需基本環(huán)境配置_ev.mp4

02 模型加載與數(shù)據(jù)預(yù)處理_ev.mp4

03 接收與預(yù)測(cè)模塊實(shí)現(xiàn)_ev.mp4

04 效果實(shí)例演示_ev.mp4

05 課程簡(jiǎn)介_(kāi)ev.mp4

05 源碼【內(nèi)有百度云地址，自取】.txt

07 YOLO-V3物體檢測(cè)部署實(shí)例

01 項(xiàng)目所需配置文件介紹_ev.mp4

02 加載參數(shù)與模型權(quán)重_ev.mp4

03 數(shù)據(jù)預(yù)處理_ev.mp4

04 返回線性預(yù)測(cè)結(jié)果_ev.mp4

08 docker實(shí)例演示

01 docker簡(jiǎn)介_(kāi)ev.mp4

02 docker安裝與配置_ev.mp4

03 阿里云鏡像配置_ev.mp4

04 基于docker配置pytorch環(huán)境_ev.mp4

05 安裝演示環(huán)境所需依賴_ev.mp4

06 復(fù)制所需配置到容器中_ev.mp4

07 上傳與下載配置好的項(xiàng)目_ev.mp4

09 tensorflow-serving實(shí)戰(zhàn)

01 tf-serving項(xiàng)目獲取與配置_ev.mp4

02 加載并啟動(dòng)模型服務(wù)_ev.mp4

03 測(cè)試模型部署效果_ev.mp4

04 fashion數(shù)據(jù)集獲取_ev.mp4

05 加載fashion模型啟動(dòng)服務(wù)_ev.mp4

10 模型剪枝-Network Slimming算法分析

01 論文算法核心框架概述_ev.mp4

02 BatchNorm要解決的問(wèn)題_ev.mp4

03 BN的本質(zhì)作用_ev.mp4

04 額外的訓(xùn)練參數(shù)解讀_ev.mp4

05 稀疏化原理與效果_ev.mp4

11 模型剪枝-Network Slimming實(shí)戰(zhàn)解讀

01 整體案例流程解讀_ev.mp4

02 加入L1正則化來(lái)進(jìn)行更新_ev.mp4

03 剪枝模塊介紹_ev.mp4

04 篩選需要的特征圖_ev.mp4

05 剪枝后模型參數(shù)賦值_ev.mp4

06 微調(diào)完成剪枝模型_ev.mp4

12 Mobilenet三代網(wǎng)絡(luò)模型架構(gòu)

01 模型剪枝分析_ev.mp4

02 常見(jiàn)剪枝方法介紹_ev.mp4

03 mobilenet簡(jiǎn)介_(kāi)ev.mp4

04 經(jīng)典卷積計(jì)算量與參數(shù)量分析_ev.mp4

05 深度可分離卷積的作用與效果_ev.mp4

06 參數(shù)與計(jì)算量的比較_ev.mp4

07 V1版本效果分析_ev.mp4

08 V2版本改進(jìn)以及Relu激活函數(shù)的問(wèn)題_ev.mp4

09 倒殘差結(jié)構(gòu)的作用_ev.mp4

10 V2整體架構(gòu)與效果分析_ev.mp4

11 V3版本網(wǎng)絡(luò)架構(gòu)分析_ev.mp4

12 SE模塊作用與效果解讀_ev.mp4

13 代碼實(shí)現(xiàn)mobilenetV3網(wǎng)絡(luò)架構(gòu)_ev.mp4

22 自然語(yǔ)言處理必備神器Huggingface系列實(shí)戰(zhàn)

01 Huggingface與NLP介紹解讀

01 Huggingface與NLP介紹解讀_ev.mp4

02 Transformer工具包基本操作實(shí)例解讀

01 工具包與任務(wù)整體介紹_ev.mp4

02 NLP任務(wù)常規(guī)流程分析_ev.mp4

03 文本切分方法實(shí)例解讀_ev.mp4

04 AttentionMask配套使用方法_ev.mp4

05 數(shù)據(jù)集與模型_ev.mp4

06 數(shù)據(jù)Dataloader封裝_ev.mp4

07 模型訓(xùn)練所需配置參數(shù)_ev.mp4

08 模型訓(xùn)練DEMO_ev.mp4

03 transformer原理解讀

01 transformer原理解讀_ev.mp4

04 BERT系列算法解讀

01 BERT模型訓(xùn)練方法解讀_ev.mp4

02 ALBERT基本定義_ev.mp4

03 ALBERT中的簡(jiǎn)化方法解讀_ev.mp4

04 RoBerta模型訓(xùn)練方法解讀_ev.mp4

05 DistilBert模型解讀_ev.mp4

05 文本標(biāo)注工具與NER實(shí)例

01 文本標(biāo)注工具Doccano配置方法_ev.mp4

02 命名實(shí)體識(shí)別任務(wù)標(biāo)注方法實(shí)例_ev.mp4

03 標(biāo)注導(dǎo)出與BIO處理_ev.mp4

04 標(biāo)簽處理并完成對(duì)齊操作_ev.mp4

05 預(yù)訓(xùn)練模型加載與參數(shù)配置_ev.mp4

06 模型訓(xùn)練與輸出結(jié)果預(yù)測(cè)_ev.mp4

06 文本預(yù)訓(xùn)練模型構(gòu)建實(shí)例

01 預(yù)訓(xùn)練模型效果分析_ev.mp4

02 文本數(shù)據(jù)截?cái)嗵幚韄ev.mp4

03 預(yù)訓(xùn)練模型自定義訓(xùn)練_ev.mp4

07 GPT系列算法

01 GPT系列算法概述_ev.mp4

02 GPT三代版本分析_ev.mp4

03 GPT初代版本要解決的問(wèn)題_ev.mp4

04 GPT第二代版本訓(xùn)練策略_ev.mp4

05 采樣策略與多樣性_ev.mp4

06 GPT3的提示與生成方法_ev.mp4

07 應(yīng)用場(chǎng)景CODEX分析_ev.mp4

08 DEMO應(yīng)用演示_ev.mp4

08 GPT訓(xùn)練與預(yù)測(cè)部署流程

01 源碼【內(nèi)有百度云地址，自取】.txt

01 生成模型可以完成的任務(wù)概述_ev.mp4

02 數(shù)據(jù)樣本生成方法_ev.mp4

03 訓(xùn)練所需參數(shù)解讀_ev.mp4

04 模型訓(xùn)練過(guò)程_ev.mp4

05 部署與網(wǎng)頁(yè)預(yù)測(cè)展示_ev.mp4

09 文本摘要建模

01 源碼【內(nèi)有百度云地址，自取】.txt

01 中文商城評(píng)價(jià)數(shù)據(jù)處理方法_ev.mp4

02 模型訓(xùn)練與測(cè)試結(jié)果_ev.mp4

03 文本摘要數(shù)據(jù)標(biāo)注方法_ev.mp4

04 訓(xùn)練自己標(biāo)注的數(shù)據(jù)并測(cè)試_ev.mp4

10 圖譜知識(shí)抽取實(shí)戰(zhàn)

01 應(yīng)用場(chǎng)景概述分析_ev.mp4

02 數(shù)據(jù)標(biāo)注格式樣例分析_ev.mp4

03 數(shù)據(jù)處理與讀取模塊_ev.mp4

04 實(shí)體抽取模塊分析_ev.mp4

05 標(biāo)簽與數(shù)據(jù)結(jié)構(gòu)定義方法_ev.mp4

06 模型構(gòu)建與計(jì)算流程_ev.mp4

07 網(wǎng)絡(luò)模型前向計(jì)算方法_ev.mp4

08 關(guān)系抽取模型訓(xùn)練_ev.mp4

11 補(bǔ)充Huggingface數(shù)據(jù)集制作方法實(shí)例

01 數(shù)據(jù)結(jié)構(gòu)分析_ev.mp4

02 Huggingface中的預(yù)處理實(shí)例_ev.mp4

03 數(shù)據(jù)處理基本流程_ev.mp4

23 自然語(yǔ)言處理通用框架-BERT實(shí)戰(zhàn)

01 自然語(yǔ)言處理通用框架BERT原理解讀

01 BERT課程簡(jiǎn)介_(kāi)ev.mp4

02 BERT任務(wù)目標(biāo)概述_ev.mp4

03 傳統(tǒng)解決方案遇到的問(wèn)題_ev.mp4

04 注意力機(jī)制的作用_ev.mp4

05 self-attention計(jì)算方法_ev.mp4

06 特征分配與softmax機(jī)制_ev.mp4

07 Multi-head的作用_ev.mp4

08 位置編碼與多層堆疊_ev.mp4

09 transformer整體架構(gòu)梳理_ev.mp4

10 BERT模型訓(xùn)練方法_ev.mp4

11 訓(xùn)練實(shí)例_ev.mp4

02 谷歌開(kāi)源項(xiàng)目BERT源碼解讀與應(yīng)用實(shí)例

01 BERT開(kāi)源項(xiàng)目簡(jiǎn)介_(kāi)ev.mp4

02 項(xiàng)目參數(shù)配置_ev.mp4

03 數(shù)據(jù)讀取模塊_ev.mp4

04 數(shù)據(jù)預(yù)處理模塊_ev.mp4

05 tfrecord數(shù)據(jù)源制作_ev.mp4

06 Embedding層的作用_ev.mp4

07 加入額外編碼特征_ev.mp4

08 加入位置編碼特征_ev.mp4

09 mask機(jī)制的作用_ev.mp4

10 構(gòu)建QKV矩陣_ev.mp4

11 完成Transformer模塊構(gòu)建_ev.mp4

12 訓(xùn)練BERT模型_ev.mp4

03 項(xiàng)目實(shí)戰(zhàn)-基于BERT的中文情感分析實(shí)戰(zhàn)

01 中文分類數(shù)據(jù)與任務(wù)概述_ev.mp4

02 讀取處理自己的數(shù)據(jù)集_ev.mp4

03 訓(xùn)練BERT中文分類模型_ev.mp4

04 項(xiàng)目實(shí)戰(zhàn)-基于BERT的中文命名實(shí)體識(shí)別識(shí)別實(shí)戰(zhàn)

01 命名實(shí)體識(shí)別數(shù)據(jù)分析與任務(wù)目標(biāo)_ev.mp4

02 NER標(biāo)注數(shù)據(jù)處理與讀取_ev.mp4

03 構(gòu)建BERT與CRF模型_ev.mp4

05 必備基礎(chǔ)知識(shí)點(diǎn)-woed2vec模型通俗解讀

01 詞向量模型通俗解釋_ev.mp4

02 模型整體框架_ev.mp4

03 訓(xùn)練數(shù)據(jù)構(gòu)建_ev.mp4

04 CBOW與Skip-gram模型_ev.mp4

05 負(fù)采樣方案_ev.mp4

06 必備基礎(chǔ)-掌握Tensorflow如何實(shí)現(xiàn)word2vec模型

01 數(shù)據(jù)與任務(wù)流程_ev.mp4

02 數(shù)據(jù)清洗_ev.mp4

03 batch數(shù)據(jù)制作_ev.mp4

04 網(wǎng)絡(luò)訓(xùn)練_ev.mp4

05 可視化展示_ev.mp4

07 必備基礎(chǔ)知識(shí)點(diǎn)-RNN網(wǎng)絡(luò)架構(gòu)與情感分析應(yīng)用實(shí)例

01 RNN網(wǎng)絡(luò)模型解讀_ev.mp4

02 NLP應(yīng)用領(lǐng)域與任務(wù)簡(jiǎn)介_(kāi)ev.mp4

03 項(xiàng)目流程解讀_ev.mp4

04 加載詞向量特征_ev.mp4

05 正負(fù)樣本數(shù)據(jù)讀取_ev.mp4

06 構(gòu)建LSTM網(wǎng)絡(luò)模型_ev.mp4

07 訓(xùn)練與測(cè)試效果_ev.mp4

08 LSTM情感分析_ev.mp4

08 醫(yī)學(xué)糖尿病數(shù)據(jù)命名實(shí)體識(shí)別

01 數(shù)據(jù)與任務(wù)介紹_ev.mp4

02 整體模型架構(gòu)_ev.mp4

03 數(shù)據(jù)-標(biāo)簽-語(yǔ)料庫(kù)處理_ev.mp4

04 訓(xùn)練網(wǎng)絡(luò)模型_ev.mp4

05 醫(yī)療數(shù)據(jù)集（糖尿?。?shí)體識(shí)別_ev.mp4

06 輸入樣本填充補(bǔ)齊_ev.mp4

24 自然語(yǔ)言處理經(jīng)典案例實(shí)戰(zhàn)

01 NLP常用工具包實(shí)戰(zhàn)

01 Python字符串處理_ev.mp4

02 正則表達(dá)式基本語(yǔ)法_ev.mp4

03 正則常用符號(hào)_ev.mp4

04 常用函數(shù)介紹_ev.mp4

05 NLTK工具包簡(jiǎn)介_(kāi)ev.mp4

06 停用詞過(guò)濾_ev.mp4

07 詞性標(biāo)注_ev.mp4

08 數(shù)據(jù)清洗實(shí)例_ev.mp4

09 Spacy工具包_ev.mp4

10 名字實(shí)體匹配_ev.mp4

11 恐怖襲擊分析_ev.mp4

12 統(tǒng)計(jì)分析結(jié)果_ev.mp4

13 結(jié)巴分詞器_ev.mp4

14 詞云展示_ev.mp4

02 商品信息可視化與文本分析

01 在線商城商品數(shù)據(jù)信息概述_ev.mp4

02 商品類別劃分方式_ev.mp4

03 商品類別可視化展示_ev.mp4

04 商品描述長(zhǎng)度對(duì)價(jià)格的影響分析_ev.mp4

05 關(guān)鍵詞的詞云可視化展示_ev.mp4

06 基于tf-idf提取關(guān)鍵詞信息_ev.mp4

07 通過(guò)降維進(jìn)行可視化展示_ev.mp4

08 聚類分析與主題模型展示_ev.mp4

03 貝葉斯算法

01 貝葉斯算法概述_ev.mp4

02 貝葉斯推導(dǎo)實(shí)例_ev.mp4

03 貝葉斯拼寫糾錯(cuò)實(shí)例_ev.mp4

04 垃圾郵件過(guò)濾實(shí)例_ev.mp4

05 貝葉斯實(shí)現(xiàn)拼寫檢查器_ev.mp4

04 新聞分類任務(wù)實(shí)戰(zhàn)

01 文本分析與關(guān)鍵詞提取_ev.mp4

02 相似度計(jì)算_ev.mp4

03 新聞數(shù)據(jù)與任務(wù)簡(jiǎn)介_(kāi)ev.mp4

04 TF-IDF關(guān)鍵詞提取_ev.mp4

05 LDA建模_ev.mp4

06 基于貝葉斯算法進(jìn)行新聞分類_ev.mp4

05 HMM隱馬爾科夫模型

01 馬爾科夫模型_ev.mp4

02 隱馬爾科夫模型基本出發(fā)點(diǎn)_ev.mp4

03 組成與要解決的問(wèn)題_ev.mp4

04 暴力求解方法_ev.mp4

05 復(fù)雜度計(jì)算_ev.mp4

06 前向算法_ev.mp4

07 前向算法求解實(shí)例_ev.mp4

08 Baum-Welch算法_ev.mp4

09 參數(shù)求解_ev.mp4

10 維特比算法_ev.mp4

06 HMM工具包實(shí)戰(zhàn)

01 hmmlearn工具包_ev.mp4

02 工具包使用方法_ev.mp4

03 中文分詞任務(wù)_ev.mp4

04 實(shí)現(xiàn)中文分詞_ev.mp4

07 語(yǔ)言模型

01 開(kāi)篇_ev.mp4

02 語(yǔ)言模型_ev.mp4

03 N-gram模型_ev.mp4

04 詞向量_ev.mp4

05 神經(jīng)網(wǎng)絡(luò)模型_ev.mp4

06 Hierarchical Softmax_ev.mp4

07 CBOW模型實(shí)例_ev.mp4

08 CBOW求解目標(biāo)_ev.mp4

09 銻度上升求解_ev.mp4

10 負(fù)采樣模型_ev.mp4

08 使用Gemsim構(gòu)建詞向量

01 使用Gensim庫(kù)構(gòu)造詞向量_ev.mp4

02 維基百科中文數(shù)據(jù)處理_ev.mp4

03 Gensim構(gòu)造word2vec模型_ev.mp4

04 測(cè)試模型相似度結(jié)果_ev.mp4

09 基于word2vec的分類任務(wù)

01 影評(píng)情感分類_ev.mp4

02 基于詞袋模型訓(xùn)練分類器_ev.mp4

03 準(zhǔn)備word2vec輸入數(shù)據(jù)_ev.mp4

04 使用gensim構(gòu)建word2vec詞向量（新）_ev.mp4

10 NLP-文本特征方法對(duì)比

01 任務(wù)概述_ev.mp4

02 詞袋模型_ev.mp4

03 詞袋模型分析_ev.mp4

04 TFIDF模型_ev.mp4

05 word2vec詞向量模型_ev.mp4

06 深度學(xué)習(xí)模型_ev.mp4

11 NLP-相似度模型

01 任務(wù)概述_ev.mp4

02 數(shù)據(jù)展示_ev.mp4

03 正負(fù)樣本制作_ev.mp4

04 數(shù)據(jù)預(yù)處理_ev.mp4

05 網(wǎng)絡(luò)模型定義_ev.mp4

06 基于字符的訓(xùn)練_ev.mp4

07 基于句子的相似度訓(xùn)練_ev.mp4

12 LSTM情感分析

01 RNN網(wǎng)絡(luò)架構(gòu)_ev.mp4

02 LSTM網(wǎng)絡(luò)架構(gòu)_ev.mp4

03 案例：使用LSTM進(jìn)行情感分類_ev.mp4

04 情感數(shù)據(jù)集處理_ev.mp4

05 基于word2vec的LSTM模型_ev.mp4

13 機(jī)器人寫唐詩(shī)

01 任務(wù)概述與環(huán)境配置_ev.mp4

02 參數(shù)配置_ev.mp4

03 數(shù)據(jù)預(yù)處理模塊_ev.mp4

04 batch數(shù)據(jù)制作_ev.mp4

05 RNN模型定義_ev.mp4

06 完成訓(xùn)練模塊_ev.mp4

07 訓(xùn)練唐詩(shī)生成模型_ev.mp4

08 測(cè)試唐詩(shī)生成效果_ev.mp4

14 對(duì)話機(jī)器人

01 效果演示_ev.mp4

02 參數(shù)配置與數(shù)據(jù)加載_ev.mp4

03 數(shù)據(jù)處理_ev.mp4

04 詞向量與投影_ev.mp4

05 seq網(wǎng)絡(luò)_ev.mp4

06 網(wǎng)絡(luò)訓(xùn)練_ev.mp4

25 知識(shí)圖譜實(shí)戰(zhàn)系列

01 知識(shí)圖譜介紹及其應(yīng)用領(lǐng)域分析

01 知識(shí)圖譜通俗解讀_ev.mp4

02 知識(shí)圖譜在搜索引擎中的應(yīng)用_ev.mp4

03 知識(shí)圖譜在醫(yī)療領(lǐng)域應(yīng)用實(shí)例_ev.mp4

04 金融與推薦領(lǐng)域的應(yīng)用_ev.mp4

05 數(shù)據(jù)獲取分析_ev.mp4

02 知識(shí)圖譜涉及技術(shù)點(diǎn)分析

01 數(shù)據(jù)關(guān)系抽取分析_ev.mp4

02 常用NLP技術(shù)點(diǎn)分析_ev.mp4

03 graph-embedding的作用與效果_ev.mp4

04 金融領(lǐng)域圖編碼實(shí)例_ev.mp4

05 視覺(jué)領(lǐng)域圖編碼實(shí)例_ev.mp4

06 圖譜知識(shí)融合與總結(jié)分析_ev.mp4

03 Neo4j數(shù)據(jù)庫(kù)實(shí)戰(zhàn)

01 Neo4j圖數(shù)據(jù)庫(kù)介紹_ev.mp4

02 Neo4j數(shù)據(jù)庫(kù)安裝流程演示_ev.mp4

03 可視化例子演示_ev.mp4

04 創(chuàng)建與刪除操作演示_ev.mp4

05 數(shù)據(jù)庫(kù)更改查詢操作演示_ev.mp4

04 使用python操作neo4j實(shí)例

01 使用Py2neo建立連接_ev.mp4

02 提取所需的指標(biāo)信息_ev.mp4

03 在圖中創(chuàng)建實(shí)體_ev.mp4

04 根據(jù)給定實(shí)體創(chuàng)建關(guān)系_ev.mp4

05 基于知識(shí)圖譜的醫(yī)藥問(wèn)答系統(tǒng)實(shí)戰(zhàn)

01 項(xiàng)目概述與整體架構(gòu)分析_ev.mp4

02 醫(yī)療數(shù)據(jù)介紹及其各字段含義_ev.mp4

03 任務(wù)流程概述_ev.mp4

04 環(huán)境配置與所需工具包安裝_ev.mp4

05 提取數(shù)據(jù)中的關(guān)鍵字段信息_ev.mp4

06 創(chuàng)建關(guān)系邊_ev.mp4

07 打造醫(yī)療知識(shí)圖譜模型_ev.mp4

08 加載所有實(shí)體數(shù)據(jù)_ev.mp4

09 實(shí)體關(guān)鍵詞字典制作_ev.mp4

10 完成對(duì)話系統(tǒng)構(gòu)建_ev.mp4

06 文本關(guān)系抽取實(shí)踐

01 關(guān)系抽取要完成的任務(wù)演示與分析_ev.mp4

02 LTP工具包概述介紹_ev.mp4

03 pyltp安裝與流程演示_ev.mp4

04 得到分詞與詞性標(biāo)注結(jié)果_ev.mp4

05 依存句法概述_ev.mp4

06 句法分析結(jié)果整理_ev.mp4

07 語(yǔ)義角色構(gòu)建與分析_ev.mp4

08 設(shè)計(jì)規(guī)則完成關(guān)系抽取_ev.mp4

07 金融平臺(tái)風(fēng)控模型實(shí)踐

01 競(jìng)賽任務(wù)目標(biāo)_ev.mp4

02 圖模型信息提取_ev.mp4

03 節(jié)點(diǎn)權(quán)重特征提取(PageRank)_ev.mp4

04 deepwalk構(gòu)建圖頂點(diǎn)特征_ev.mp4

05 各項(xiàng)統(tǒng)計(jì)特征_ev.mp4

06 app安裝特征_ev.mp4

07 圖中聯(lián)系人特征_ev.mp4

08 醫(yī)學(xué)糖尿病數(shù)據(jù)命名實(shí)體識(shí)別

01 數(shù)據(jù)與任務(wù)介紹_ev.mp4

02 整體模型架構(gòu)_ev.mp4

03 數(shù)據(jù)-標(biāo)簽-語(yǔ)料庫(kù)處理_ev.mp4

04 輸入樣本填充補(bǔ)齊_ev.mp4

05 訓(xùn)練網(wǎng)絡(luò)模型_ev.mp4

06 醫(yī)療數(shù)據(jù)集（糖尿病）實(shí)體識(shí)別_ev.mp4

26 語(yǔ)音識(shí)別實(shí)戰(zhàn)系列

01 seq2seq序列網(wǎng)絡(luò)模型

01 序列網(wǎng)絡(luò)模型概述分析_ev.mp4

02 工作原理概述_ev.mp4

03 注意力機(jī)制的作用_ev.mp4

04 加入attention的序列模型整體架構(gòu)_ev.mp4

05 TeacherForcing的作用與訓(xùn)練策略_ev.mp4

06 額外補(bǔ)充-RNN網(wǎng)絡(luò)模型解讀_ev.mp4

02 LAS模型語(yǔ)音識(shí)別實(shí)戰(zhàn)

01 數(shù)據(jù)源與環(huán)境配置_ev.mp4

02 語(yǔ)料表制作方法_ev.mp4

03 制作json標(biāo)注數(shù)據(jù)_ev.mp4

04 聲音數(shù)據(jù)處理模塊解讀_ev.mp4

05 Pack與Pad操作解析_ev.mp4

06 編碼器模塊整體流程_ev.mp4

07 加入注意力機(jī)制_ev.mp4

08 計(jì)算得到每個(gè)輸出的attention得分_ev.mp4

09 解碼器與訓(xùn)練過(guò)程演示_ev.mp4

03 starganvc2變聲器論文原理解讀

01 論文整體思路與架構(gòu)解讀_ev.mp4

02 VCC2016輸入數(shù)據(jù)_ev.mp4

03 語(yǔ)音特征提取_ev.mp4

04 生成器模型架構(gòu)分析_ev.mp4

05 InstanceNorm的作用解讀_ev.mp4

06 AdaIn的目的與效果_ev.mp4

07 判別器模塊分析_ev.mp4

04 staeganvc2變聲器源碼實(shí)戰(zhàn)

01 數(shù)據(jù)與項(xiàng)目文件解讀_ev.mp4

02 環(huán)境配置與工具包安裝_ev.mp4

03 數(shù)據(jù)預(yù)處理與聲音特征提取_ev.mp4

04 生成器構(gòu)造模塊解讀_ev.mp4

05 下采樣與上采樣操作_ev.mp4

06 starganvc2版本標(biāo)簽輸入分析_ev.mp4

07 生成器前向傳播維度變化_ev.mp4

08 判別器模塊解讀_ev.mp4

09 論文損失函數(shù)_ev.mp4

10 源碼損失計(jì)算流程_ev.mp4

11 測(cè)試模塊-生成轉(zhuǎn)換語(yǔ)音_ev.mp4

05 語(yǔ)音分離ConvTasnet模型

01 語(yǔ)音分離任務(wù)分析_ev.mp4

02 經(jīng)典語(yǔ)音分離模型概述_ev.mp4

03 DeepClustering論文解讀_ev.mp4

04 TasNet編碼器結(jié)構(gòu)分析_ev.mp4

05 DW卷積的作用與效果_ev.mp4

06 基于Mask得到分離結(jié)果_ev.mp4

06 ConvTasnet語(yǔ)音分離實(shí)戰(zhàn)

01 數(shù)據(jù)準(zhǔn)備與環(huán)境配置_ev.mp4

02 訓(xùn)練任務(wù)所需參數(shù)介紹_ev.mp4

03 DataLoader定義_ev.mp4

04 采樣數(shù)據(jù)特征編碼_ev.mp4

05 編碼器特征提取_ev.mp4

06 構(gòu)建更大的感受區(qū)域_ev.mp4

07 解碼得到分離后的語(yǔ)音_ev.mp4

08 測(cè)試模塊所需參數(shù)_ev.mp4

07 語(yǔ)音合成tacotron最新版實(shí)戰(zhàn)

01 語(yǔ)音合成項(xiàng)目所需環(huán)境配置_ev.mp4

02 所需數(shù)據(jù)集介紹_ev.mp4

03 路徑配置與整體流程解讀_ev.mp4

04 Dataloader構(gòu)建數(shù)據(jù)與標(biāo)簽_ev.mp4

05 編碼層要完成的任務(wù)_ev.mp4

06 得到編碼特征向量_ev.mp4

07 解碼器輸入準(zhǔn)備_ev.mp4

08 解碼器流程梳理_ev.mp4

09 注意力機(jī)制應(yīng)用方法_ev.mp4

10 得到加權(quán)的編碼向量_ev.mp4

11 模型輸出結(jié)果_ev.mp4

12 損失函數(shù)與預(yù)測(cè)_ev.mp4

27 推薦系統(tǒng)實(shí)戰(zhàn)系列

01 推薦系統(tǒng)介紹及其應(yīng)用

01 1-推薦系統(tǒng)通俗解讀_ev.mp4

02 2-推薦系統(tǒng)發(fā)展簡(jiǎn)介_(kāi)ev.mp4

03 3-應(yīng)用領(lǐng)域與多方位評(píng)估指標(biāo)_ev.mp4

04 4-任務(wù)流程與挑戰(zhàn)概述_ev.mp4

05 5-常用技術(shù)點(diǎn)分析_ev.mp4

06 6-與深度學(xué)習(xí)的結(jié)合_ev.mp4

02 協(xié)同過(guò)濾與矩陣分解

01 1-協(xié)同過(guò)濾與矩陣分解簡(jiǎn)介_(kāi)ev.mp4

02 2-基于用戶與商品的協(xié)同過(guò)濾_ev.mp4

03 3-相似度計(jì)算與推薦實(shí)例_ev.mp4

04 4-矩陣分解的目的與效果_ev.mp4

05 5-矩陣分解中的隱向量_ev.mp4

06 6-目標(biāo)函數(shù)簡(jiǎn)介_(kāi)ev.mp4

07 7-隱式情況分析_ev.mp4

08 8-Embedding的作用_ev.mp4

03 音樂(lè)推薦系統(tǒng)實(shí)戰(zhàn)

01 1-音樂(lè)推薦任務(wù)概述_ev.mp4

02 2-數(shù)據(jù)集整合_ev.mp4

03 3-基于物品的協(xié)同過(guò)濾_ev.mp4

04 4-物品相似度計(jì)算與推薦_ev.mp4

05 5-SVD矩陣分解_ev.mp4

06 6-基于矩陣分解的音樂(lè)推薦_ev.mp4

04 知識(shí)圖譜與Neo4j數(shù)據(jù)庫(kù)實(shí)例

01 1-知識(shí)圖譜通俗解讀_ev.mp4

02 2-知識(shí)圖譜在搜索引擎中的應(yīng)用_ev.mp4

03 3-知識(shí)圖譜在醫(yī)療領(lǐng)域應(yīng)用實(shí)例_ev.mp4

04 4-金融與推薦領(lǐng)域的應(yīng)用_ev.mp4

05 5-數(shù)據(jù)獲取分析_ev.mp4

06 1-Neo4j圖數(shù)據(jù)庫(kù)介紹_ev.mp4

07 2-Neo4j數(shù)據(jù)庫(kù)安裝流程演示_ev.mp4

08 3-可視化例子演示_ev.mp4

09 4-創(chuàng)建與刪除操作演示_ev.mp4

10 5-數(shù)據(jù)庫(kù)更改查詢操作演示_ev.mp4

05 基于知識(shí)圖譜的電影推薦實(shí)戰(zhàn)

01 1-知識(shí)圖譜推薦系統(tǒng)效果演示_ev.mp4

02 2-kaggle電影數(shù)據(jù)集下載與配置_ev.mp4

03 3-圖譜需求與任務(wù)流程解讀_ev.mp4

04 4-項(xiàng)目所需環(huán)境配置安裝_ev.mp4

05 5-構(gòu)建用戶電影知識(shí)圖譜_ev.mp4

06 6-圖譜查詢與匹配操作_ev.mp4

07 7-相似度計(jì)算與推薦引擎構(gòu)建_ev.mp4

06 點(diǎn)擊率估計(jì)FM與DeepFM算法

01 1-CTR估計(jì)及其經(jīng)典方法概述_ev.mp4

02 2-高維特征帶來(lái)的問(wèn)題_ev.mp4

03 3-二項(xiàng)式特征的作用與挑戰(zhàn)_ev.mp4

04 4-二階公式推導(dǎo)與化簡(jiǎn)_ev.mp4

05 5-FM算法解析_ev.mp4

06 6-DeepFm整體架構(gòu)解讀_ev.mp4

07 7-輸入層所需數(shù)據(jù)樣例_ev.mp4

08 8-Embedding層的作用與總結(jié)_ev.mp4

07 DeepFM算法實(shí)戰(zhàn)

01 1-數(shù)據(jù)集介紹與環(huán)境配置_ev.mp4

02 2-廣告點(diǎn)擊數(shù)據(jù)預(yù)處理實(shí)例_ev.mp4

03 3-數(shù)據(jù)處理模塊Embedding層_ev.mp4

04 4-Index與Value數(shù)據(jù)制作_ev.mp4

05 5-一階權(quán)重參數(shù)設(shè)計(jì)_ev.mp4

06 6-二階特征構(gòu)建方法_ev.mp4

07 7-特征組合方法實(shí)例分析_ev.mp4

08 8-完成FM模塊計(jì)算_ev.mp4

09 9-DNN模塊與訓(xùn)練過(guò)程_ev.mp4

08 推薦系統(tǒng)常用工具包演示

01 1-環(huán)境配置與數(shù)據(jù)集介紹_ev.mp4

02 2-電影數(shù)據(jù)集預(yù)處理分析_ev.mp4

03 3-surprise工具包基本使用_ev.mp4

04 4-模型測(cè)試集結(jié)果_ev.mp4

05 5-評(píng)估指標(biāo)概述_ev.mp4

09 基于文本數(shù)據(jù)的推薦實(shí)例

01 1-數(shù)據(jù)與環(huán)境配置介紹_ev.mp4

02 2-數(shù)據(jù)科學(xué)相關(guān)數(shù)據(jù)介紹_ev.mp4

03 3-文本數(shù)據(jù)預(yù)處理_ev.mp4

04 4-TFIDF構(gòu)建特征矩陣_ev.mp4

05 5-矩陣分解演示_ev.mp4

06 6-LDA主題模型效果演示_ev.mp4

07 7-推薦結(jié)果分析_ev.mp4

10 基本統(tǒng)計(jì)分析的電影推薦

01 1-電影數(shù)據(jù)與環(huán)境配置_ev.mp4

02 2-數(shù)據(jù)與關(guān)鍵詞信息展示_ev.mp4

03 3-關(guān)鍵詞云與直方圖展示_ev.mp4

04 4-特征可視化_ev.mp4

05 5-數(shù)據(jù)清洗概述_ev.mp4

06 6-缺失值填充方法_ev.mp4

07 7-推薦引擎構(gòu)造_ev.mp4

08 8-數(shù)據(jù)特征構(gòu)造_ev.mp4

09 9-得出推薦結(jié)果_ev.mp4

11 補(bǔ)充-基于相似度的酒店推薦系統(tǒng)

01 1-酒店數(shù)據(jù)與任務(wù)介紹_ev.mp4

02 2-文本詞頻統(tǒng)計(jì)_ev.mp4

03 3-ngram結(jié)果可視化展示_ev.mp4

04 4-文本清洗_ev.mp4

05 5-相似度計(jì)算_ev.mp4

06 6-得出推薦結(jié)果_ev.mp4

28 AI課程所需安裝軟件教程

01 AI課程所需安裝軟件教程

01 AI課程所需安裝軟件教程_ev.mp4

29 額外補(bǔ)充

01 通用創(chuàng)新點(diǎn)

01 ACMIX（卷積與注意力融合）_ev.mp4

02 GCnet(全局特征融合)_ev.mp4

03 Coordinate_attention_ev.mp4

04 SPD（可替換下采樣）_ev.mp4

05 SPP改進(jìn)_ev.mp4

06 mobileOne(加速)_ev.mp4

07 Deformable(替換selfAttention)_ev.mp4

08 ProbAttention(采樣策略)_ev.mp4

09 CrossAttention融合特征_ev.mp4

10 Attention額外加入先驗(yàn)知識(shí)_ev.mp4

11 結(jié)合GNN構(gòu)建局部特征_ev.mp4

12 損失函數(shù)約束項(xiàng)_ev.mp4

13 自適應(yīng)可學(xué)習(xí)參數(shù)_ev.mp4

14 Coarse2Fine大框架_ev.mp4

15 只能機(jī)器學(xué)習(xí)模型時(shí)湊工作量（特征工程）_ev.mp4

16 自己數(shù)據(jù)集如何發(fā)的好(要開(kāi)源)_ev.mp4

17 可變形卷積加入方法_ev.mp4

18 在源碼中加入各種注意力機(jī)制方法_ev.mp4

---

深度學(xué)習(xí)巔峰-人工智能深度學(xué)習(xí)系統(tǒng)班第6期百度網(wǎng)盤

易靈微課：黑客之路-WEB安全體系課

易靈微課：黑客之路-WEB安全體系課

構(gòu)建智能未來(lái)，邁向深度學(xué)習(xí)的巔峰-人工智能深度學(xué)習(xí)系統(tǒng)班第6期