【资源介绍】：
构建深度学习模型，综合应用完整企业级项目
越来越多的科研及企业项目，会把PyTorch作为首选的深度学习框架。它容易上手，功能完善，不管是新入门学习还是上手实战项目，PyTorch都是非常优秀的工具。本课程以实践为目的，把深度学习概念及基础学习贯穿在几个实践项目中，荒川老师将带领你们进入PyTorch深度学习的世界，使用PyTorch将其一一实现。
【资源目录】:
├──1
| ├──1-1课程导学2249_ev.mp4 61.46M
| ├──1-2深度学习如何影响生活1333_ev.mp4 25.80M
| └──1-3常用深度学习框架1738_ev.mp4 26.91M
├──2
| ├──2-1环境安装与配置1319_ev.mp4 32.13M
| ├──2-2使用预训练的ResNet网络给图片分类一1610_ev.mp4 41.23M
| ├──2-3使用预训练的ResNet网络给图片分类二0845_ev.mp4 38.30M
| └──2-4使用预训练的GAN网络把马变成斑马1716_ev.mp4 48.23M
├──3
| ├──3-1工业级数据挖掘流程一2359_ev.mp4 51.27M
| ├──3-2工业级数据挖掘流程二2130_ev.mp4 40.81M
| ├──3-3课程重难点技能分布0515_ev.mp4 12.93M
| └──3-4课程实战项目简介0700_ev.mp4 13.17M
├──4
| ├──4-10张量的底层实现逻辑二1335_ev.mp4 23.68M
| ├──4-1什么是张量1407_ev.mp4 26.66M
| ├──4-2张量的获取与存储一1635_ev.mp4 33.17M
| ├──4-3张量的获取与存储二1540_ev.mp4 29.16M
| ├──4-4张量的基本操作一0830_ev.mp4 17.94M
| ├──4-5张量的基本操作二1604_ev.mp4 37.52M
| ├──4-6张量中的元素类型0656_ev.mp4 16.98M
| ├──4-7张量的命名0832_ev.mp4 18.75M
| ├──4-8把张量传递到GPU中进行运算0607_ev.mp4 11.22M
| └──4-9张量的底层实现逻辑一1942_ev.mp4 40.78M
├──5
| ├──5-1普通二维图像的加载一0751_ev.mp4 26.91M
| ├──5-2普通二维图像的加载二1259_ev.mp4 24.07M
| ├──5-33D图像的加载1230_ev.mp4 39.90M
| ├──5-4普通表格数据加载1453_ev.mp4 37.46M
| ├──5-5有时间序列的表格数据加载1650_ev.mp4 42.33M
| ├──5-6连续值序列值分类值的处理1345_ev.mp4 29.02M
| ├──5-7自然语言文本数据加载1945_ev.mp4 39.94M
| └──5-8本章小结0504_ev.mp4 8.71M
├──6
| ├──6-10使用PyTorch提供的优化器1532_ev.mp4 31.30M
| ├──6-11神经网络重要概念-激活函数1550_ev.mp4 37.17M
| ├──6-12用PyTorch的nn模块搭建神经网络1537_ev.mp4 22.00M
| ├──6-13构建批量训练方法1453_ev.mp4 29.50M
| ├──6-14使用神经网络解决温度计示数转换问题2123_ev.mp4 47.48M
| ├──6-1常规模型训练的过程1104_ev.mp4 23.22M
| ├──6-2温度计示数转换1140_ev.mp4 18.97M
| ├──6-3神经网络重要概念-损失1240_ev.mp4 24.73M
| ├──6-4PyTorch中的广播机制1646_ev.mp4 38.46M
| ├──6-5神经网络重要概念-梯度1811_ev.mp4 42.23M
| ├──6-6神经网络重要概念-学习率1947_ev.mp4 47.49M
| ├──6-7神经网络重要概念-归一化2620_ev.mp4 66.04M
| ├──6-8使用超参数优化我们的模型效果1136_ev.mp4 27.67M
| └──6-9使用PyTorch自动计算梯度1556_ev.mp4 41.08M
├──7
| ├──7-10使用卷积提取图像中的特定特征0800_ev.mp4 18.43M
| ├──7-11借助下采样压缩数据0753_ev.mp4 15.42M
| ├──7-12借助PyTorch搭建卷积网络1012_ev.mp4 21.93M
| ├──7-13训练我们的分类模型1005_ev.mp4 25.22M
| ├──7-14训练好的模型如何存储0147_ev.mp4 5.52M
| ├──7-15该用GPU训练我们的模型0859_ev.mp4 23.23M
| ├──7-16优化方案之增加模型宽度-width0855_ev.mp4 24.53M
| ├──7-17优化方案之数据正则化-normalization一1338_ev.mp4 31.38M
| ├──7-18优化方案之数据正则化-normalization二1655_ev.mp4 40.59M
| ├──7-19优化方案之数据正则化-normalization三0856_ev.mp4 20.95M
| ├──7-1CIFAR-10数据集介绍0804_ev.mp4 15.82M
| ├──7-20优化方案之增加模型深度-depth0641_ev.mp4 40.47M
| ├──7-21本章小结0605_ev.mp4 11.36M
| ├──7-2为数据集实现Dataset类0842_ev.mp4 21.46M
| ├──7-3为模型准备训练集和验证集1100_ev.mp4 25.01M
| ├──7-4借助softmax方法给出分类结果1057_ev.mp4 18.87M
| ├──7-5分类模型常用损失之交叉熵损失0738_ev.mp4 14.03M
| ├──7-6全连接网络实现图像分类2553_ev.mp4 60.27M
| ├──7-7对全连接网络的改进之卷积网络1349_ev.mp4 26.85M
| ├──7-8借助PyTorch搭建卷积网络模型1539_ev.mp4 35.65M
| └──7-9卷积中的数据填充方法padding0431_ev.mp4 10.21M
├──8
| ├──8-10分割训练集和验证集0927_ev.mp4 21.32M
| ├──8-11CT数据可视化实现一1643_ev.mp4 27.21M
| ├──8-12CT数据可视化实现二1513_ev.mp4 51.74M
| ├──8-13CT数据可视化实现三0943_ev.mp4 35.42M
| ├──8-14本章小结0455_ev.mp4 8.84M
| ├──8-1肺部癌症检测的项目简介1338_ev.mp4 29.01M
| ├──8-2CT数据是什么样子0722_ev.mp4 18.88M
| ├──8-3制定一个解决方案0840_ev.mp4 20.71M
| ├──8-4下载项目中的数据集0932_ev.mp4 22.82M
| ├──8-5原始数据是长什么样子的0822_ev.mp4 26.30M
| ├──8-6加载标注数据2219_ev.mp4 39.24M
| ├──8-7加载CT影像数据0751_ev.mp4 17.90M
| ├──8-8数据坐标系的转换2326_ev.mp4 49.87M
| └──8-9编写Dataset方法1244_ev.mp4 25.04M
└──9
| ├──9-10借助TensorBoard绘制指标曲线1230_ev.mp4 49.02M
| ├──9-11新的模型评估指标F1score1751_ev.mp4 36.62M
| ├──9-12实现F1Score计算逻辑0858_ev.mp4 17.37M
| ├──9-13数据优化方法1136_ev.mp4 28.80M
| ├──9-14数据重复采样的代码实现1549_ev.mp4 34.52M
| ├──9-15数据增强的代码实现1937_ev.mp4 47.67M
| ├──9-16第二个模型结节分割0853_ev.mp4 26.46M
| ├──9-17图像分割的几种类型0705_ev.mp4 26.80M
| ├──9-18U-Net模型介绍1927_ev.mp4 57.54M
| ├──9-19为图像分割进行数据预处理2501_ev.mp4 64.79M
| ├──9-1第一个模型结节分类1540_ev.mp4 34.11M
| ├──9-20为图像分割构建Dataset类2623_ev.mp4 56.42M
| ├──9-21构建训练Dataset和使用GPU进行数据增强1116_ev.mp4 31.22M
| ├──9-22Adam优化器和Dice损失1127_ev.mp4 25.18M
| ├──9-23构建训练流程1826_ev.mp4 41.76M
| ├──9-24模型存储图像存储代码介绍0550_ev.mp4 22.60M
| ├──9-25分割模型训练及在TensorBoard中查看结果1145_ev.mp4 65.55M
| ├──9-26本章小结1511_ev.mp4 25.95M
| ├──9-2定义模型训练框架1831_ev.mp4 36.51M
| ├──9-3初始化都包含什么内容0913_ev.mp4 21.05M
| ├──9-4编写数据加载器部分0702_ev.mp4 17.53M
| ├──9-5实现模型的核心部分1827_ev.mp4 41.81M
| ├──9-6定义损失计算和训练验证环节一1731_ev.mp4 45.07M
| ├──9-7定义损失计算和训练验证环节二0920_ev.mp4 21.73M
| ├──9-8在日志中保存重要信息1956_ev.mp4 53.26M
| └──9-9尝试训练第一个模型1650_ev.mp4 85.60M
├──10
| ├──10-1连接分割模型和分类模型3005_ev.mp4 60.47M
| ├──10-2新的评价指标AUC-ROC曲线3716_ev.mp4 79.33M
| ├──10-3使用finetune方法构建肿瘤恶性判断模型2908_ev.mp4 77.74M
| ├──10-4完整的实现端到端肺部肿瘤检测1731_ev.mp4 65.06M
| ├──10-5使用合适的框架把模型部署上线一1446_ev.mp4 36.83M
| ├──10-6使用合适的框架把模型部署上线二1206_ev.mp4 48.85M
| └──10-7本章小结0833_ev.mp4 16.12M
├──11
| ├──11-1肿瘤检测系统架构回顾1512_ev.mp4 35.43M
| ├──11-2课程中的神经网络回顾1327_ev.mp4 30.21M
| ├──11-3模型优化方法回顾1020_ev.mp4 20.89M
| ├──11-4面试过程中可能遇到的问题2209_ev.mp4 62.98M
| └──11-5持续学习的几个建议2748_ev.mp4 50.14M
