初探C4D創(chuàng)意世界：C4D OC零基礎實戰(zhàn)班4期精講
初探C4D創(chuàng)意世界：C4D OC零基礎實戰(zhàn)班4期精講
構(gòu)建智能未來，邁向深度學習的巔峰-人工智能深度學習系統(tǒng)班第6期
本課程由趣資料網(wǎng)站（smylily.com）收集整理
資源簡介：
課程來自于構(gòu)建智能未來，邁向深度學習的巔峰-人工智能深度學習系統(tǒng)班第6期
本課程旨在為學員提供全面深入的人工智能深度學習知識體系。通過本課程，學員將了解和掌握深度學習的基本概念、原理和應用。課程內(nèi)容包括神經(jīng)網(wǎng)絡基礎、卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、深度神經(jīng)網(wǎng)絡、自動編碼器等。此外，課程還將介紹深度學習在計算機視覺、自然語言處理、語音識別等領域的最新應用，并提供實際項目案例進行實踐操作，以幫助學員鞏固所學知識
文件目錄
00 資料
1.第一章 直播回放
1-8 節(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
HeterogeneousGraph.zip
異構(gòu)圖神經(jīng)網(wǎng)絡.pdf
異構(gòu)圖.pdf
1-6 節(jié)直播4：Transfomer在視覺任務中的應用實例
transformer課件.pdf
VIT算法模型源碼解讀.zip
1-3 節(jié)直播1：深度學習核心算法-神經(jīng)網(wǎng)絡與卷積網(wǎng)絡
神經(jīng)網(wǎng)絡.pdf
1-9 節(jié)補充：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：基于圖模型的時間序列預測
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)補充：BevFormer源碼解讀
bevformer.zip
1-4 節(jié)卷積神經(jīng)網(wǎng)絡
卷積神經(jīng)網(wǎng)絡.pdf
1-10 節(jié)直播7：半監(jiān)督物體檢測
mmdetection-3.x.zip
1-5 節(jié)直播3：Transformer架構(gòu)
transformer.pdf
1-1 節(jié)開班典禮
咕泡唐宇迪人工智能【第六期】學習路線圖.pdf
1-18 節(jié)直播14：知識蒸餾
Reinforced Multi-Teacher Selection for Knowledge Distillation.pdf
Decoupled Knowledge Distillation.pdf
蒸餾.pdf
2.第二章 深度學習必備核?算法
課件
詞向量模型資料
NLP核心模型-Word2vec.zip
卷積神經(jīng)網(wǎng)絡.pdf
深度學習.pdf
3.第三章 深度學習核?框架PyTorch
flask預測.zip
第二,三章：神經(jīng)網(wǎng)絡實戰(zhàn)分類與回歸任務.zip
第四章：卷積網(wǎng)絡參數(shù)解讀.zip
第五章：圖像識別模型與訓練策略（重點）.zip
第六章：DataLoader自定義數(shù)據(jù)集制作.zip
第七章：LSTM文本分類實戰(zhàn).zip
第八章：對抗生成網(wǎng)絡架構(gòu)原理與實戰(zhàn)解析.zip
4.第四章 MMLAB實戰(zhàn)系列
KIE關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圖像處理框架實戰(zhàn)
源碼資料
第9節(jié)：項目實戰(zhàn)-信用卡數(shù)字識別.zip
第10節(jié)：項目實戰(zhàn)-文檔掃描OCR識別.zip
第13節(jié)：案例實戰(zhàn)-全景圖像拼接.zip
第14節(jié)：項目實戰(zhàn)-停車場車位識別.zip
第15節(jié)：項目實戰(zhàn)-答題卡識別判卷.zip
第18節(jié)：Opencv的DNN模塊.zip
第19節(jié)：項目實戰(zhàn)-目標追蹤.zip
第20節(jié)：卷積原理與操作.zip
第21節(jié)：人臉關鍵點定位.zip
第21節(jié)：項目實戰(zhàn)-疲勞檢測.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?-物體檢測經(jīng)典算法實戰(zhàn)
YOLO系列（PyTorch）
訓練自己的數(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目標檢測源碼解讀.zip
物體檢測.pdf
EfficientNet.pdf
CenterNet.pdf
EfficientDet.zip
EfficientDet.pdf
json2yolo.py
yolov7-main.zip
第十二章：基于Transformer的detr目標檢測算法.pdf
7.第七章 圖像分割實戰(zhàn)
基于Resnet的醫(yī)學數(shù)據(jù)集分類實戰(zhàn)
Resnet.pdf
基于Resnet的醫(yī)學數(shù)據(jù)集分類實戰(zhàn).zip
基于MASK-RCNN框架訓練自己的數(shù)據(jù)與任務.zip
MaskRcnn網(wǎng)絡框架源碼詳解.zip
mask-rcnn.pdf
圖像識別核心模塊實戰(zhàn)解讀.zip
PyTorch框架基本處理操作.zip
第1節(jié)：圖像分割算法
深度學習分割任務.pdf
第2節(jié)：卷積網(wǎng)絡
深度學習.pdf
R(2+1)D網(wǎng)絡.pdf
第3節(jié)：Unet系列算法講解
深度學習分割任務.pdf
第4節(jié)：unet醫(yī)學細胞分割實戰(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+版本進行VOC分割實戰(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 行為識別實戰(zhàn)
基礎補充-Resnet模型及其應用實例
Resnet.pdf
基于Resnet的醫(yī)學數(shù)據(jù)集分類實戰(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
基礎補充-PyTorch框架必備核心模塊解讀.zip
基礎補充-PyTorch框架基本處理操作.zip
1-slowfast算法知識點通俗解讀.pdf
4-基于3D卷積的視頻分析與動作識別.zip
5-視頻異常檢測算法與元學習.pdf
6-視頻異常檢測CVPR2021論文及其源碼解讀.zip
9.第九章 2022論?必備-Transformer實戰(zhàn)系列
transformer系列
谷歌開源項目BERT源碼解讀與應用實例
BERT開源項目及數(shù)據(jù).zip
基礎補充-Resnet模型及其應用實例
Resnet.pdf
基于Resnet的醫(yī)學數(shù)據(jù)集分類實戰(zhàn).zip
Medical-Transformer.zip
transformer論文.pdf
第一章：transformer原理解讀
BERT.pdf
第二章：Transformer在視覺中的應用VIT算法.pdf
第三章：VIT算法模型源碼解讀.zip
第四章：swintransformer算法原理解析.pdf
第五章：swintransformer源碼解讀.zip
第六章：基于Transformer的detr目標檢測算法.pdf
第七章：detr目標檢測源碼解讀.zip
第九章：項目補充-基于BERT的中文情感分析實戰(zhàn)
BERT中文情感分類開源項目.zip
第十一，十二章
LoFTR.zip
Loftr.pdf
2104.00680.pdf
10.第一十章 圖神經(jīng)?絡實戰(zhàn)
第一章：圖神經(jīng)網(wǎng)絡基礎
圖神經(jīng)網(wǎng)絡.pdf
第二章：圖卷積GCN模型
圖卷積.pdf
3-圖模型必備神器PyTorch Geometric安裝與使用
工具包使用.zip
4-使用PyTorch Geometric構(gòu)建自己的圖數(shù)據(jù)集
創(chuàng)建自己的數(shù)據(jù)集.zip
5-圖注意力機制與序列圖模型
時間序列TGCN.zip
Temporal Graph Neural Networks.pdf
圖注意力機制.pdf
6-圖相似度論文解讀
1808.05689.pdf
7-圖相似度計算實戰(zhàn)
Extended-SimGNN.zip
8-基于圖模型的軌跡估計
軌跡軌跡.pdf
數(shù)據(jù)集Demo.mp4
9-圖模型軌跡估計實戰(zhàn)
Vector.zip
11.第一十一章 3D點云實戰(zhàn)
第1節(jié)：3D點云應用領域分析
點云.pdf
激光雷達.mp4
第2節(jié)：3D點云PointNet算法
PointNet++.pdf
CloudCompare.zip
第3節(jié)：PointNet++算法解讀
PointNet++.pdf
第4節(jié)：Pointnet++項目實戰(zhàn)
Pointnet2.zip
第5節(jié)：點云補全PF-Net論文解讀
點云補全.pdf
2003.00410.pdf
第6節(jié)：點云補全實戰(zhàn)解讀
PF-Net-Point-Fractal-Network.zip
第7節(jié)：點云配準及其案例實戰(zhàn)
RPMNet.zip
點云匹配.pdf
2003.13479.pdf
第8節(jié)：基礎補充-對抗生成網(wǎng)絡架構(gòu)原理與實戰(zhàn)解析
第八章：對抗生成網(wǎng)絡架構(gòu)原理與實戰(zhàn)解析.zip
12.第一十二章 ?標追蹤與姿態(tài)估計實戰(zhàn)
基礎補充-Resnet模型及其應用實例
基于Resnet的醫(yī)學數(shù)據(jù)集分類實戰(zhàn).zip
Resnet.pdf
基礎補充-PyTorch框架必備核心模塊解讀.zip
基礎補充-PyTorch框架基本處理操作.zip
第一章：姿態(tài)估計OpenPose系列算法解讀.pdf
第二章：OpenPose算法源碼分析.zip
第三章：Deepsort算法知識點解讀.pdf
第四章：Deepsort源碼解讀.zip
第五六七章：YOLO目標檢測
訓練自己的數(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 ?向深度學習的??駕駛實戰(zhàn)
1.深度估計算法解讀
深度估計.pdf
Monocular_Depth_Estimation_Using_Laplacian_Pyramid-Based_Depth_Residuals.pdf
2.深度估計項目實戰(zhàn)
LapDepth.zip
3-車道線檢測算法與論文解讀
基于深度學習的車道線檢測.pdf
4-基于深度學習的車道線檢測項目實戰(zhàn)
Lane-Detection.zip
5-商湯LoFTR算法解讀
Loftr.pdf
2104.00680.pdf
6-局部特征關鍵點匹配實戰(zhàn)
LoFTR.zip
7-三維重建應用與坐標系基礎
三維重建.pdf
8-NeuralRecon算法解讀
NeuralRecon.pdf
三維重建.pdf
9-NeuralRecon項目環(huán)境配置
參考其GITHUB即可
10-NeuralRecon項目源碼解讀
NeuralRecon
data.py
train_demo.zip
all_tsdf_9.zip
11-TSDF算法與應用
TSDF.pdf
12-TSDF實戰(zhàn)案例
TSDF實例
tsdf-fusion-python-master.zip
13-軌跡估計算法與論文解讀
無人駕駛.pdf
14-軌跡估計預測實戰(zhàn)
Vector.zip
15-特斯拉無人駕駛解讀
Tesla無人駕駛.pdf
14.第一十四章 對比學習與多模態(tài)任務實戰(zhàn)
CLIP系列
CLIP.zip
CLIP及其應用.pdf
ANINET源碼解讀
mmocr-main.zip
多模態(tài)文字識別
ABINET.pdf
DBNET.pdf
對比學習算法與實例
trainCLIP.py
對比學習.pdf
多模態(tài)3D目標檢測算法源碼解讀
mmdetection3d-1.0.0rc0.zip
15.第一十五章 缺陷檢測實戰(zhàn)
Resnet分類實戰(zhàn)
基于Resnet的醫(yī)學數(shù)據(jù)集分類實戰(zhàn).zip
Resnet.pdf
PyTorch基礎
1-PyTorch框架基本處理操作.zip
2-神經(jīng)網(wǎng)絡實戰(zhàn)分類與回歸任務.zip
3-圖像識別核心模塊實戰(zhàn)解讀.zip
DeepLab鐵質(zhì)材料缺陷檢測與開源項目應用流程.zip
第1-4章：YOLOV5缺陷檢測
YOLO新版.pdf
Defective_Insulators.zip
NEU-DET.zip
YOLO5.zip
第5章：Semi-supervised布料缺陷檢測實戰(zhàn).zip
第6-8章：Opencv各函數(shù)使用實例
第一部分notebook課件.zip
第二部分notebook課件.zip
第9章：基于Opencv缺陷檢測項目實戰(zhàn).zip
第10章：基于視頻流水線的Opnecv缺陷檢測項目.zip
第11-12章：deeplab
DeepLab.pdf
DeepLabV3Plus.zip
16.第一十六章 ??重識別實戰(zhàn)
第1節(jié)：行人重識別原理及其應用
行人重識別.pdf
第2節(jié)：基于注意力機制的ReId模型論文解讀
Relation-Aware Global Attention.pdf
第3節(jié)：基于Attention的行人重識別項目實戰(zhàn)
Relation-Aware-Global-Attention-Networks.zip
第4節(jié)：經(jīng)典會議算法精講（特征融合）
Relation Network for Person Re-identification.pdf
第5節(jié)：項目實戰(zhàn)-基于行人局部特征融合的再識別實戰(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)：基于拓撲圖的行人重識別項目實戰(zhàn)
基于圖模型的ReID(曠視).zip
17.第一十七章 對抗?成?絡實戰(zhàn)
static.zip
cyclegan.pdf
第2節(jié)：對抗生成網(wǎng)絡架構(gòu)原理與實戰(zhàn)解析.zip
第3節(jié)：基于CycleGan開源項目實戰(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項目實戰(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變聲器項目實戰(zhàn)及其源碼解讀.zip
第8節(jié)：圖像超分辨率重構(gòu)實戰(zhàn)
srgan超分辨率重構(gòu).zip
srdata.zip
第9節(jié)：基于GAN的圖像補全實戰(zhàn)
圖像補全人臉數(shù)據(jù).zip
glcic圖像補全.zip
18.第一十八章 強化學習實戰(zhàn)系列
第1節(jié)：強化學習簡介及其應用.pdf
第2節(jié)：PPO算法與公式推導.pdf
第3節(jié)：策略梯度實戰(zhàn)-月球登陸器訓練實例.zip
第4節(jié)：DQN算法.pdf
第5節(jié)：DQN算法實例演示.zip
第7節(jié)：Actor-Critic算法分析(A3C).pdf
第8節(jié)：A3C算法玩轉(zhuǎn)超級馬里奧.zip
19.第一十九章 Openai頂級黑科技算法及其項目實戰(zhàn)
1 節(jié)GPT系列生成模型
GPT系列.pdf
GPT.zip
2 節(jié)GPT建模與預測流程
ChinesePretrainedModels.zip
3 節(jié)CLIP系列
CLIP.zip
CLIP及其應用.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)學領域的深度學習實戰(zhàn)
1-神經(jīng)網(wǎng)絡算法PPT
深度學習.pdf
2-PyTorch框架基本處理操作.zip
3-PyTorch框架必備核心模塊解讀.zip
4-基于Resnet的醫(yī)學數(shù)據(jù)集分類實戰(zhàn)
基于Resnet的醫(yī)學數(shù)據(jù)集分類實戰(zhàn).zip
Resnet.pdf
5-圖像分割及其損失函數(shù)概述
深度學習分割任務.pdf
6-Unet系列算法講解
深度學習分割任務.pdf
7-unet醫(yī)學細胞分割實戰(zhàn)
新建文件夾
unet++.zip
8-deeplab系列算法
DeepLab.pdf
9-基于deeplabV3+版本進行VOC分割實戰(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系列物體檢測算法原理解讀
YOLO.pdf
YOLOv4.pdf
12-基于YOLO5細胞檢測實戰(zhàn)
基于YOLO5細胞檢測實戰(zhàn).zip
13-知識圖譜原理解讀
知識圖譜.pdf
14-Neo4j數(shù)據(jù)庫實戰(zhàn)
NEO4J.pdf
15-基于知識圖譜的醫(yī)藥問答系統(tǒng)實戰(zhàn)
醫(yī)藥問答.zip
配置與安裝.pdf
16-詞向量模型與RNN網(wǎng)絡架構(gòu).zip
17-醫(yī)學糖尿病數(shù)據(jù)命名實體識別
eclipse-命名實體識別.zip
notebook-瑞金.zip
21.第二十一章 深度學習模型部署與剪枝優(yōu)化實戰(zhàn)
tensorRT
tensorRT課程PPT
video1-get-env.mp4
video1-get-templ.mp4
1.說在前面.pdf
2.介紹.pdf
3.cuda-driver-課程概述.pdf
4.cuda-driver.pdf
video-series.mp4
5.cuda-runtime-課程概述.pdf
6.cuda-runtime.pdf
7.tensorrt-basic-課程概述.pdf
8.tensorrt-basic.pdf
9.tensorrt-integrate-課程概述.pdf
10.tensorrt-integrate.pdf
tensorRT課程代碼
cuda-runtime-api.tar.gz
cuda-driver-api.tar.gz
tensorrt-integrate.tar.gz
tensorrt-basic.tar.gz
嵌入式AI
第一章 認識 jetson nano
1software
usbCamera.py
csiCamera.py
code_1.71.2-1663189619_arm64.deb
balenaEtcher-Setup-1.7.9.exe
SDCardFormatterv5_WinEN.zip
1.1 jetson nano 硬件介紹.pdf
1.2b jetson nano 系統(tǒng)安裝過程.pdf
1.4 安裝使用攝像頭csi usb.pdf
1.3 感受nano的GPU算力.pdf
1.2 jetson nano 刷機.pdf
第二章 AI 實戰(zhàn)
時間統(tǒng)計.xlsx
2software
networks
bvlc_googlenet.caffemodel
googlenet_noprob.prototxt
googlenet.prototxt
SSD-Mobilenet-v1.tar.gz
SSD-Mobilenet-v2.tar.gz
usbCamera.py
csiCamera.py
jetson-inference.zip
mobilenet-v1-ssd-mp-0_675.pth
2.3 docker中運行分類模型.pdf
2.1 jetson-inference 入門.pdf
2.6 轉(zhuǎn)換出onnx模型，并使用.pdf
2.5 訓練出自己目標識別模型.pdf
2.4 訓練自己的目標檢測模型準備.pdf
2.2 docker 的安裝使用.pdf
第三章 NVIDIA TAO 實用級的訓練神器
3.4NVIDIA TAO預訓練模型和訓練.pdf
3.1NVIDIA TAO介紹和安裝.pdf
3.2NVIDIA TAO數(shù)據(jù)準備和環(huán)境設置.pdf
3.3NVIDIA TAO數(shù)據(jù)轉(zhuǎn)換.pdf
3.5TAO 剪枝在訓練推理驗證.pdf
第四章 deepstream
software
camera_gstreamer_code_rtp.py
Accelerated_GStreamer_User_Guide.pdf
camera_gstreamer_code_rtsp_out.py
gstreamer-1.0-msvc-x86_64-1.20.4.msi
EasyPlayer-RTSP-Win-V3.0.19.0515.zip
rtspCameraH264.py
rtspVideoH264.py
4.4 python實現(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部署實例.zip
PyTorch模型部署實例.zip
Docker使用命令.zip
pytorch-slimming.zip
TensorFlow-serving.zip
Mobilenet.pdf
剪枝算法.pdf
mobilenetv3.py
22.第二十二章 自然語言處理必備神器Huggingface系列實戰(zhàn)
第一章：Huggingface與NLP介紹解讀
Huggingface初識.pptx
第二章：Transformer工具包基本操作實例解讀
1-Transformers.zip
2-Finetuning.zip
第三章：transformer原理解讀
transformer.pdf
第四章：BERT系列算法解讀
BERT系列.pdf
第五章：文本標注工具與NER實例
ner.zip
第六章：文本預訓練模型構(gòu)建實例
Mask Language Model.ipynb
第七章：GPT系列算法
GPT系列.pdf
第八章：GPT訓練與預測部署流程
GPT.zip
第九章：文本摘要建模
Summarization.ipynb
Summarization.zip
第十章：圖譜知識抽取實戰(zhàn)
CMeKG.zip
第十一章：補充Huggingface數(shù)據(jù)集制作方法實例
數(shù)據(jù)格式轉(zhuǎn)換.zip
23.第二十三章 ?然語?處理通?框架-BERT實戰(zhàn)
課件、源碼
BERT開源項目及數(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)：谷歌開源項目BERT源碼解讀與應用實例.zip
第3節(jié)：項目實戰(zhàn)-基于BERT的中文情感分析實戰(zhàn).zip
第4節(jié)：項目實戰(zhàn)-基于BERT的中文命名實體識別實戰(zhàn).zip
第5節(jié)：必備基知識點-word2vec模型通俗解讀.zip
第6節(jié)：必備基礎-掌握Tensorflow如何實現(xiàn)word2vec模型.zip
第7節(jié)：必備基礎知識點-RNN網(wǎng)絡架構(gòu)與情感分析應用實例.zip
第8節(jié)：醫(yī)學糖尿病數(shù)據(jù)命名實體識別.zip
課后作業(yè)
第八模塊：BERT作業(yè).pdf
24.第二十四章 ?然語?處理經(jīng)典案例實戰(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
貝葉斯Python文本分析
搜狗新聞語料
val.txt
test.txt
train.txt
Python文本分析.zip
5-6：HMM實戰(zhàn)
隱馬爾科夫模型（課件）
HMM.pdf
HMM案例實戰(zhàn)
HMM
__pycache__
get_hmm_param.cpython-36.pyc
data.cpython-36.pyc
data.py
hmm_start.py
get_hmm_param.py
hmm實踐.ipynb
時間序列.ipynb
data2.csv
8-9：word2vec詞向量實戰(zhàn)
Word2Vec
Gensim-代碼.zip
gensim訓練model.zip
tensorflow-word2vec.zip
word2vec.zip
10：NLP方法對比
自然語言處理-特征提取方法對比.zip
11-14：基于Tensorflow的項目實戰(zhàn)
LSTM情感分析
LSTM.ipynb
LSTM.zip
NLP-文本相似度
文本相似度.zip
唐詩生成
poem.zip
LSTM.zip
問答機器人
QA問答.zip
對話問答機器人
chatbot.zip
課后作業(yè)
data.txt
第八模塊：NLP實戰(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-自然語言處理工具包.zip
Python-自然語言處理工具包(1).zip
25.第二十五章 知識圖譜實戰(zhàn)系列
第1.2節(jié)：知識圖譜介紹及其應用領域分析
知識圖譜.pdf
第3節(jié)：Neo4j數(shù)據(jù)庫實戰(zhàn)
NEO4J.pdf
第4節(jié)：使用python操作neo4j實例
python操作neo4j.zip
第5節(jié)：基于知識圖譜的醫(yī)藥問答系統(tǒng)實戰(zhàn)
醫(yī)藥問答.zip
配置與安裝.pdf
第6節(jié)：文本關系抽取實踐
關系抽取.zip
第7節(jié)：金融平臺風控模型實踐
貸款風控特征工程.zip
第8節(jié)：醫(yī)學糖尿病數(shù)據(jù)命名實體識別
eclipse-命名實體識別.zip
notebook-瑞金.zip
26.第二十六章 語?識別實戰(zhàn)系列
論文
Conv-TasNet論文.pdf
tacotron2論文.pdf
stargancv2論文.pdf
PPT
語音分離.pdf
seq2seq.pdf
stargan-vc2.pdf
語音合成-tacotron2.pdf
語音分離Conv-TasNet.zip
語音識別LAS模型.zip
語音合成tacotron2實戰(zhàn).zip
變聲器pytorch-StarGAN-VC2.zip
27.第二十七章 推薦系統(tǒng)實戰(zhàn)系列
第1節(jié)：推薦系統(tǒng)介紹.pdf
第2節(jié)：協(xié)同過濾與矩陣分解.pdf
第3節(jié)：音樂推薦系統(tǒng)實戰(zhàn)
Python實現(xiàn)音樂推薦系統(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)庫實例
NEO4J.pdf
第5節(jié)：基于知識圖譜的電影推薦實戰(zhàn).zip
第6節(jié)：FM與DeepFM算法.pdf
第7節(jié)：DeepFM算法實戰(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)的推薦實例.zip
第10節(jié)：基于統(tǒng)計分析的電影推薦
電影推薦.zip
第11節(jié)：補充-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 額外補充
SPPCSPC(替換SPP)
源碼.txt
GCNET(全局特征融合)
yolo.py
gc.py
yolov5s_cb2d.yaml
1904.11492.pdf
ConvNeXt
源碼.txt
源碼鏈接.txt
common.py
yolo.py
yolov5s_convnextB.yaml
2201.03545.pdf
SPD-Conv
common.py
SPD-Conv論文.pdf
yolo.py
源碼實現(xiàn).txt
yolov5s_spd.yaml
yolov5s.yaml
mobileone(提速)
源碼實現(xiàn).txt
common.py
yolo.py
yolov5s_mobileone.yaml
2206.04040.pdf
Coordinate_attention
源碼實現(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
源碼實現(xiàn).txt
yolo.py
yolov5s_acmix.yaml
2111.14556.pdf
gc.py
gc(2).py
01 直播課回放
01 開班典禮
01 開班典禮.mp4
02 Pycharm環(huán)境配置與Debug演示(沒用過的同學必看)
01 Pycharm環(huán)境配置與Debug演示(沒用過的同學必看).mp4
03 直播1：深度學習核心算法-神經(jīng)網(wǎng)絡與卷積網(wǎng)絡
01 深度學習核心算法-神經(jīng)網(wǎng)絡與卷積網(wǎng)絡.mp4
04 直播2：卷積神經(jīng)網(wǎng)絡
01 卷積神經(jīng)網(wǎng)絡.mp4
05 直播3：Transformer架構(gòu)
01 Transformer架構(gòu).mp4
06 直播4：Transfomer在視覺任務中的應用實例
01 Transfomer在視覺任務中的應用實例.mp4
07 直播5：YOLO系列（V7）算法解讀
01 YOLO系列（V7）算法解讀.mp4
08 直播6：分割模型Maskformer系列
01 分割模型Maskformer系列.mp4
09 補充：Mask2former源碼解讀
01 Backbone獲取多層級特征.mp4
02 多層級采樣點初始化構(gòu)建.mp4
03 多層級輸入特征序列創(chuàng)建方法.mp4
04 偏移量與權(quán)重計算并轉(zhuǎn)換.mp4
05 Encoder特征構(gòu)建方法實例.mp4
06 query要預測的任務解讀.mp4
07 Decoder中的AttentionMask方法.mp4
08 損失模塊輸入?yún)?shù)分析.mp4
09 標簽分配策略解讀.mp4
10 正樣本篩選損失計算.mp4
11 標簽分類匹配結(jié)果分析.mp4
12 最終損失計算流程.mp4
13 匯總所有損失完成迭代.mp4
10 直播7：半監(jiān)督物體檢測
01 半監(jiān)督物體檢測.mp4
11 直播8：基于圖模型的時間序列預測
01 基于圖模型的時間序列預測.mp4
12 直播9：圖像定位與檢索
01 圖像定位與檢索.mp4
13 直播10：近期內(nèi)容補充
01 近期內(nèi)容補充.mp4
14 直播11：文本生成GPT系列
01 文本生成GPT系列.mp4
15 直播12：異構(gòu)圖神經(jīng)網(wǎng)絡
01 異構(gòu)圖神經(jīng)網(wǎng)絡.mp4
16 直播13：BEV特征空間
01 BEV特征空間.mp4
17 補充：BevFormer源碼解讀
01 環(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 特征對齊與位置編碼初始化.mp4
05 Reference初始點構(gòu)建.mp4
06 BEV空間與圖像空間位置對應.mp4
07 注意力機制模塊計算方法.mp4
08 BEV空間特征構(gòu)建.mp4
09 Decoder要完成的任務分析.mp4
10 獲取當前BEV特征.mp4
11 Decoder級聯(lián)校正模塊.mp4
12 損失函數(shù)與預測可視化.mp4
18 直播14：知識蒸餾
01 知識蒸餾.mp4
19 直播15：六期總結(jié)與論文簡歷
01 六期總結(jié)與論文簡歷.mp4
02 深度學習必備核心算法
01 神經(jīng)網(wǎng)絡算法解讀
01 神經(jīng)網(wǎng)絡算法解讀.mp4
02 卷積神經(jīng)網(wǎng)絡算法解讀
01 卷積神經(jīng)網(wǎng)絡算法解讀.mp4
03 遞歸神經(jīng)網(wǎng)絡算法解讀
01 遞歸神經(jīng)網(wǎng)絡算法解讀.mp4
03 深度學習核心框架PyTorch
01 PyTorch框架介紹與配置安裝
01 PyTorch框架與其他框架區(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)絡進行分類任務
01 數(shù)據(jù)集與任務概述.mp4
02 基本模塊應用測試.mp4
03 網(wǎng)絡結(jié)構(gòu)定義方法.mp4
04 數(shù)據(jù)源定義簡介.mp4
05 損失與訓練模塊分析.mp4
06 訓練一個基本的分類模型.mp4
07 參數(shù)對結(jié)果的影響.mp4
03 神經(jīng)網(wǎng)絡回歸任務-氣溫預測
01 神經(jīng)網(wǎng)絡回歸任務-氣溫預測.mp4
04 卷積網(wǎng)絡參數(shù)解讀分析
01 輸入特征通道分析.mp4
02 卷積網(wǎng)絡參數(shù)解讀.mp4
03 卷積網(wǎng)絡模型訓練.mp4
05 圖像識別模型與訓練策略（重點）
01 任務分析與圖像數(shù)據(jù)基本處理.mp4
02 數(shù)據(jù)增強模塊.mp4
03 數(shù)據(jù)集與模型選擇.mp4
04 遷移學習方法解讀.mp4
05 輸出層與梯度設置.mp4
06 輸出類別個數(shù)修改.mp4
07 優(yōu)化器與學習率衰減.mp4
08 模型訓練方法.mp4
09 重新訓練全部模型.mp4
10 測試結(jié)果演示分析.mp4
06 DataLoader自定義數(shù)據(jù)集制作
01 Dataloader要完成的任務分析.mp4
02 圖像數(shù)據(jù)與標簽路徑處理.mp4
03 Dataloader中需要實現(xiàn)的方法分析.mp4
04 實用Dataloader加載數(shù)據(jù)并訓練模型.mp4
07 LSTM文本分類實戰(zhàn)
01 數(shù)據(jù)集與任務目標分析.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 訓練模型所需基本配置參數(shù)分析.mp4
05 預料表與字符切分.mp4
06 字符預處理轉(zhuǎn)換ID.mp4
07 LSTM網(wǎng)絡結(jié)構(gòu)基本定義.mp4
08 網(wǎng)絡模型預測結(jié)果輸出.mp4
09 模型訓練任務與總結(jié).mp4
08 PyTorch框架Flask部署例子
01 基本結(jié)構(gòu)與訓練好的模型加載.mp4
02 服務端處理與預測函數(shù).mp4
03 基于Flask測試模型預測結(jié)果.mp4
04 MMLAB實戰(zhàn)系列
01 MMCV安裝方法
01 MMCV安裝方法.mp4
02 第一模塊：分類任務基本操作
01 MMCLS問題修正.mp4
02 準備MMCLS項目.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 訓練自己的任務.mp4
03 第一模塊：訓練結(jié)果測試與驗證
01 測試DEMO效果.mp4
02 測試評估模型效果.mp4
03 MMCLS中增加一個新的模塊.mp4
04 修改配置文件中的參數(shù).mp4
05 數(shù)據(jù)增強流程可視化展示.mp4
06 Grad-Cam可視化方法.mp4
07 可視化細節(jié)與效果分析.mp4
08 MMCLS可視化模塊應用.mp4
09 模型分析腳本使用.mp4
04 第一模塊：模型源碼DEBUG演示
01 VIT任務概述.mp4
02 數(shù)據(jù)增強模塊概述分析.mp4
03 PatchEmbedding層.mp4
04 前向傳播基本模塊.mp4
05 CLS與輸出模塊.mp4
05 第二模塊：使用分割模塊訓練自己的數(shù)據(jù)集
01 項目配置基本介紹.mp4
02 數(shù)據(jù)集標注與制作方法.mp4
03 根據(jù)預測類別數(shù)修改配置文件.mp4
04 加載預訓練模型開始訓練.mp4
05 預測DEMO演示.mp4
06 第二模塊：基于Unet進行各種策略修改
01 配置文件解讀.mp4
02 編碼層模塊.mp4
03 上采樣與輸出層.mp4
04 輔助層的作用.mp4
05 給Unet添加一個neck層.mp4
06 如何修改參數(shù)適配網(wǎng)絡結(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CVPR最新Backbone設計及其應用
01 注冊自己的Backbone模塊.mp4
02 配置文件指定.mp4
03 DEBUG解讀Backbone設計.mp4
04 PatchEmbedding的作用與實現(xiàn).mp4
05 卷積位置編碼計算方法.mp4
06 近似Attention模塊實現(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現(xiàn).mp4
10 匯總多層級特征進行輸出.mp4
08 第三模塊：mmdet訓練自己的數(shù)據(jù)任務
01 數(shù)據(jù)集標注與標簽獲取.mp4
02 COCO數(shù)據(jù)標注格式.mp4
03 通過腳本生成COCO數(shù)據(jù)格式.mp4
04 配置文件數(shù)據(jù)增強策略分析.mp4
05 訓練所需配置說明.mp4
06 模型訓練與DEMO演示.mp4
07 模型測試與可視化分析模塊.mp4
08 補充：評估指標.mp4
09 第三模塊：DeformableDetr物體檢測源碼分析
01 特征提取與位置編碼.mp4
02 序列特征展開并疊加.mp4
03 得到相對位置點編碼.mp4
04 準備Encoder編碼層所需全部輸入.mp4
05 編碼層中的序列分析.mp4
06 偏移量offset計算.mp4
07 偏移量對齊操作.mp4
08 Encoder層完成特征對齊.mp4
09 Decoder要完成的操作.mp4
10 分類與回歸輸出模塊.mp4
11 預測輸出結(jié)果與標簽匹配模塊.mp4
10 補充：Mask2former源碼解讀
01 Backbone獲取多層級特征.mp4
02 多層級采樣點初始化構(gòu)建.mp4
03 多層級輸入特征序列創(chuàng)建方法.mp4
04 偏移量與權(quán)重計算并轉(zhuǎn)換.mp4
05 Encoder特征構(gòu)建方法實例.mp4
06 query要預測的任務解讀.mp4
07 Decoder中的AttentionMask方法.mp4
08 損失模塊輸入?yún)?shù)分析.mp4
09 標簽分配策略解讀.mp4
10 正樣本篩選損失計算.mp4
11 標簽分類匹配結(jié)果分析.mp4
12 最終損失計算流程.mp4
13 匯總所有損失完成迭代.mp4
11 第三模塊：DeformableDetr算法解讀
01 DeformableDetr算法解讀.mp4
12 KIE關鍵信息抽取與視頻超分辨率重構(gòu)
01 KIE關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
01 文字檢測數(shù)據(jù)概述與配置文件.mp4
02 配置文件參數(shù)設置.mp4
03 Neck層特征組合.mp4
04 損失函數(shù)模塊概述.mp4
05 損失計算方法.mp4
14 第四模塊：ANINET文字識別
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Transformer模塊的作用.mp4
05 視覺模型中的編碼與解碼的效果.mp4
06 文本模型中的結(jié)構(gòu)分析.mp4
07 迭代修正模塊.mp4
08 輸出層與損失計算.mp4
15 第四模塊：KIE基于圖模型的關鍵信息抽取
01 配置文件以及要完成的任務解讀.mp4
02 KIE數(shù)據(jù)集格式調(diào)整方法.mp4
03 配置文件與標簽要進行處理操作.mp4
04 邊框要計算的特征分析.mp4
05 標簽數(shù)據(jù)處理與關系特征提取.mp4
06 特征合并處理.mp4
07 準備拼接邊與點特征.mp4
08 整合得到圖模型輸入特征.mp4
16 第五模塊：stylegan2源碼解讀
01 要完成的任務與基本思想概述.mp4
02 得到style特征編碼.mp4
03 特征編碼風格拼接.mp4
04 基礎風格特征卷積模塊.mp4
05 上采樣得到輸出結(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 要完成的任務分析與配置文件.mp4
02 特征基礎提取模塊.mp4
03 光流估計網(wǎng)絡模塊.mp4
04 基于光流完成對齊操作.mp4
05 偏移量計算方法.mp4
06 雙向計算特征對齊.mp4
07 提特征傳遞流程分析.mp4
08 序列傳播計算.mp4
09 準備變形卷積模塊的輸入.mp4
10 傳播流程整體完成一圈.mp4
11 完成輸出結(jié)果.mp4
18 第七模塊：多模態(tài)3D目標檢測算法源碼解讀
01 環(huán)境配置與數(shù)據(jù)集概述.mp4
02 數(shù)據(jù)與標注文件介紹.mp4
03 基本流程梳理并進入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 輸出層預測結(jié)果.mp4
19 第八模塊：模型蒸餾應用實例
01 任務概述與工具使用.mp4
02 Teacher與Student網(wǎng)絡結(jié)構(gòu)定義.mp4
03 訓練T與S得到蒸餾模型.mp4
04 開始模型訓練過程與問題修正.mp4
05 日志輸出與模型分離.mp4
06 分別得到Teacher與Student模型.mp4
07 實際測試效果演示.mp4
20 第八模塊：模型剪枝方法概述分析
01 SuperNet網(wǎng)絡結(jié)構(gòu)分析與剪枝概述.mp4
02 搜索匹配到符合計算量的模型并訓練.mp4
21 第九模塊：mmaction行為識別
01 創(chuàng)建自己的行為識別標注數(shù)據(jù)集.mp4
22 OCR算法解讀
01 OCR算法解讀.mp4
23 額外補充-在源碼中加入各種注意力機制方法
01 在源碼中加入各種注意力機制方法.mp4
05 Opencv圖像處理框架實戰(zhàn)
01 課程簡介與環(huán)境配置
01 課程簡介.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 計算機眼中的圖像.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)學操作
01 腐蝕操作.mp4
02 膨脹操作.mp4
03 開運算與閉運算.mp4
04 梯度計算.mp4
05 禮帽與黑帽.mp4
05 圖像梯度計算
01 Sobel算子.mp4
02 梯度計算方法.mp4
03 scharr與lapkacian算子.mp4
06 邊緣檢測
01 Canny邊緣檢測流程.mp4
02 非極大值抑制.mp4
03 邊緣檢測效果.mp4
07 圖像金字塔與輪廓檢測
01 圖像金字塔定義.mp4
02 金字塔制作方法.mp4
03 輪廓檢測方法.mp4
04 輪廓檢測結(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 項目實戰(zhàn)-信用卡數(shù)字識別
01 總體流程與方法講解.mp4
02 環(huán)境配置與預處理.mp4
03 模板處理方法.mp4
04 輸入數(shù)據(jù)處理方法.mp4
05 模板匹配得出識別結(jié)果.mp4
10 項目實戰(zhàn)-文檔掃描OCR識別
01 整體流程演示.mp4
02 文檔輪廓提取.mp4
03 原始與變換坐標計算.mp4
04 透視變換結(jié)果.mp4
05 tesseract-ocr安裝配置.mp4
06 文檔掃描識別效果.mp4
11 圖像特征-harris
01 角點檢測基本原理.mp4
02 基本數(shù)學原理.mp4
03 求解化簡.mp4
04 特征歸屬劃分.mp4
05 opencv角點檢測效果.mp4
12 圖像特征-sift
01 尺度空間定義.mp4
02 高斯差分金字塔.mp4
03 特征關鍵點定位.mp4
04 生成特征描述.mp4
05 特征向量生成.mp4
06 opencv中sift函數(shù)使用.mp4
13 案例實戰(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 項目實戰(zhàn)-停車場車位識別
01 任務整體流程.mp4
02 所需數(shù)據(jù)介紹.mp4
03 圖像數(shù)據(jù)預處理.mp4
04 車位直線檢測.mp4
05 按列劃分區(qū)域.mp4
06 車位區(qū)域劃分.mp4
07 識別模型構(gòu)建.mp4
08 基于視頻的車位檢測.mp4
15 項目實戰(zhàn)-答題卡識別判卷
01 整體流程與效果概述.mp4
02 預處理操作.mp4
03 填涂輪廓檢測.mp4
04 選項判斷識別.mp4
16 背景建模
01 背景消除-幀差法.mp4
02 混合高斯模型.mp4
03 學習步驟.mp4
04 背景建模實戰(zhàn).mp4
17 光流估計
01 基本概念.mp4
02 Lucas-Kanade算法.mp4
03 推導求解.mp4
04 光流估計實戰(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 項目實戰(zhàn)-目標追蹤
01 目標追蹤概述.mp4
02 多目標追蹤實戰(zhàn).mp4
03 深度學習檢測框架加載.mp4
04 基于dlib與ssd的追蹤.mp4
05 多進程目標追蹤.mp4
06 多進程效率提升對比.mp4
20 卷積原理與操作
01 卷積神經(jīng)網(wǎng)絡的應用.mp4
02 卷積層解釋.mp4
03 卷積計算過程.mp4
04 pading與stride.mp4
05 卷積參數(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 項目實戰(zhàn)-疲勞檢測
01 關鍵點定位概述.mp4
02 獲取人臉關鍵點.mp4
03 定位效果演示.mp4
04 閉眼檢測.mp4
05 檢測效果.mp4
06 綜合項目-物體檢測經(jīng)典算法實戰(zhàn)
01 深度學習經(jīng)典檢測方法概述
01 檢測任務中階段的意義.mp4
02 不同階段算法優(yōu)缺點分析.mp4
03 IOU指標計算.mp4
04 評估所需參數(shù)計算.mp4
05 map指標計算.mp4
02 YOLO-V1整體思想與網(wǎng)絡架構(gòu)
01 YOLO算法整體思路解讀.mp4
02 檢測算法要得到的結(jié)果.mp4
03 整體網(wǎng)絡架構(gòu)解讀.mp4
04 位置損失計算.mp4
05 置信度誤差與優(yōu)缺點分析.mp4
03 YOLO-V2改進細節(jié)詳解
01 V2版本細節(jié)升級概述.mp4
02 網(wǎng)絡結(jié)構(gòu)特點.mp4
03 架構(gòu)細節(jié)解讀.mp4
04 基于聚類來選擇先驗框尺寸.mp4
05 偏移量計算方法.mp4
06 坐標映射與還原.mp4
07 感受野的作用.mp4
08 特征融合改進.mp4
04 YOLO-V3核心網(wǎng)絡模型
01 V3版本改進概述.mp4
02 多scale方法改進與特征融合.mp4
03 經(jīng)典變換方法對比分析.mp4
04 殘差連接方法解讀.mp4
05 整體網(wǎng)絡模型架構(gòu)分析.mp4
06 先驗框設計改進.mp4
07 sotfmax層改進.mp4
05 項目實戰(zhàn)-基于V3版本進行源碼解讀（建議直接跑V5版本）
01 數(shù)據(jù)與環(huán)境配置.mp4
02 訓練參數(shù)設置.mp4
03 COCO圖像數(shù)據(jù)讀取與處理.mp4
04 標簽文件讀取與處理.mp4
05 debug模式介紹.mp4
06 基于配置文件構(gòu)建網(wǎng)絡模型.mp4
07 路由層與shortcut層的作用.mp4
08 YOLO層定義解析.mp4
09 預測結(jié)果計算.mp4
10 網(wǎng)格偏移計算.mp4
11 模型要計算的損失概述.mp4
12 標簽值格式修改.mp4
13 坐標相對位置計算.mp4
14 完成所有損失函數(shù)所需計算指標.mp4
15 模型訓練與總結(jié).mp4
16 預測效果展示.mp4
06 基于YOLO-V3訓練自己的數(shù)據(jù)集與任務（建議直接跑V5版本）
01 Labelme工具安裝.mp4
02 數(shù)據(jù)信息標注.mp4
03 完成標簽制作.mp4
04 生成模型所需配置文件.mp4
05 json格式轉(zhuǎn)換成yolo-v3所需輸入.mp4
06 完成輸入數(shù)據(jù)準備工作.mp4
07 訓練代碼與參數(shù)配置更改.mp4
08 訓練模型并測試效果.mp4
07 YOLO-V4版本算法解讀
01 V4版本整體概述.mp4
02 V4版本貢獻解讀.mp4
03 數(shù)據(jù)增強策略分析.mp4
04 DropBlock與標簽平滑方法.mp4
05 損失函數(shù)遇到的問題.mp4
06 CIOU損失函數(shù)定義.mp4
07 NMS細節(jié)改進.mp4
08 SPP與CSP網(wǎng)絡結(jié)構(gòu).mp4
09 SAM注意力機制模塊.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版本項目配置
01 整體項目概述.mp4
02 訓練自己的數(shù)據(jù)集方法.mp4
03 訓練數(shù)據(jù)參數(shù)配置.mp4
04 測試DEMO演示.mp4
09 V5項目工程源碼解讀
01 數(shù)據(jù)源DEBUG流程解讀.mp4
02 圖像數(shù)據(jù)源配置.mp4
03 加載標簽數(shù)據(jù).mp4
04 Mosaic數(shù)據(jù)增強方法.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)絡架構(gòu)圖可視化工具安裝.mp4
08 V5網(wǎng)絡配置文件解讀.mp4
09 Focus模塊流程分析.mp4
10 完成配置文件解析任務.mp4
11 前向傳播計算.mp4
12 BottleneckCSP層計算方法.mp4
13 SPP層計算細節(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 訓練流程解讀.mp4
20 各種訓練策略概述.mp4
21 模型迭代過程.mp4
10 V7源碼解讀
01 命令行參數(shù)介紹.mp4
02 基本參數(shù)作用.mp4
03 EMA等訓練技巧解讀.mp4
04 網(wǎng)絡結(jié)構(gòu)配置文件解讀.mp4
05 各模塊操作細節(jié)分析.mp4
06 輸出層與配置文件其他模塊解讀.mp4
07 標簽分配策略準備操作.mp4
08 候選框偏移方法與find3p模塊解讀.mp4
09 得到偏移點所在網(wǎng)格位置.mp4
10 完成BuildTargets模塊.mp4
11 候選框篩選流程分析.mp4
12 預測值各項指標獲取與調(diào)整.mp4
13 GT匹配正樣本數(shù)量計算.mp4
14 通過IOU與置信度分配正樣本.mp4
15 損失函數(shù)計算方法.mp4
16 輔助頭AUX網(wǎng)絡結(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
01 EfficientNet網(wǎng)絡模型.mp4
12 EfficientDet檢測算法
01 EfficientDet檢測算法.mp4
13 基于Transformer的detr目標檢測算法
01 DETR目標檢測基本思想解讀.mp4
02 整體網(wǎng)絡架構(gòu)分析.mp4
03 位置信息初始化query向量.mp4
04 注意力機制的作用方法.mp4
05 訓練過程的策略.mp4
14 detr目標檢測源碼解讀
01 項目環(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層操作與計算.mp4
08 輸出預測結(jié)果.mp4
09 損失函數(shù)與預測輸出.mp4
07 圖像分割實戰(zhàn)
01 圖像分割及其損失函數(shù)概述
01 語義分割與實例分割概述.mp4
02 分割任務中的目標函數(shù)定義.mp4
03 MIOU評估標準.mp4
02 卷積神經(jīng)網(wǎng)絡原理與參數(shù)解讀
01 卷積神經(jīng)網(wǎng)絡應用領域.mp4
02 卷積的作用.mp4
03 卷積特征值計算方法.mp4
04 得到特征圖表示.mp4
05 步長與卷積核大小對結(jié)果的影響.mp4
06 邊緣填充方法.mp4
07 特征圖尺寸計算與參數(shù)共享.mp4
08 池化層的作用.mp4
09 整體網(wǎng)絡架構(gòu).mp4
10 VGG網(wǎng)絡架構(gòu).mp4
11 殘差網(wǎng)絡Resnet.mp4
12 感受野的作用.mp4
03 Unet系列算法講解
01 Unet網(wǎng)絡編碼與解碼過程.mp4
02 網(wǎng)絡計算流程.mp4
03 Unet升級版本改進.mp4
04 后續(xù)升級版本介紹.mp4
04 unet醫(yī)學細胞分割實戰(zhàn)
01 醫(yī)學細胞數(shù)據(jù)集介紹與參數(shù)配置.mp4
02 數(shù)據(jù)增強工具.mp4
03 Debug模式演示網(wǎng)絡計算流程.mp4
04 特征融合方法演示.mp4
05 迭代完成整個模型計算任務.mp4
06 模型效果驗證.mp4
05 U2NET顯著性檢測實戰(zhàn)
01 任務目標與網(wǎng)絡整體介紹.mp4
02 顯著性檢測任務與目標概述.mp4
03 編碼器模塊解讀.mp4
04 解碼器輸出結(jié)果.mp4
05 損失函數(shù)與應用效果.mp4
06 deeplab系列算法
01 deeplab分割算法概述.mp4
02 空洞卷積的作用.mp4
03 感受野的意義.mp4
04 SPP層的作用.mp4
05 ASPP特征融合策略.mp4
06 deeplabV3Plus版本網(wǎng)絡架構(gòu).mp4
07 基于deeplabV3+版本進行VOC分割實戰(zhàn)
01 PascalVoc數(shù)據(jù)集介紹.mp4
02 項目參數(shù)與數(shù)據(jù)集讀取.mp4
03 網(wǎng)絡前向傳播流程.mp4
04 ASPP層特征融合.mp4
05 分割模型訓練.mp4
08 醫(yī)學心臟視頻數(shù)據(jù)集分割建模實戰(zhàn)
01 數(shù)據(jù)集與任務概述.mp4
02 項目基本配置參數(shù).mp4
03 任務流程解讀.mp4
04 文獻報告分析.mp4
05 補充：視頻數(shù)據(jù)源特征處理方法概述.mp4
06 補充：R(2plus1)D處理方法分析.mp4
09 物體檢測框架-MaskRcnn項目介紹與配置
01 Mask-Rcnn開源項目簡介.mp4
02 開源項目數(shù)據(jù)集.mp4
03 開源項目數(shù)據(jù)集.mp4
10 MaskRcnn網(wǎng)絡框架源碼詳解
01 FPN層特征提取原理解讀.mp4
02 FPN網(wǎng)絡架構(gòu)實現(xiàn)解讀.mp4
03 生成框比例設置.mp4
04 基于不同尺度特征圖生成所有框.mp4
05 RPN層的作用與實現(xiàn)解讀.mp4
06 候選框過濾方法.mp4
07 Proposal層實現(xiàn)方法.mp4
08 DetectionTarget層的作用.mp4
09 正負樣本選擇與標簽定義.mp4
10 RoiPooling層的作用與目的.mp4
11 RorAlign操作的效果.mp4
12 整體框架回顧.mp4
11 基于MASK-RCNN框架訓練自己的數(shù)據(jù)與任務
01 Labelme工具安裝.mp4
02 使用labelme進行數(shù)據(jù)與標簽標注.mp4
03 完成訓練數(shù)據(jù)準備工作.mp4
04 maskrcnn源碼修改方法.mp4
05 基于標注數(shù)據(jù)訓練所需任務.mp4
06 測試與展示模塊.mp4
08 行為識別實戰(zhàn)
01 slowfast算法知識點通俗解讀
01 slowfast核心思想解讀.mp4
02 核心網(wǎng)絡結(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)絡結(jié)構(gòu)設計.mp4
05 特征融合模塊與總結(jié)分析.mp4
02 slowfast項目環(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 測試DEMO演示.mp4
05 訓練所需標簽文件說明.mp4
06 訓練所需視頻數(shù)據(jù)準備.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)與標簽讀取實例.mp4
05 圖像數(shù)據(jù)所需預處理方法.mp4
06 slow與fast分別執(zhí)行采樣操作.mp4
07 分別計算特征圖輸出結(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作識別
01 3D卷積原理解讀.mp4
02 UCF101動作識別數(shù)據(jù)集簡介.mp4
03 測試效果與項目配置.mp4
04 視頻數(shù)據(jù)預處理方法.mp4
05 數(shù)據(jù)Batch制作方法.mp4
06 3D卷積網(wǎng)絡所涉及模塊.mp4
07 訓練網(wǎng)絡模型.mp4
05 視頻異常檢測算法與元學習
01 異常檢測要解決的問題與數(shù)據(jù)集介紹.mp4
02 基本思想與流程分析.mp4
03 預測與常見問題.mp4
04 Meta-Learn要解決的問題.mp4
05 學習能力與參數(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 基礎補充-Resnet模型及其應用實例
01 醫(yī)學疾病數(shù)據(jù)集介紹.mp4
02 Resnet網(wǎng)絡架構(gòu)原理分析.mp4
03 dataloader加載數(shù)據(jù)集.mp4
04 Resnet網(wǎng)絡前向傳播.mp4
05 殘差網(wǎng)絡的shortcut操作.mp4
06 特征圖升維與降采樣操作.mp4
07 網(wǎng)絡整體流程與訓練演示.mp4
09 2022論文必備-Transformer實戰(zhàn)系列
01 課程介紹
01 課程介紹.mp4
02 自然語言處理通用框架BERT原理解讀
01 BERT任務目標概述.mp4
02 傳統(tǒng)解決方案遇到的問題.mp4
03 注意力機制的作用.mp4
04 self-attention計算方法.mp4
05 特征分配與softmax機制.mp4
06 Multi-head的作用.mp4
07 位置編碼與多層堆疊.mp4
08 transformer整體架構(gòu)梳理.mp4
09 BERT模型訓練方法.mp4
10 訓練實例.mp4
03 Transformer在視覺中的應用VIT算法
01 transformer發(fā)家史介紹.mp4
02 對圖像數(shù)據(jù)構(gòu)建patch序列.mp4
03 VIT整體架構(gòu)解讀.mp4
04 CNN遇到的問題與窘境.mp4
05 計算公式解讀.mp4
06 位置編碼與TNT模型.mp4
07 TNT模型細節(jié)分析.mp4
04 VIT算法模型源碼解讀
01 項目配置說明.mp4
02 輸入序列構(gòu)建方法解讀.mp4
03 注意力機制計算.mp4
04 輸出層計算結(jié)果.mp4
05 swintransformer算法原理解析
01 swintransformer整體概述.mp4
02 要解決的問題及其優(yōu)勢分析.mp4
03 一個block要完成的任務.mp4
04 獲取各窗口輸入特征.mp4
05 基于窗口的注意力機制解讀.mp4
06 窗口偏移操作的實現(xiàn).mp4
07 偏移細節(jié)分析及其計算量概述.mp4
08 整體網(wǎng)絡架構(gòu)整合.mp4
09 下采樣操作實現(xiàn)方法.mp4
10 分層計算方法.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進行劃分計算.mp4
04 基礎attention計算模塊.mp4
05 窗口位移模塊細節(jié)分析.mp4
06 patchmerge下采樣操作.mp4
07 各block計算方法解讀.mp4
08 輸出層概述.mp4
07 基于Transformer的detr目標檢測算法
01 DETR目標檢測基本思想解讀.mp4
02 整體網(wǎng)絡架構(gòu)分析.mp4
03 位置信息初始化query向量.mp4
04 注意力機制的作用方法.mp4
05 訓練過程的策略.mp4
08 detr目標檢測源碼解讀
01 項目環(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層操作與計算.mp4
08 輸出預測結(jié)果.mp4
09 損失函數(shù)與預測輸出.mp4
09 MedicalTrasnformer論文解讀
01 論文整體分析.mp4
02 核心思想分析.mp4
03 網(wǎng)絡結(jié)構(gòu)計算流程概述.mp4
04 論文公式計算分析.mp4
05 位置編碼的作用與效果.mp4
06 拓展應用分析.mp4
10 MedicalTransformer源碼解讀
01 項目環(huán)境配置.mp4
02 醫(yī)學數(shù)據(jù)介紹與分析.mp4
03 基本處理操作.mp4
04 AxialAttention實現(xiàn)過程.mp4
05 位置編碼向量解讀.mp4
06 注意力計算過程與方法.mp4
07 局部特征提取與計算.mp4
11 商湯LoFTR算法解讀
01 特征匹配的應用場景.mp4
02 特征匹配的基本流程分析.mp4
03 整體流程梳理分析.mp4
04 CrossAttention的作用與效果.mp4
05 transformer構(gòu)建匹配特征.mp4
06 粗粒度匹配過程與作用.mp4
07 特征圖拆解操作.mp4
08 細粒度匹配的作用與方法.mp4
09 基于期望預測最終位置.mp4
10 總結(jié)分析.mp4
12 局部特征關鍵點匹配實戰(zhàn)
01 項目與參數(shù)配置解讀.mp4
02 DEMO效果演示.mp4
03 backbone特征提取模塊.mp4
04 注意力機制的作用與效果分析.mp4
05 特征融合模塊實現(xiàn)方法.mp4
06 cross關系計算方法實例.mp4
07 粗粒度匹配過程.mp4
08 完成基礎匹配模塊.mp4
09 精細化調(diào)整方法與實例.mp4
10 得到精細化輸出結(jié)果.mp4
11 通過期望計算最終輸出.mp4
13 項目補充-谷歌開源項目BERT源碼解讀與應用實例
01 BERT開源項目簡介.mp4
02 項目參數(shù)配置.mp4
03 數(shù)據(jù)讀取模塊.mp4
04 數(shù)據(jù)預處理模塊.mp4
05 tfrecord制作.mp4
06 Embedding層的作用.mp4
07 加入額外編碼特征.mp4
08 加入位置編碼特征.mp4
09 mask機制的作用.mp4
10 構(gòu)建QKV矩陣.mp4
11 完成Transformer模塊構(gòu)建.mp4
12 訓練BERT模型.mp4
14 項目補充-基于BERT的中文情感分析實戰(zhàn)
01 中文分類數(shù)據(jù)與任務概述.mp4
02 讀取處理自己的數(shù)據(jù)集.mp4
03 訓練BERT中文分類模型.mp4
10 圖神經(jīng)網(wǎng)絡實戰(zhàn)
01 圖神經(jīng)網(wǎng)絡基礎
01 圖神經(jīng)網(wǎng)絡應用領域分析.mp4
02 圖基本模塊定義.mp4
03 鄰接矩陣的定義.mp4
04 GNN中常見任務.mp4
05 消息傳遞計算方法.mp4
06 多層GCN的作用.mp4
02 圖卷積GCN模型
01 GCN基本模型概述.mp4
02 圖卷積的基本計算方法.mp4
03 鄰接的矩陣的變換.mp4
04 GCN變換原理解讀.mp4
03 圖模型必備神器PyTorch Geometric安裝與使用
01 PyTorch Geometric工具包安裝與配置方法.mp4
02 數(shù)據(jù)集與鄰接矩陣格式.mp4
03 模型定義與訓練方法.mp4
04 文獻引用數(shù)據(jù)集分類案例實戰(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)集與任務背景概述.mp4
03 數(shù)據(jù)集基本預處理.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)絡結(jié)構(gòu)定義模塊.mp4
07 TopkPooling進行下采樣任務.mp4
08 獲取全局特征.mp4
09 模型訓練與總結(jié).mp4
05 圖注意力機制與序列圖模型
01 圖注意力機制的作用與方法.mp4
02 鄰接矩陣計算圖Attention.mp4
03 序列圖神經(jīng)網(wǎng)絡TGCN應用.mp4
04 序列圖神經(jīng)網(wǎng)絡細節(jié).mp4
06 圖相似度論文解讀
01 要完成的任務分析.mp4
02 基本方法概述解讀.mp4
03 圖模型提取全局與局部特征.mp4
04 NTN模塊的作用與效果.mp4
05 點之間的對應關系計算.mp4
06 結(jié)果輸出與總結(jié).mp4
07 圖相似度計算實戰(zhàn)
01 數(shù)據(jù)集與任務概述.mp4
02 圖卷積特征提取模塊.mp4
03 分別計算不同Batch點的分布.mp4
04 獲得直方圖特征結(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 預測得到相似度結(jié)果.mp4
08 基于圖模型的軌跡估計
01 數(shù)據(jù)集與標注信息解讀.mp4
02 整體三大模塊分析.mp4
03 特征工程的作用與效果.mp4
04 傳統(tǒng)方法與現(xiàn)在向量空間對比.mp4
05 輸入細節(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 圖模型軌跡估計實戰(zhàn)
01 數(shù)據(jù)與環(huán)境配置.mp4
02 訓練數(shù)據(jù)準備.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點云實戰(zhàn)
01 3D點云實戰(zhàn) 3D點云應用領域分析
01 點云數(shù)據(jù)概述.mp4
02 點云應用領域與發(fā)展分析.mp4
03 點云分割任務.mp4
04 點云補全任務.mp4
05 點云檢測與配準任務.mp4
06 點云數(shù)據(jù)特征提取概述與預告.mp4
02 3D點云PointNet算法
01 3D數(shù)據(jù)應用領域與點云介紹.mp4
02 點云數(shù)據(jù)可視化展示.mp4
03 點云數(shù)據(jù)特性和及要解決的問題.mp4
04 PointNet算法出發(fā)點解讀.mp4
05 PointNet算法網(wǎng)絡架構(gòu)解讀.mp4
03 PointNet++算法解讀
01 PointNet升級版算法要解決的問題.mp4
02 最遠點采樣方法.mp4
03 分組Group方法原理解讀.mp4
04 整體流程概述分析.mp4
05 分類與分割問題解決方案.mp4
06 遇到的問題及改進方法分析.mp4
04 Pointnet++項目實戰(zhàn)
01 項目文件概述.mp4
02 數(shù)據(jù)讀取模塊配置.mp4
03 DEBUG解讀網(wǎng)絡模型架構(gòu).mp4
04 最遠點采樣介紹.mp4
05 采樣得到中心點.mp4
06 組區(qū)域劃分方法.mp4
07 實現(xiàn)group操作得到各中心簇.mp4
08 特征提取模塊整體流程.mp4
09 預測結(jié)果輸出模塊.mp4
10 分類任務總結(jié).mp4
11 分割任務數(shù)據(jù)與配置概述.mp4
12 分割需要解決的任務概述.mp4
13 上采樣完成分割任務.mp4
05 點云補全PF-Net論文解讀
01 點云補全要解決的問題.mp4
02 基本解決方案概述.mp4
03 整體網(wǎng)絡概述.mp4
04 網(wǎng)絡計算流程.mp4
05 輸入與計算結(jié)果.mp4
06 點云補全實戰(zhàn)解讀
01 數(shù)據(jù)與項目配置解讀.mp4
02 待補全數(shù)據(jù)準備方法.mp4
03 整體框架概述.mp4
04 MRE特征提取模塊.mp4
05 分層預測輸出模塊.mp4
06 補全點云數(shù)據(jù).mp4
07 判別模塊.mp4
07 點云配準及其案例實戰(zhàn)
01 點云配準任務概述.mp4
02 配準要完成的目標解讀.mp4
03 訓練數(shù)據(jù)構(gòu)建.mp4
04 任務基本流程.mp4
05 數(shù)據(jù)源配置方法.mp4
06 參數(shù)計算模塊解讀.mp4
07 基于模型預測輸出參數(shù).mp4
08 特征構(gòu)建方法分析.mp4
09 任務總結(jié).mp4
08 基礎補充-對抗生成網(wǎng)絡架構(gòu)原理與實戰(zhàn)解析
01 對抗生成網(wǎng)絡通俗解釋.mp4
02 GAN網(wǎng)絡組成.mp4
03 損失函數(shù)解釋說明.mp4
04 數(shù)據(jù)讀取模塊.mp4
05 生成與判別網(wǎng)絡定義.mp4
12 目標追蹤與姿態(tài)估計實戰(zhàn)
01 課程介紹
01 課程介紹.mp4
02 姿態(tài)估計OpenPose系列算法解讀
01 姿態(tài)估計要解決的問題分析.mp4
02 姿態(tài)估計應用領域概述.mp4
03 傳統(tǒng)topdown方法的問題.mp4
04 要解決的兩個問題分析.mp4
05 基于高斯分布預測關鍵點位置.mp4
06 各模塊輸出特征圖解讀.mp4
07 PAF向量登場.mp4
08 PAF標簽設計方法.mp4
09 預測時PAF積分計算方法.mp4
10 匹配方法解讀.mp4
11 CPM模型特點.mp4
12 算法流程與總結(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 讀取圖像與標注信息.mp4
03 關鍵點與軀干特征圖初始化.mp4
04 根據(jù)關鍵點位置設計關鍵點標簽.mp4
05 準備構(gòu)建PAF軀干標簽.mp4
06 各位置點歸屬判斷.mp4
07 特征圖各點累加向量計算.mp4
08 完成PAF特征圖制作.mp4
09 網(wǎng)絡模型一階段輸出.mp4
10 多階段輸出與預測.mp4
04 deepsort算法知識點解讀
01 卡爾曼濾波通俗解釋.mp4
02 卡爾曼濾波要完成的任務.mp4
03 任務本質(zhì)分析.mp4
04 基于觀測值進行最優(yōu)估計.mp4
05 預測與更新操作.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 預測與匹配流程解讀.mp4
12 追蹤任務流程拆解.mp4
05 deepsort源碼解讀
01 項目環(huán)境配置.mp4
02 參數(shù)與DEMO演示.mp4
03 針對檢測結(jié)果初始化track.mp4
04 對track執(zhí)行預測操作.mp4
05 狀態(tài)量預測結(jié)果.mp4
06 IOU代價矩陣計算.mp4
07 參數(shù)更新操作.mp4
08 級聯(lián)匹配模塊.mp4
09 ReID特征代價矩陣計算.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版本貢獻解讀.mp4
03 數(shù)據(jù)增強策略分析.mp4
04 DropBlock與標簽平滑方法.mp4
05 損失函數(shù)遇到的問題.mp4
06 CIOU損失函數(shù)定義.mp4
07 NMS細節(jié)改進.mp4
08 SPP與CSP網(wǎng)絡結(jié)構(gòu).mp4
09 SAM注意力機制模塊.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版本項目配置
01 整體項目概述.mp4
02 訓練自己的數(shù)據(jù)集方法.mp4
03 訓練數(shù)據(jù)參數(shù)配置.mp4
04 測試DEMO演示.mp4
08 V5項目工程源碼解讀
01 數(shù)據(jù)源DEBUG流程解讀.mp4
02 圖像數(shù)據(jù)源配置.mp4
03 加載標簽數(shù)據(jù).mp4
04 Mosaic數(shù)據(jù)增強方法.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)絡架構(gòu)圖可視化工具安裝.mp4
08 V5網(wǎng)絡配置文件解讀.mp4
09 Focus模塊流程分析.mp4
10 完成配置文件解析任務.mp4
11 前向傳播計算.mp4
12 BottleneckCSP層計算方法.mp4
13 1-SPP層計算細節(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 訓練流程解讀.mp4
20 各種訓練策略概述.mp4
21 模型迭代過程.mp4
13 面向深度學習的無人駕駛實戰(zhàn)
01 深度估計算法原理解讀
01 深度估計效果與應用.mp4
02 kitti數(shù)據(jù)集介紹.mp4
03 使用backbone獲取層級特征.mp4
04 差異特征計算邊界信息.mp4
05 SPP層的作用.mp4
06 空洞卷積與ASPP.mp4
07 特征拼接方法分析.mp4
08 網(wǎng)絡coarse-to-fine過程.mp4
09 權(quán)重參數(shù)預處理.mp4
10 損失計算.mp4
02 深度估計項目實戰(zhàn)
01 項目環(huán)境配置解讀.mp4
02 數(shù)據(jù)與標簽定義方法.mp4
03 數(shù)據(jù)集dataloader制作.mp4
04 使用backbone進行特征提取.mp4
05 計算差異特征.mp4
06 權(quán)重參數(shù)標準化操作.mp4
07 網(wǎng)絡結(jié)構(gòu)ASPP層.mp4
08 特征拼接方法解讀.mp4
09 輸出深度估計結(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 車道線檢測算法與論文解讀
01 數(shù)據(jù)標簽與任務分析.mp4
02 網(wǎng)絡整體框架分析.mp4
03 輸出結(jié)果分析.mp4
04 損失函數(shù)計算方法.mp4
05 論文概述分析.mp4
04 基于深度學習的車道線檢測項目實戰(zhàn)
01 車道數(shù)據(jù)與標簽解讀.mp4
02 項目環(huán)境配置演示.mp4
03 制作數(shù)據(jù)集dataloader.mp4
04 車道線標簽數(shù)據(jù)處理.mp4
05 四條車道線標簽位置矩陣.mp4
06 grid設置方法.mp4
07 完成數(shù)據(jù)與標簽制作.mp4
08 算法網(wǎng)絡結(jié)構(gòu)解讀.mp4
09 損失函數(shù)計算模塊分析.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 特征匹配的應用場景.mp4
02 特征匹配的基本流程分析.mp4
03 整體流程梳理分析.mp4
04 CrossAttention的作用與效果.mp4
05 transformer構(gòu)建匹配特征.mp4
06 粗粒度匹配過程與作用.mp4
07 特征圖拆解操作.mp4
08 細粒度匹配的作用與方法.mp4
09 基于期望預測最終位置.mp4
10 總結(jié)分析.mp4
06 局部特征關鍵點匹配實戰(zhàn)
01 項目與參數(shù)配置解讀.mp4
02 DEMO效果演示.mp4
03 backbone特征提取模塊.mp4
04 注意力機制的作用與效果分析.mp4
05 特征融合模塊實現(xiàn)方法.mp4
06 cross關系計算方法實例.mp4
07 粗粒度匹配過程.mp4
08 完成基礎匹配模塊.mp4
09 精細化調(diào)整方法與實例.mp4
10 得到精細化輸出結(jié)果.mp4
11 通過期望計算最終輸出.mp4
07 三維重建應用與坐標系基礎
01 三維重建概述分析.mp4
02 三維重建應用領域概述.mp4
03 成像方法概述.mp4
04 相機坐標系.mp4
05 坐標系轉(zhuǎn)換方法解讀.mp4
06 相機內(nèi)外參.mp4
07 通過內(nèi)外參數(shù)進行坐標變換.mp4
08 相機標定簡介.mp4
08 NeuralRecon算法解讀
01 任務流程分析.mp4
02 基本框架熟悉.mp4
03 特征映射方法解讀.mp4
04 片段融合思想.mp4
05 整體架構(gòu)重構(gòu)方法.mp4
09 NeuralRecon項目環(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項目源碼解讀
01 Backbone得到特征圖.mp4
02 初始化體素位置.mp4
03 坐標映射方法實現(xiàn).mp4
04 得到體素所對應特征圖.mp4
05 插值得到對應特征向量.mp4
06 得到一階段輸出結(jié)果.mp4
07 完成三個階段預測結(jié)果.mp4
08 項目總結(jié).mp4
11 TSDF算法與應用
01 TSDF整體概述分析.mp4
02 合成過程DEMO演示.mp4
03 布局初始化操作.mp4
04 TSDF計算基本流程解讀.mp4
05 坐標轉(zhuǎn)換流程分析.mp4
06 輸出結(jié)果融合更新.mp4
12 TSDF實戰(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 計算得到TSDF輸出.mp4
13 軌跡估計算法與論文解讀
01 數(shù)據(jù)集與標注信息解讀.mp4
02 整體三大模塊分析.mp4
03 特征工程的作用與效果.mp4
04 傳統(tǒng)方法與現(xiàn)在向量空間對比.mp4
05 輸入細節(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 軌跡估計預測實戰(zhàn)
01 數(shù)據(jù)與環(huán)境配置.mp4
02 訓練數(shù)據(jù)準備.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 特斯拉無人駕駛解讀
01 特斯拉無人駕駛解讀.mp4
14 對比學習與多模態(tài)任務實戰(zhàn)
01 對比學習算法與實例
01 對比學習算法與實例.mp4
02 CLIP系列
01 CLIP系列.mp4
03 多模態(tài)3D目標檢測算法源碼解讀
01 環(huán)境配置與數(shù)據(jù)集概述.mp4
02 數(shù)據(jù)與標注文件介紹.mp4
03 基本流程梳理并進入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 輸出層預測結(jié)果.mp4
04 多模態(tài)文字識別
01 多模態(tài)文字識別.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Transformer模塊的作用.mp4
05 視覺模型中的編碼與解碼的效果.mp4
06 文本模型中的結(jié)構(gòu)分析.mp4
07 迭代修正模塊.mp4
08 輸出層與損失計算.mp4
15 缺陷檢測實戰(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版本貢獻解讀.mp4
03 數(shù)據(jù)增強策略分析.mp4
04 DropBlock與標簽平滑方法.mp4
05 損失函數(shù)遇到的問題.mp4
06 CIOU損失函數(shù)定義.mp4
07 NMS細節(jié)改進.mp4
08 SPP與CSP網(wǎng)絡結(jié)構(gòu).mp4
09 SAM注意力機制模塊.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 物體檢測框架YOLOV5版本項目配置
01 整體項目概述.mp4
02 訓練自己的數(shù)據(jù)集方法.mp4
03 訓練數(shù)據(jù)參數(shù)配置.mp4
04 測試DEMO演示.mp4
04 物體檢測框架YOLOV5項目工程源碼解讀
01 數(shù)據(jù)源DEBUG流程解讀.mp4
02 圖像數(shù)據(jù)源配置.mp4
03 加載標簽數(shù)據(jù).mp4
04 Mosaic數(shù)據(jù)增強方法.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)絡架構(gòu)圖可視化工具安裝.mp4
08 V5網(wǎng)絡配置文件解讀.mp4
09 Focus模塊流程分析.mp4
10 完成配置文件解析任務.mp4
11 前向傳播計算.mp4
12 BottleneckCSP層計算方法.mp4
13 SPP層計算細節(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 訓練流程解讀.mp4
20 各種訓練策略概述.mp4
21 模型迭代過程.mp4
05 基于YOLOV5的鋼材缺陷檢測實戰(zhàn)
01 任務需求與項目概述.mp4
02 數(shù)據(jù)與標簽配置方法.mp4
03 標簽轉(zhuǎn)換格式腳本制作.mp4
04 各版本模型介紹分析.mp4
05 項目參數(shù)配置.mp4
06 缺陷檢測模型訓練.mp4
07 輸出結(jié)果與項目總結(jié).mp4
06 Semi-supervised布料缺陷檢測實戰(zhàn)
01 任務目標與流程概述.mp4
02 論文思想與模型分析.mp4
03 項目配置解讀.mp4
04 網(wǎng)絡流程分析.mp4
05 輸出結(jié)果展示.mp4
07 Opencv圖像常用處理方法實例
01 計算機眼中的圖像.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)值計算.mp4
06 圖像閾值.mp4
07 圖像平滑處理.mp4
08 高斯與中值濾波.mp4
09 腐蝕操作.mp4
10 膨脹操作.mp4
11 開運算與閉運算.mp4
12 梯度計算.mp4
13 禮帽與黑帽.mp4
08 Opencv梯度計算與邊緣檢測實例
01 Canny邊緣檢測流程.mp4
02 非極大值抑制.mp4
03 邊緣檢測效果.mp4
04 Sobel算子.mp4
05 梯度計算方法.mp4
06 scharr與lapkacian算子.mp4
09 Opencv輪廓檢測與直方圖
01 圖像金字塔定義.mp4
02 金字塔制作方法.mp4
03 輪廓檢測方法.mp4
04 輪廓檢測結(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缺陷檢測項目實戰(zhàn)
01 任務需求與環(huán)境配置.mp4
02 數(shù)據(jù)讀取與基本處理.mp4
03 缺陷形態(tài)學操作.mp4
04 整體流程解讀.mp4
05 缺陷檢測效果演示.mp4
11 基于視頻流水線的Opencv缺陷檢測項目
01 數(shù)據(jù)與任務概述.mp4
02 視頻數(shù)據(jù)讀取與輪廓檢測.mp4
03 目標質(zhì)心計算.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方法.mp4
07 檢測效果演示.mp4
12 圖像分割deeplab系列算法
01 deeplab分割算法概述.mp4
02 空洞卷積的作用.mp4
03 感受野的意義.mp4
04 SPP層的作用.mp4
05 ASPP特征融合策略.mp4
06 deeplabV3Plus版本網(wǎng)絡架構(gòu).mp4
13 基于deeplabV3+版本進行VOC分割實戰(zhàn)
01 PascalVoc數(shù)據(jù)集介紹.mp4
02 項目參數(shù)與數(shù)據(jù)集讀取.mp4
03 網(wǎng)絡前向傳播流程.mp4
04 ASPP層特征融合.mp4
05 分割模型訓練.mp4
14 Deeplab鐵質(zhì)材料缺陷檢測與開源項目應用流程
01 數(shù)據(jù)集與任務概述.mp4
02 開源項目應用方法.mp4
03 github與kaggle中需要注意的點.mp4
04 源碼的利用方法.mp4
04 源碼的利用方法_ev.mp4
05 數(shù)據(jù)集制作方法_ev.mp4
06 數(shù)據(jù)路徑配置_ev.mp4
07 訓練模型_ev.mp4
08 任務總結(jié)_ev.mp4
16 行人重識別實戰(zhàn)
01 行人重識別原理及其應用
01 行人重識別要解決的問題_ev.mp4
02 挑戰(zhàn)與困難分析_ev.mp4
03 評估標準rank1指標_ev.mp4
04 map值計算方法_ev.mp4
05 triplet損失計算實例_ev.mp4
06 Hard-Negative方法應用_ev.mp4
02 基于注意力機制的Reld模型論文解讀
01 論文整體思想及注意力機制的作用解讀_ev.mp4
02 空間權(quán)重值計算流程分析_ev.mp4
03 融合空間注意力所需特征_ev.mp4
04 基于特征圖的注意力計算_ev.mp4
03 基于Attention的行人重識別項目實戰(zhàn)
01 項目環(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 進入debug模式解讀網(wǎng)絡計算流程_ev.mp4
04 獲得空間位置點之間的關系_ev.mp4
05 組合關系特征圖_ev.mp4
06 計算得到位置權(quán)重值_ev.mp4
07 基于特征圖的權(quán)重計算_ev.mp4
08 損失函數(shù)計算實例解讀_ev.mp4
09 訓練與測試模塊演示_ev.mp4
04 AAAI2020頂會算法精講
01 論文整體框架概述_ev.mp4
02 局部特征與全局關系計算方法_ev.mp4
03 特征分組方法_ev.mp4
04 GCP模塊特征融合方法_ev.mp4
05 oneVsReset方法實例_ev.mp4
06 損失函數(shù)應用位置_ev.mp4
05 項目實戰(zhàn)-基于行人局部特征融合的再識別實戰(zhàn)
01 項目配置與數(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)絡計算整體流程演示_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)與訓練過程演示_ev.mp4
12 測試與驗證模塊_ev.mp4
06 曠視研究院最新算法解讀（基于圖模型）
01 關鍵點位置特征構(gòu)建_ev.mp4
02 圖卷積與匹配的作用_ev.mp4
03 局部特征熱度圖計算_ev.mp4
04 基于圖卷積構(gòu)建人體拓撲關系_ev.mp4
05 圖卷積模塊實現(xiàn)方法_ev.mp4
06 圖匹配在行人重識別中的作用_ev.mp4
07 整體算法框架分析_ev.mp4
07 基于拓撲圖的行人重識別項目實戰(zhàn)
01 數(shù)據(jù)集與環(huán)境配置概述_ev.mp4
02 局部特征準備方法_ev.mp4
03 得到一階段熱度圖結(jié)果_ev.mp4
04 階段監(jiān)督訓練_ev.mp4
05 初始化圖卷積模型_ev.mp4
06 mask矩陣的作用_ev.mp4
07 鄰接矩陣學習與更新_ev.mp4
08 基于拓撲結(jié)構(gòu)組合關鍵點特征_ev.mp4
09 圖匹配模塊計算流程_ev.mp4
10 整體項目總結(jié)_ev.mp4
17 對抗生成網(wǎng)絡實戰(zhàn)
01 課程介紹
01 課程介紹_ev.mp4
02 對抗生成網(wǎng)絡架構(gòu)原理與實戰(zhàn)解析
01 對抗生成網(wǎng)絡通俗解釋_ev.mp4
02 GAN網(wǎng)絡組成_ev.mp4
03 損失函數(shù)解釋說明_ev.mp4
04 數(shù)據(jù)讀取模塊_ev.mp4
05 生成與判別網(wǎng)絡定義_ev.mp4
03 基于CycleGan開源項目實戰(zhàn)圖像合成
01 CycleGan網(wǎng)絡所需數(shù)據(jù)_ev.mp4
02 CycleGan整體網(wǎng)絡架構(gòu)_ev.mp4
03 PatchGan判別網(wǎng)絡原理_ev.mp4
04 Cycle開源項目簡介_ev.mp4
05 數(shù)據(jù)讀取與預處理操作_ev.mp4
06 生成網(wǎng)絡模塊構(gòu)造_ev.mp4
07 判別網(wǎng)絡模塊構(gòu)造_ev.mp4
08 損失函數(shù)：identity loss計算方法_ev.mp4
09 生成與判別損失函數(shù)指定_ev.mp4
10 額外補充：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版本存在的問題及后續(xù)改進思路_ev.mp4
05 V2版本在整體網(wǎng)絡架構(gòu)_ev.mp4
06 編碼器訓練方法_ev.mp4
07 損失函數(shù)公式解析_ev.mp4
08 訓練過程分析_ev.mp4
05 stargan項目實戰(zhàn)及其源碼解讀
01 測試模塊效果與實驗分析_ev.mp4
02 項目配置與數(shù)據(jù)源下載_ev.mp4
03 測試效果演示_ev.mp4
04 項目參數(shù)解析_ev.mp4
05 生成器模塊源碼解讀_ev.mp4
06 所有網(wǎng)絡模塊構(gòu)建實例_ev.mp4
07 數(shù)據(jù)讀取模塊分析_ev.mp4
08 判別器損失計算_ev.mp4
09 損失計算詳細過程_ev.mp4
10 生成模塊損失計算_ev.mp4
06 基于starganvc2的變聲器論文原理解讀
01 論文整體思路與架構(gòu)解讀_ev.mp4
02 VCC2016輸入數(shù)據(jù)_ev.mp4
03 語音特征提取_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變聲器項目實戰(zhàn)及其源碼解讀
01 數(shù)據(jù)與項目文件解讀_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 源碼損失計算流程_ev.mp4
11 測試模塊-生成轉(zhuǎn)換語音_ev.mp4
08 圖像超分辨率重構(gòu)實戰(zhàn)
01 論文概述_ev.mp4
02 網(wǎng)絡架構(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_ev.mp4
08 損失函數(shù)與訓練_ev.mp4
09 測試模塊_ev.mp4
09 基于GAN的圖像補全實戰(zhàn)
01 論文概述_ev.mp4
02 網(wǎng)絡架構(gòu)_ev.mp4
03 細節(jié)設計_ev.mp4
04 論文總結(jié)_ev.mp4
05 數(shù)據(jù)與項目概述_ev.mp4
06 參數(shù)基本設計_ev.mp4
07 網(wǎng)絡結(jié)構(gòu)配置_ev.mp4
08 網(wǎng)絡迭代訓練_ev.mp4
09 測試模塊_ev.mp4
18 強化學習實戰(zhàn)系列
01 強化學習簡介及其應用
01 一張圖通俗解釋強化學習_ev.mp4
02 強化學習的指導依據(jù)_ev.mp4
03 強化學習AI游戲DEMO_ev.mp4
04 應用領域簡介_ev.mp4
05 強化學習工作流程_ev.mp4
06 計算機眼中的狀態(tài)與行為_ev.mp4
02 PPO算法與公式推導
01 基本情況介紹_ev.mp4
02 與環(huán)境交互得到所需數(shù)據(jù)_ev.mp4
03 要完成的目標分析_ev.mp4
04 策略梯度推導_ev.mp4
05 baseline方法_ev.mp4
06 OnPolicy與OffPolicy策略_ev.mp4
07 importance sampling的作用_ev.mp4
08 PPO算法整體思路解析_ev.mp4
03 PPO實戰(zhàn)-月球登陸器訓練實例
01 Critic的作用與效果_ev.mp4
02 PPO2版本公式解讀_ev.mp4
03 參數(shù)與網(wǎng)絡結(jié)構(gòu)定義_ev.mp4
04 得到動作結(jié)果_ev.mp4
05 獎勵獲得與計算_ev.mp4
06 參數(shù)迭代與更新_ev.mp4
04 Q-learning與DQN算法
01 整體任務流程演示_ev.mp4
02 探索與action獲取_ev.mp4
03 計算target值_ev.mp4
04 訓練與更新_ev.mp4
05 算法原理通俗解讀_ev.mp4
06 目標函數(shù)與公式解析_ev.mp4
07 Qlearning算法實例解讀_ev.mp4
08 Q值迭代求解_ev.mp4
09 DQN簡介_ev.mp4
05 DQN算法實例演示
01 整體任務流程演示_ev.mp4
02 探索與action獲取_ev.mp4
03 計算target值_ev.mp4
04 訓練與更新_ev.mp4
06 DQN改進與應用技巧
01 DoubleDqn要解決的問題_ev.mp4
02 DuelingDqn改進方法_ev.mp4
03 Dueling整體網(wǎng)絡架構(gòu)分析_ev.mp4
04 MultiSetp策略_ev.mp4
05 連續(xù)動作處理方法_ev.mp4
07 Actor-Critic算法分析（A3C）
01 AC算法回顧與知識點總結(jié)_ev.mp4
02 優(yōu)勢函數(shù)解讀與分析_ev.mp4
03 計算流程實例_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)超級馬里奧
01 整體流程與環(huán)境配置_ev.mp4
02 啟動游戲環(huán)境_ev.mp4
03 要計算的指標回顧_ev.mp4
04 初始化局部模型并加載參數(shù)_ev.mp4
05 與環(huán)境交互得到訓練數(shù)據(jù)_ev.mp4
06 訓練網(wǎng)絡模型_ev.mp4
19 Openai頂級黑科技算法及其項目實戰(zhàn)
01 GPT系列生成模型
01 GPT系列_ev.mp4
02 GPT建模與預測流程
01 生成模型可以完成的任務概述_ev.mp4
02 數(shù)據(jù)樣本生成方法_ev.mp4
03 訓練所需參數(shù)解讀_ev.mp4
04 模型訓練過程_ev.mp4
05 部署與網(wǎng)頁預測展示_ev.mp4
03 CLIP系列
01 CLIP系列_ev.mp4
04 Diffusion模型解讀
01 Diffusion模型解讀_ev.mp4
05 Dalle2及其源碼解讀
01 Dalle2源碼解讀_ev.mp4
06 ChatGPT
01 ChatGPT_ev.mp4
20 面向醫(yī)學領域的深度學習實戰(zhàn)
01 卷積神經(jīng)網(wǎng)絡原理與參數(shù)解讀
01 卷積神經(jīng)網(wǎng)絡應用領域_ev.mp4
02 卷積的作用_ev.mp4
03 卷積特征值計算方法_ev.mp4
04 得到特征圖表示_ev.mp4
05 步長與卷積核大小對結(jié)果的影響_ev.mp4
06 邊緣填充方法_ev.mp4
07 特征圖尺寸計算與參數(shù)共享_ev.mp4
08 池化層的作用_ev.mp4
09 整體網(wǎng)絡架構(gòu)_ev.mp4
10 VGG網(wǎng)絡架構(gòu)_ev.mp4
11 殘差網(wǎng)絡Resnet_ev.mp4
12 感受野的作用_ev.mp4
02 PyTorch框架基本處理操作
01 PyTorch實戰(zhàn)課程簡介_ev.mp4
02 PyTorch框架發(fā)展趨勢簡介_ev.mp4
03 框架安裝方法（CPU與GPU版本）_ev.mp4
04 PyTorch基本操作簡介_ev.mp4
05 自動求導機制_ev.mp4
06 線性回歸DEMO-數(shù)據(jù)與參數(shù)配置_ev.mp4
07 線性回歸DEMO-訓練回歸模型_ev.mp4
08 補充：常見tensor格式_ev.mp4
09 補充：Hub模塊簡介_ev.mp4
03 PyTorch框架必備核心模塊解讀
01 卷積網(wǎng)絡參數(shù)定義_ev.mp4
02 網(wǎng)絡流程解讀_ev.mp4
03 Vision模塊功能解讀_ev.mp4
04 分類任務數(shù)據(jù)集定義與配置_ev.mp4
05 圖像增強的作用_ev.mp4
06 數(shù)據(jù)預處理與數(shù)據(jù)增強模塊_ev.mp4
07 Batch數(shù)據(jù)制作_ev.mp4
08 遷移學習的目標_ev.mp4
09 遷移學習策略_ev.mp4
10 加載訓練好的網(wǎng)絡模型_ev.mp4
11 優(yōu)化器模塊配置_ev.mp4
12 實現(xiàn)訓練模塊_ev.mp4
13 訓練結(jié)果與模型保存_ev.mp4
14 加載模型對測試數(shù)據(jù)進行預測_ev.mp4
15 額外補充-Resnet論文解讀_ev.mp4
16 額外補充-Resnet網(wǎng)絡架構(gòu)解讀_ev.mp4
04 基于Resnet的醫(yī)學數(shù)據(jù)集分類實戰(zhàn)
01 醫(yī)學疾病數(shù)據(jù)集介紹_ev.mp4
02 Resnet網(wǎng)絡架構(gòu)原理分析_ev.mp4
03 dataloader加載數(shù)據(jù)集_ev.mp4
04 Resnet網(wǎng)絡前向傳播_ev.mp4
05 殘差網(wǎng)絡的shortcut操作_ev.mp4
06 特征圖升維與降采樣操作_ev.mp4
07 網(wǎng)絡整體流程與訓練演示_ev.mp4
05 圖像分割及其損失函數(shù)概述
01 語義分割與實例分割概述_ev.mp4
02 分割任務中的目標函數(shù)定義_ev.mp4
03 MIOU評估標準_ev.mp4
06 Unet系列算法講解
01 Unet網(wǎng)絡編碼與解碼過程_ev.mp4
02 網(wǎng)絡計算流程_ev.mp4
03 Unet升級版本改進_ev.mp4
04 后續(xù)升級版本介紹_ev.mp4
07 unet醫(yī)學細胞分割實戰(zhàn)
01 醫(yī)學細胞數(shù)據(jù)集介紹與參數(shù)配置_ev.mp4
02 數(shù)據(jù)增強工具_ev.mp4
03 Debug模式演示網(wǎng)絡計算流程_ev.mp4
04 特征融合方法演示_ev.mp4
05 迭代完成整個模型計算任務_ev.mp4
06 模型效果驗證_ev.mp4
08 deeplab系列算法
01 deeplab分割算法概述_ev.mp4
02 空洞卷積的作用_ev.mp4
03 感受野的意義_ev.mp4
04 SPP層的作用_ev.mp4
05 ASPP特征融合策略_ev.mp4
06 deeplabV3Plus版本網(wǎng)絡架構(gòu)_ev.mp4
09 基于deeplabV3+版本進行VOC分割實戰(zhàn)
01 PascalVoc數(shù)據(jù)集介紹_ev.mp4
02 項目參數(shù)與數(shù)據(jù)集讀取_ev.mp4
03 網(wǎng)絡前向傳播流程_ev.mp4
04 ASPP層特征融合_ev.mp4
05 分割模型訓練_ev.mp4
10 基于deeplab的心臟視頻數(shù)據(jù)診斷分析
01 數(shù)據(jù)集與任務概述_ev.mp4
02 項目基本配置參數(shù)_ev.mp4
03 任務流程解讀_ev.mp4
04 文獻報告分析_ev.mp4
05 補充：視頻數(shù)據(jù)源特征處理方法概述_ev.mp4
06 補充：R(2plus1)D處理方法分析_ev.mp4
11 YOLO系列物體檢測算法原理解讀
01 檢測任務中階段的意義_ev.mp4
02 不同階段算法優(yōu)缺點分析_ev.mp4
03 IOU指標計算_ev.mp4
04 評估所需參數(shù)計算_ev.mp4
05 map指標計算_ev.mp4
06 YOLO算法整體思路解讀_ev.mp4
07 檢測算法要得到的結(jié)果_ev.mp4
08 整體網(wǎng)絡架構(gòu)解讀_ev.mp4
09 位置損失計算_ev.mp4
10 置信度誤差與優(yōu)缺點分析_ev.mp4
11 V2版本細節(jié)升級概述_ev.mp4
12 網(wǎng)絡結(jié)構(gòu)特點_ev.mp4
13 架構(gòu)細節(jié)解讀_ev.mp4
14 基于聚類來選擇先驗框尺寸_ev.mp4
15 偏移量計算方法_ev.mp4
16 坐標映射與還原_ev.mp4
17 感受野的作用_ev.mp4
18 特征融合改進_ev.mp4
19 V3版本改進概述_ev.mp4
20 多scale方法改進與特征融合_ev.mp4
21 經(jīng)典變換方法對比分析_ev.mp4
22 殘差連接方法解讀_ev.mp4
23 整體網(wǎng)絡模型架構(gòu)分析_ev.mp4
24 先驗框設計改進_ev.mp4
25 sotfmax層改進_ev.mp4
26 V4版本整體概述_ev.mp4
27 V4版本貢獻解讀_ev.mp4
28 數(shù)據(jù)增強策略分析_ev.mp4
29 DropBlock與標簽平滑方法_ev.mp4
30 損失函數(shù)遇到的問題_ev.mp4
31 CIOU損失函數(shù)定義_ev.mp4
32 NMS細節(jié)改進_ev.mp4
33 SPP與CSP網(wǎng)絡結(jié)構(gòu)_ev.mp4
34 SAM注意力機制模塊_ev.mp4
35 PAN模塊解讀_ev.mp4
36 激活函數(shù)與整體架構(gòu)總結(jié)_ev.mp4
12 基于YOLO5細胞檢測實戰(zhàn)
01 任務與細胞數(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)絡訓練流程演示_ev.mp4
04 效果評估與展示_ev.mp4
05 細胞檢測效果演示_ev.mp4
13 知識圖譜原理解讀
01 知識圖譜通俗解讀_ev.mp4
02 知識圖譜在搜索引擎中的應用_ev.mp4
03 知識圖譜在醫(yī)療領域應用實例_ev.mp4
04 金融與推薦領域的應用_ev.mp4
05 數(shù)據(jù)獲取分析_ev.mp4
06 數(shù)據(jù)關系抽取分析_ev.mp4
07 常用NLP技術點分析_ev.mp4
08 graph-embedding的作用與效果_ev.mp4
09 金融領域圖編碼實例_ev.mp4
10 視覺領域圖編碼實例_ev.mp4
11 圖譜知識融合與總結(jié)分析_ev.mp4
14 Neo4j數(shù)據(jù)庫實戰(zhàn)
01 Neo4j圖數(shù)據(jù)庫介紹_ev.mp4
02 Neo4j數(shù)據(jù)庫安裝流程演示_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)庫更改查詢操作演示_ev.mp4
15 基于知識圖譜的醫(yī)藥問答系統(tǒng)實戰(zhàn)
01 項目概述與整體架構(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)中的關鍵字段信息_ev.mp4
06 創(chuàng)建關系邊_ev.mp4
07 打造醫(yī)療知識圖譜模型_ev.mp4
08 加載所有實體數(shù)據(jù)_ev.mp4
09 實體關鍵詞字典制作_ev.mp4
10 完成對話系統(tǒng)構(gòu)建_ev.mp4
16 詞向量模型與RNN網(wǎng)絡架構(gòu)
01 詞向量模型通俗解釋_ev.mp4
02 模型整體框架_ev.mp4
03 訓練數(shù)據(jù)構(gòu)建_ev.mp4
04 CBOW與Skip-gram模型_ev.mp4
05 負采樣方案_ev.mp4
06 額外補充-RNN網(wǎng)絡模型解讀_ev.mp4
17 醫(yī)學糖尿病數(shù)據(jù)命名實體識別
01 數(shù)據(jù)與任務介紹_ev.mp4
02 整體模型架構(gòu)_ev.mp4
03 數(shù)據(jù)-標簽-語料庫處理_ev.mp4
04 輸入樣本填充補齊_ev.mp4
05 訓練網(wǎng)絡模型_ev.mp4
06 醫(yī)療數(shù)據(jù)集（糖尿病）實體識別_ev.mp4
21 深度學習模型部署與剪枝優(yōu)化實戰(zhàn)
01 AIoT人工智能物聯(lián)網(wǎng)之認識 jetson nano
01 jetson nano 硬件介紹_ev.mp4
02 jetson nano 刷機_ev.mp4
03 jetson nano 系統(tǒng)安裝過程_ev.mp4
04 感受nano的GPU算力_ev.mp4
05 安裝使用攝像頭csi usb_ev.mp4
02 AIoT人工智能物聯(lián)網(wǎng)之AI 實戰(zhàn)
01 jetson-inference 入門_ev.mp4
02 docker 的安裝使用_ev.mp4
03 docker中運行分類模型_ev.mp4
04 訓練自己的目標檢測模型準備_ev.mp4
05 訓練出自己目標識別模型a_ev.mp4
06 訓練出自己目標識別模型b_ev.mp4
07 轉(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 實用級的訓練神器
01 NVIDIA TAO介紹和安裝_ev.mp4
02 NVIDIA TAO數(shù)據(jù)準備和環(huán)境設置_ev.mp4
03 NVIDIA TAO數(shù)據(jù)轉(zhuǎn)換_ev.mp4
04 NVIDIA TAO預訓練模型和訓練a_ev.mp4
05 NVIDIA TAO預訓練模型和訓練b_ev.mp4
06 NVIDIA TAO預訓練模型和訓練c._ev.mp4
07 TAO 剪枝在訓練推理驗證_ev.mp4
04 AIoT人工智能物聯(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 說在前面_ev.mp4
02 學習工具環(huán)境的介紹，自動環(huán)境配置_ev.mp4
03 cuda驅(qū)動API，課程概述和清單_ev.mp4
04 cuda驅(qū)動API，初始化和檢查的理解，CUDA錯誤檢查習慣_ev.mp4
05 cuda驅(qū)動API，上下文管理設置，以及其作用_ev.mp4
06 cuda驅(qū)動API，使用驅(qū)動API進行內(nèi)存分配_ev.mp4
07 cuda運行時API，課程概述和清單_ev.mp4
08 cuda運行時API，第一個運行時程序，hello-cuda_ev.mp4
09 cuda運行時API，內(nèi)存的學習，pinnedmemory，內(nèi)存效率問題_ev.mp4
10 cuda運行時API，流的學習，異步任務的管理_ev.mp4
11 cuda運行時API，核函數(shù)的定義和使用_ev.mp4
12 cuda運行時API，共享內(nèi)存的學習_ev.mp4
13 cuda運行時API，使用cuda核函數(shù)加速warpaffine_ev.mp4
14 cuda運行時API，使用cuda核函數(shù)加速yolov5的后處理_ev.mp4
15 cuda運行時API，錯誤處理的理解以及錯誤的傳播特性_ev.mp4
16 tensorRT基礎，課程概述清單_ev.mp4
17 tensorRT基礎，第一個trt程序，實現(xiàn)模型編譯的過程_ev.mp4
18 tensorRT基礎，實現(xiàn)模型的推理過程_ev.mp4
19 tensorRT基礎，模型推理時動態(tài)shape的具體實現(xiàn)要點_ev.mp4
20 tensorRT基礎，onnx文件及其結(jié)構(gòu)的學習，編輯修改onnx.mkv_ev.mp4
21 tensorRT基礎，實際模型上onnx文件的各種操作_ev.mp4
22 tensorRT基礎，正確導出onnx的介紹，使得onnx問題盡量少_ev.mp4
23 tensorRT基礎，學習使用onnx解析器來讀取onnx文件，使用onnx-tensorrt源代碼_ev.mp4
24 tensorRT基礎，學習從下載onnx-tensorrt到配置好并運行起來全過程_ev.mp4
25 tensorRT基礎，學習第一個插件的編寫_ev.mp4
26 tensorRT基礎，對插件過程進行封裝，并實現(xiàn)更容易的插件開發(fā)_ev.mp4
27 tensorRT基礎，學習編譯int8模型，對模型進行int8量化_ev.mp4
28 tensorRT高級，課程概述和清單_ev.mp4
29 tensorRT高級，第一個完整的分類器程序_ev.mp4
30 tensorRT高級，學習yolov5目標檢測項目的代碼修改、模型導出、編譯到推理過程，沒有封裝_ev.mp4
31 tensorRT高級，學習UNet場景分割項目的代碼修改、模型導出、編譯到推理過程，沒有封裝_ev.mp4
32 tensorRT高級，學習alphapose姿態(tài)檢測項目的代碼修改、模型導出、編譯到推理過程，沒有封裝_ev.mp4
33 tensorRT高級，學習如何處理mmdetection框架下yolox模型的導出，并使得正常推理出來_ev.mp4
34 tensorRT高級，學習如何使用onnxruntime進行onnx的模型推理過程_ev.mp4
35 tensorRT高級，學習如何使用openvino進行onnx的模型推理過程_ev.mp4
36 tensorRT高級，學習深度學習中涉及的線程知識_ev.mp4
37 tensorRT高級，學習模型部署時常用的生產(chǎn)者消費者模型，以及future、promise、condition_variable.mkv_ev.mp4
38 tensorRT高級，學習使用RAII資源獲取即初始化配合接口模式對代碼進行有效封裝_ev.mp4
39 tensorRT高級，學習RAII 接口模式下的生產(chǎn)者消費者以及多Batch的實現(xiàn)_ev.mp4
40 tensorRT高級，封裝之，模型編譯過程封裝，簡化模型編譯代碼_ev.mp4
41 tensorRT高級，封裝之，內(nèi)存管理的封裝，內(nèi)存的復用_ev.mp4
42 tensorRT高級，封裝之，tensor張量的封裝，索引計算，內(nèi)存標記以及自動復制_ev.mp4
43 tensorRT高級，封裝之，infer推理的封裝，輸入輸出tensor的關聯(lián)_ev.mp4
44 tensorRT高級，封裝之，基于生產(chǎn)者消費者實現(xiàn)的yolov5封裝_ev.mp4
45 tensorRT高級，封裝之，終極封裝形態(tài)，以及考慮的問題_ev.mp4
46 tensorRT高級，調(diào)試方法、思想討論_ev.mp4
47 tensorRT高級，自動駕駛案例項目self-driving-道路分割分析_ev.mp4
48 tensorRT高級，自動駕駛案例項目self-driving-深度估計分析_ev.mp4
49 tensorRT高級，自動駕駛案例項目self-driving-車道線檢測分析_ev.mp4
50 tensorRT高級，學習使用pybind11為python開發(fā)擴展模塊_ev.mp4
06 pyTorch框架部署實踐
01 所需基本環(huán)境配置_ev.mp4
02 模型加載與數(shù)據(jù)預處理_ev.mp4
03 接收與預測模塊實現(xiàn)_ev.mp4
04 效果實例演示_ev.mp4
05 課程簡介_ev.mp4
05 源碼【內(nèi)有百度云地址，自取】.txt
07 YOLO-V3物體檢測部署實例
01 項目所需配置文件介紹_ev.mp4
02 加載參數(shù)與模型權(quán)重_ev.mp4
03 數(shù)據(jù)預處理_ev.mp4
04 返回線性預測結(jié)果_ev.mp4
08 docker實例演示
01 docker簡介_ev.mp4
02 docker安裝與配置_ev.mp4
03 阿里云鏡像配置_ev.mp4
04 基于docker配置pytorch環(huán)境_ev.mp4
05 安裝演示環(huán)境所需依賴_ev.mp4
06 復制所需配置到容器中_ev.mp4
07 上傳與下載配置好的項目_ev.mp4
09 tensorflow-serving實戰(zhàn)
01 tf-serving項目獲取與配置_ev.mp4
02 加載并啟動模型服務_ev.mp4
03 測試模型部署效果_ev.mp4
04 fashion數(shù)據(jù)集獲取_ev.mp4
05 加載fashion模型啟動服務_ev.mp4
10 模型剪枝-Network Slimming算法分析
01 論文算法核心框架概述_ev.mp4
02 BatchNorm要解決的問題_ev.mp4
03 BN的本質(zhì)作用_ev.mp4
04 額外的訓練參數(shù)解讀_ev.mp4
05 稀疏化原理與效果_ev.mp4
11 模型剪枝-Network Slimming實戰(zhàn)解讀
01 整體案例流程解讀_ev.mp4
02 加入L1正則化來進行更新_ev.mp4
03 剪枝模塊介紹_ev.mp4
04 篩選需要的特征圖_ev.mp4
05 剪枝后模型參數(shù)賦值_ev.mp4
06 微調(diào)完成剪枝模型_ev.mp4
12 Mobilenet三代網(wǎng)絡模型架構(gòu)
01 模型剪枝分析_ev.mp4
02 常見剪枝方法介紹_ev.mp4
03 mobilenet簡介_ev.mp4
04 經(jīng)典卷積計算量與參數(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)與計算量的比較_ev.mp4
07 V1版本效果分析_ev.mp4
08 V2版本改進以及Relu激活函數(shù)的問題_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)絡架構(gòu)分析_ev.mp4
12 SE模塊作用與效果解讀_ev.mp4
13 代碼實現(xiàn)mobilenetV3網(wǎng)絡架構(gòu)_ev.mp4
22 自然語言處理必備神器Huggingface系列實戰(zhàn)
01 Huggingface與NLP介紹解讀
01 Huggingface與NLP介紹解讀_ev.mp4
02 Transformer工具包基本操作實例解讀
01 工具包與任務整體介紹_ev.mp4
02 NLP任務常規(guī)流程分析_ev.mp4
03 文本切分方法實例解讀_ev.mp4
04 AttentionMask配套使用方法_ev.mp4
05 數(shù)據(jù)集與模型_ev.mp4
06 數(shù)據(jù)Dataloader封裝_ev.mp4
07 模型訓練所需配置參數(shù)_ev.mp4
08 模型訓練DEMO_ev.mp4
03 transformer原理解讀
01 transformer原理解讀_ev.mp4
04 BERT系列算法解讀
01 BERT模型訓練方法解讀_ev.mp4
02 ALBERT基本定義_ev.mp4
03 ALBERT中的簡化方法解讀_ev.mp4
04 RoBerta模型訓練方法解讀_ev.mp4
05 DistilBert模型解讀_ev.mp4
05 文本標注工具與NER實例
01 文本標注工具Doccano配置方法_ev.mp4
02 命名實體識別任務標注方法實例_ev.mp4
03 標注導出與BIO處理_ev.mp4
04 標簽處理并完成對齊操作_ev.mp4
05 預訓練模型加載與參數(shù)配置_ev.mp4
06 模型訓練與輸出結(jié)果預測_ev.mp4
06 文本預訓練模型構(gòu)建實例
01 預訓練模型效果分析_ev.mp4
02 文本數(shù)據(jù)截斷處理_ev.mp4
03 預訓練模型自定義訓練_ev.mp4
07 GPT系列算法
01 GPT系列算法概述_ev.mp4
02 GPT三代版本分析_ev.mp4
03 GPT初代版本要解決的問題_ev.mp4
04 GPT第二代版本訓練策略_ev.mp4
05 采樣策略與多樣性_ev.mp4
06 GPT3的提示與生成方法_ev.mp4
07 應用場景CODEX分析_ev.mp4
08 DEMO應用演示_ev.mp4
08 GPT訓練與預測部署流程
01 源碼【內(nèi)有百度云地址，自取】.txt
01 生成模型可以完成的任務概述_ev.mp4
02 數(shù)據(jù)樣本生成方法_ev.mp4
03 訓練所需參數(shù)解讀_ev.mp4
04 模型訓練過程_ev.mp4
05 部署與網(wǎng)頁預測展示_ev.mp4
09 文本摘要建模
01 源碼【內(nèi)有百度云地址，自取】.txt
01 中文商城評價數(shù)據(jù)處理方法_ev.mp4
02 模型訓練與測試結(jié)果_ev.mp4
03 文本摘要數(shù)據(jù)標注方法_ev.mp4
04 訓練自己標注的數(shù)據(jù)并測試_ev.mp4
10 圖譜知識抽取實戰(zhàn)
01 應用場景概述分析_ev.mp4
02 數(shù)據(jù)標注格式樣例分析_ev.mp4
03 數(shù)據(jù)處理與讀取模塊_ev.mp4
04 實體抽取模塊分析_ev.mp4
05 標簽與數(shù)據(jù)結(jié)構(gòu)定義方法_ev.mp4
06 模型構(gòu)建與計算流程_ev.mp4
07 網(wǎng)絡模型前向計算方法_ev.mp4
08 關系抽取模型訓練_ev.mp4
11 補充Huggingface數(shù)據(jù)集制作方法實例
01 數(shù)據(jù)結(jié)構(gòu)分析_ev.mp4
02 Huggingface中的預處理實例_ev.mp4
03 數(shù)據(jù)處理基本流程_ev.mp4
23 自然語言處理通用框架-BERT實戰(zhàn)
01 自然語言處理通用框架BERT原理解讀
01 BERT課程簡介_ev.mp4
02 BERT任務目標概述_ev.mp4
03 傳統(tǒng)解決方案遇到的問題_ev.mp4
04 注意力機制的作用_ev.mp4
05 self-attention計算方法_ev.mp4
06 特征分配與softmax機制_ev.mp4
07 Multi-head的作用_ev.mp4
08 位置編碼與多層堆疊_ev.mp4
09 transformer整體架構(gòu)梳理_ev.mp4
10 BERT模型訓練方法_ev.mp4
11 訓練實例_ev.mp4
02 谷歌開源項目BERT源碼解讀與應用實例
01 BERT開源項目簡介_ev.mp4
02 項目參數(shù)配置_ev.mp4
03 數(shù)據(jù)讀取模塊_ev.mp4
04 數(shù)據(jù)預處理模塊_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 訓練BERT模型_ev.mp4
03 項目實戰(zhàn)-基于BERT的中文情感分析實戰(zhàn)
01 中文分類數(shù)據(jù)與任務概述_ev.mp4
02 讀取處理自己的數(shù)據(jù)集_ev.mp4
03 訓練BERT中文分類模型_ev.mp4
04 項目實戰(zhàn)-基于BERT的中文命名實體識別識別實戰(zhàn)
01 命名實體識別數(shù)據(jù)分析與任務目標_ev.mp4
02 NER標注數(shù)據(jù)處理與讀取_ev.mp4
03 構(gòu)建BERT與CRF模型_ev.mp4
05 必備基礎知識點-woed2vec模型通俗解讀
01 詞向量模型通俗解釋_ev.mp4
02 模型整體框架_ev.mp4
03 訓練數(shù)據(jù)構(gòu)建_ev.mp4
04 CBOW與Skip-gram模型_ev.mp4
05 負采樣方案_ev.mp4
06 必備基礎-掌握Tensorflow如何實現(xiàn)word2vec模型
01 數(shù)據(jù)與任務流程_ev.mp4
02 數(shù)據(jù)清洗_ev.mp4
03 batch數(shù)據(jù)制作_ev.mp4
04 網(wǎng)絡訓練_ev.mp4
05 可視化展示_ev.mp4
07 必備基礎知識點-RNN網(wǎng)絡架構(gòu)與情感分析應用實例
01 RNN網(wǎng)絡模型解讀_ev.mp4
02 NLP應用領域與任務簡介_ev.mp4
03 項目流程解讀_ev.mp4
04 加載詞向量特征_ev.mp4
05 正負樣本數(shù)據(jù)讀取_ev.mp4
06 構(gòu)建LSTM網(wǎng)絡模型_ev.mp4
07 訓練與測試效果_ev.mp4
08 LSTM情感分析_ev.mp4
08 醫(yī)學糖尿病數(shù)據(jù)命名實體識別
01 數(shù)據(jù)與任務介紹_ev.mp4
02 整體模型架構(gòu)_ev.mp4
03 數(shù)據(jù)-標簽-語料庫處理_ev.mp4
04 訓練網(wǎng)絡模型_ev.mp4
05 醫(yī)療數(shù)據(jù)集（糖尿?。嶓w識別_ev.mp4
06 輸入樣本填充補齊_ev.mp4
24 自然語言處理經(jīng)典案例實戰(zhàn)
01 NLP常用工具包實戰(zhàn)
01 Python字符串處理_ev.mp4
02 正則表達式基本語法_ev.mp4
03 正則常用符號_ev.mp4
04 常用函數(shù)介紹_ev.mp4
05 NLTK工具包簡介_ev.mp4
06 停用詞過濾_ev.mp4
07 詞性標注_ev.mp4
08 數(shù)據(jù)清洗實例_ev.mp4
09 Spacy工具包_ev.mp4
10 名字實體匹配_ev.mp4
11 恐怖襲擊分析_ev.mp4
12 統(tǒng)計分析結(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 商品描述長度對價格的影響分析_ev.mp4
05 關鍵詞的詞云可視化展示_ev.mp4
06 基于tf-idf提取關鍵詞信息_ev.mp4
07 通過降維進行可視化展示_ev.mp4
08 聚類分析與主題模型展示_ev.mp4
03 貝葉斯算法
01 貝葉斯算法概述_ev.mp4
02 貝葉斯推導實例_ev.mp4
03 貝葉斯拼寫糾錯實例_ev.mp4
04 垃圾郵件過濾實例_ev.mp4
05 貝葉斯實現(xiàn)拼寫檢查器_ev.mp4
04 新聞分類任務實戰(zhàn)
01 文本分析與關鍵詞提取_ev.mp4
02 相似度計算_ev.mp4
03 新聞數(shù)據(jù)與任務簡介_ev.mp4
04 TF-IDF關鍵詞提取_ev.mp4
05 LDA建模_ev.mp4
06 基于貝葉斯算法進行新聞分類_ev.mp4
05 HMM隱馬爾科夫模型
01 馬爾科夫模型_ev.mp4
02 隱馬爾科夫模型基本出發(fā)點_ev.mp4
03 組成與要解決的問題_ev.mp4
04 暴力求解方法_ev.mp4
05 復雜度計算_ev.mp4
06 前向算法_ev.mp4
07 前向算法求解實例_ev.mp4
08 Baum-Welch算法_ev.mp4
09 參數(shù)求解_ev.mp4
10 維特比算法_ev.mp4
06 HMM工具包實戰(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_ev.mp4
04 實現(xiàn)中文分詞_ev.mp4
07 語言模型
01 開篇_ev.mp4
02 語言模型_ev.mp4
03 N-gram模型_ev.mp4
04 詞向量_ev.mp4
05 神經(jīng)網(wǎng)絡模型_ev.mp4
06 Hierarchical Softmax_ev.mp4
07 CBOW模型實例_ev.mp4
08 CBOW求解目標_ev.mp4
09 銻度上升求解_ev.mp4
10 負采樣模型_ev.mp4
08 使用Gemsim構(gòu)建詞向量
01 使用Gensim庫構(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 測試模型相似度結(jié)果_ev.mp4
09 基于word2vec的分類任務
01 影評情感分類_ev.mp4
02 基于詞袋模型訓練分類器_ev.mp4
03 準備word2vec輸入數(shù)據(jù)_ev.mp4
04 使用gensim構(gòu)建word2vec詞向量（新）_ev.mp4
10 NLP-文本特征方法對比
01 任務概述_ev.mp4
02 詞袋模型_ev.mp4
03 詞袋模型分析_ev.mp4
04 TFIDF模型_ev.mp4
05 word2vec詞向量模型_ev.mp4
06 深度學習模型_ev.mp4
11 NLP-相似度模型
01 任務概述_ev.mp4
02 數(shù)據(jù)展示_ev.mp4
03 正負樣本制作_ev.mp4
04 數(shù)據(jù)預處理_ev.mp4
05 網(wǎng)絡模型定義_ev.mp4
06 基于字符的訓練_ev.mp4
07 基于句子的相似度訓練_ev.mp4
12 LSTM情感分析
01 RNN網(wǎng)絡架構(gòu)_ev.mp4
02 LSTM網(wǎng)絡架構(gòu)_ev.mp4
03 案例：使用LSTM進行情感分類_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 機器人寫唐詩
01 任務概述與環(huán)境配置_ev.mp4
02 參數(shù)配置_ev.mp4
03 數(shù)據(jù)預處理模塊_ev.mp4
04 batch數(shù)據(jù)制作_ev.mp4
05 RNN模型定義_ev.mp4
06 完成訓練模塊_ev.mp4
07 訓練唐詩生成模型_ev.mp4
08 測試唐詩生成效果_ev.mp4
14 對話機器人
01 效果演示_ev.mp4
02 參數(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_ev.mp4
06 網(wǎng)絡訓練_ev.mp4
25 知識圖譜實戰(zhàn)系列
01 知識圖譜介紹及其應用領域分析
01 知識圖譜通俗解讀_ev.mp4
02 知識圖譜在搜索引擎中的應用_ev.mp4
03 知識圖譜在醫(yī)療領域應用實例_ev.mp4
04 金融與推薦領域的應用_ev.mp4
05 數(shù)據(jù)獲取分析_ev.mp4
02 知識圖譜涉及技術點分析
01 數(shù)據(jù)關系抽取分析_ev.mp4
02 常用NLP技術點分析_ev.mp4
03 graph-embedding的作用與效果_ev.mp4
04 金融領域圖編碼實例_ev.mp4
05 視覺領域圖編碼實例_ev.mp4
06 圖譜知識融合與總結(jié)分析_ev.mp4
03 Neo4j數(shù)據(jù)庫實戰(zhàn)
01 Neo4j圖數(shù)據(jù)庫介紹_ev.mp4
02 Neo4j數(shù)據(jù)庫安裝流程演示_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)庫更改查詢操作演示_ev.mp4
04 使用python操作neo4j實例
01 使用Py2neo建立連接_ev.mp4
02 提取所需的指標信息_ev.mp4
03 在圖中創(chuàng)建實體_ev.mp4
04 根據(jù)給定實體創(chuàng)建關系_ev.mp4
05 基于知識圖譜的醫(yī)藥問答系統(tǒng)實戰(zhàn)
01 項目概述與整體架構(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)中的關鍵字段信息_ev.mp4
06 創(chuàng)建關系邊_ev.mp4
07 打造醫(yī)療知識圖譜模型_ev.mp4
08 加載所有實體數(shù)據(jù)_ev.mp4
09 實體關鍵詞字典制作_ev.mp4
10 完成對話系統(tǒng)構(gòu)建_ev.mp4
06 文本關系抽取實踐
01 關系抽取要完成的任務演示與分析_ev.mp4
02 LTP工具包概述介紹_ev.mp4
03 pyltp安裝與流程演示_ev.mp4
04 得到分詞與詞性標注結(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 語義角色構(gòu)建與分析_ev.mp4
08 設計規(guī)則完成關系抽取_ev.mp4
07 金融平臺風控模型實踐
01 競賽任務目標_ev.mp4
02 圖模型信息提取_ev.mp4
03 節(jié)點權(quán)重特征提取(PageRank)_ev.mp4
04 deepwalk構(gòu)建圖頂點特征_ev.mp4
05 各項統(tǒng)計特征_ev.mp4
06 app安裝特征_ev.mp4
07 圖中聯(lián)系人特征_ev.mp4
08 醫(yī)學糖尿病數(shù)據(jù)命名實體識別
01 數(shù)據(jù)與任務介紹_ev.mp4
02 整體模型架構(gòu)_ev.mp4
03 數(shù)據(jù)-標簽-語料庫處理_ev.mp4
04 輸入樣本填充補齊_ev.mp4
05 訓練網(wǎng)絡模型_ev.mp4
06 醫(yī)療數(shù)據(jù)集（糖尿病）實體識別_ev.mp4
26 語音識別實戰(zhàn)系列
01 seq2seq序列網(wǎng)絡模型
01 序列網(wǎng)絡模型概述分析_ev.mp4
02 工作原理概述_ev.mp4
03 注意力機制的作用_ev.mp4
04 加入attention的序列模型整體架構(gòu)_ev.mp4
05 TeacherForcing的作用與訓練策略_ev.mp4
06 額外補充-RNN網(wǎng)絡模型解讀_ev.mp4
02 LAS模型語音識別實戰(zhàn)
01 數(shù)據(jù)源與環(huán)境配置_ev.mp4
02 語料表制作方法_ev.mp4
03 制作json標注數(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 加入注意力機制_ev.mp4
08 計算得到每個輸出的attention得分_ev.mp4
09 解碼器與訓練過程演示_ev.mp4
03 starganvc2變聲器論文原理解讀
01 論文整體思路與架構(gòu)解讀_ev.mp4
02 VCC2016輸入數(shù)據(jù)_ev.mp4
03 語音特征提取_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變聲器源碼實戰(zhàn)
01 數(shù)據(jù)與項目文件解讀_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 源碼損失計算流程_ev.mp4
11 測試模塊-生成轉(zhuǎn)換語音_ev.mp4
05 語音分離ConvTasnet模型
01 語音分離任務分析_ev.mp4
02 經(jīng)典語音分離模型概述_ev.mp4
03 DeepClustering論文解讀_ev.mp4
04 TasNet編碼器結(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語音分離實戰(zhàn)
01 數(shù)據(jù)準備與環(huán)境配置_ev.mp4
02 訓練任務所需參數(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音_ev.mp4
08 測試模塊所需參數(shù)_ev.mp4
07 語音合成tacotron最新版實戰(zhàn)
01 語音合成項目所需環(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)與標簽_ev.mp4
05 編碼層要完成的任務_ev.mp4
06 得到編碼特征向量_ev.mp4
07 解碼器輸入準備_ev.mp4
08 解碼器流程梳理_ev.mp4
09 注意力機制應用方法_ev.mp4
10 得到加權(quán)的編碼向量_ev.mp4
11 模型輸出結(jié)果_ev.mp4
12 損失函數(shù)與預測_ev.mp4
27 推薦系統(tǒng)實戰(zhàn)系列
01 推薦系統(tǒng)介紹及其應用
01 1-推薦系統(tǒng)通俗解讀_ev.mp4
02 2-推薦系統(tǒng)發(fā)展簡介_ev.mp4
03 3-應用領域與多方位評估指標_ev.mp4
04 4-任務流程與挑戰(zhàn)概述_ev.mp4
05 5-常用技術點分析_ev.mp4
06 6-與深度學習的結(jié)合_ev.mp4
02 協(xié)同過濾與矩陣分解
01 1-協(xié)同過濾與矩陣分解簡介_ev.mp4
02 2-基于用戶與商品的協(xié)同過濾_ev.mp4
03 3-相似度計算與推薦實例_ev.mp4
04 4-矩陣分解的目的與效果_ev.mp4
05 5-矩陣分解中的隱向量_ev.mp4
06 6-目標函數(shù)簡介_ev.mp4
07 7-隱式情況分析_ev.mp4
08 8-Embedding的作用_ev.mp4
03 音樂推薦系統(tǒng)實戰(zhàn)
01 1-音樂推薦任務概述_ev.mp4
02 2-數(shù)據(jù)集整合_ev.mp4
03 3-基于物品的協(xié)同過濾_ev.mp4
04 4-物品相似度計算與推薦_ev.mp4
05 5-SVD矩陣分解_ev.mp4
06 6-基于矩陣分解的音樂推薦_ev.mp4
04 知識圖譜與Neo4j數(shù)據(jù)庫實例
01 1-知識圖譜通俗解讀_ev.mp4
02 2-知識圖譜在搜索引擎中的應用_ev.mp4
03 3-知識圖譜在醫(yī)療領域應用實例_ev.mp4
04 4-金融與推薦領域的應用_ev.mp4
05 5-數(shù)據(jù)獲取分析_ev.mp4
06 1-Neo4j圖數(shù)據(jù)庫介紹_ev.mp4
07 2-Neo4j數(shù)據(jù)庫安裝流程演示_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)庫更改查詢操作演示_ev.mp4
05 基于知識圖譜的電影推薦實戰(zhàn)
01 1-知識圖譜推薦系統(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-圖譜需求與任務流程解讀_ev.mp4
04 4-項目所需環(huán)境配置安裝_ev.mp4
05 5-構(gòu)建用戶電影知識圖譜_ev.mp4
06 6-圖譜查詢與匹配操作_ev.mp4
07 7-相似度計算與推薦引擎構(gòu)建_ev.mp4
06 點擊率估計FM與DeepFM算法
01 1-CTR估計及其經(jīng)典方法概述_ev.mp4
02 2-高維特征帶來的問題_ev.mp4
03 3-二項式特征的作用與挑戰(zhàn)_ev.mp4
04 4-二階公式推導與化簡_ev.mp4
05 5-FM算法解析_ev.mp4
06 6-DeepFm整體架構(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算法實戰(zhàn)
01 1-數(shù)據(jù)集介紹與環(huán)境配置_ev.mp4
02 2-廣告點擊數(shù)據(jù)預處理實例_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)設計_ev.mp4
06 6-二階特征構(gòu)建方法_ev.mp4
07 7-特征組合方法實例分析_ev.mp4
08 8-完成FM模塊計算_ev.mp4
09 9-DNN模塊與訓練過程_ev.mp4
08 推薦系統(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)集預處理分析_ev.mp4
03 3-surprise工具包基本使用_ev.mp4
04 4-模型測試集結(jié)果_ev.mp4
05 5-評估指標概述_ev.mp4
09 基于文本數(shù)據(jù)的推薦實例
01 1-數(shù)據(jù)與環(huán)境配置介紹_ev.mp4
02 2-數(shù)據(jù)科學相關數(shù)據(jù)介紹_ev.mp4
03 3-文本數(shù)據(jù)預處理_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)與關鍵詞信息展示_ev.mp4
03 3-關鍵詞云與直方圖展示_ev.mp4
04 4-特征可視化_ev.mp4
05 5-數(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)與任務介紹_ev.mp4
02 2-文本詞頻統(tǒng)計_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 額外補充
01 通用創(chuàng)新點
01 ACMIX（卷積與注意力融合）_ev.mp4
02 GCnet(全局特征融合)_ev.mp4
03 Coordinate_attention_ev.mp4
04 SPD（可替換下采樣）_ev.mp4
05 SPP改進_ev.mp4
06 mobileOne(加速)_ev.mp4
07 Deformable(替換selfAttention)_ev.mp4
08 ProbAttention(采樣策略)_ev.mp4
09 CrossAttention融合特征_ev.mp4
10 Attention額外加入先驗知識_ev.mp4
11 結(jié)合GNN構(gòu)建局部特征_ev.mp4
12 損失函數(shù)約束項_ev.mp4
13 自適應可學習參數(shù)_ev.mp4
14 Coarse2Fine大框架_ev.mp4
15 只能機器學習模型時湊工作量（特征工程）_ev.mp4
16 自己數(shù)據(jù)集如何發(fā)的好(要開源)_ev.mp4
17 可變形卷積加入方法_ev.mp4
18 在源碼中加入各種注意力機制方法_ev.mp4
深度學習巔峰-人工智能深度學習系統(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，邁向深度學習的巔峰-人工智能深度學習系統(tǒng)班第6期
