简介
课程简介
咕泡P5人工智能深度学习高薪就业班5期，由办公模板库编程课堂网（lexuecode.com）整理发布完结无密版。
随着新基建产业的迅猛发展, 2022年人工智能产业规模将达2729亿元，5年年复合增长率高达69.79%。人力资源社会保障部报告显示，我国人工智能人才缺口超过500万,平均每个候选人有5-10个工作机会，人才紧缺已经成为制约产业发展的首要瓶颈。
本课系统讲解了人工智能深度学习，
适合人群
在校学生(专科/本科/研究生及以上)：有较强的数学基础,未来在人工智能领域发展后劲十足；
研发管理技术拓展(架构师/大数据/算法研究院/CTO)：已经是研发大牛,需要人工智能算法与大数据处理，提升技术广度与深度；
IT转行(JAVA/C/PHP等语言)：具有1-3年左右编程工作经验,对AI感兴趣或有业务需求；
非IT兴趣爱好者(拒绝平庸谋求突破)：在自己多年积累的领域有足够的经验，可以将人工智能完美应用在传统领域；
课程目录
.
├── 10_图神经网络实战/
│ ├── 1_图神经网络基础/
│ │ ├── [ 26M] 1-图神经网络应用领域分析.mp4
│ │ ├── [ 11M] 2-图基本模块定义.mp4
│ │ ├── [ 16M] 3-邻接矩阵的定义.mp4
│ │ ├── [ 19M] 4-GNN中常见任务.mp4
│ │ ├── [ 14M] 5-消息传递计算方法.mp4
│ │ └── [ 13M] 6-多层GCN的作用.mp4
│ ├── 2_图卷积GCN模型/
│ │ ├── [ 13M] 1-GCN基本模型概述.mp4
│ │ ├── [ 13M] 2-图卷积的基本计算方法.mp4
│ │ ├── [ 18M] 3-邻接的矩阵的变换.mp4
│ │ └── [ 21M] 4-GCN变换原理解读.mp4
│ ├── 3_图模型必备神器PyTorch Geometric安装与使用/
│ │ ├── [ 45M] 1-PyTorch Geometric工具包安装与配置方法.mp4
│ │ ├── [ 52M] 2-数据集与邻接矩阵格式.mp4
│ │ ├── [ 42M] 3-模型定义与训练方法.mp4
│ │ └── [ 48M] 4-文献引用数据集分类案例实战.mp4
│ ├── 4_使用PyTorch Geometric构建自己的图数据集/
│ │ ├── [ 13M] 1-构建数据集基本方法.mp4
│ │ ├── [ 22M] 2-数据集与任务背景概述.mp4
│ │ ├── [ 32M] 3-数据集基本预处理.mp4
│ │ ├── [ 37M] 4-用户行为图结构创建.mp4
│ │ ├── [ 35M] 5-数据集创建函数介绍.mp4
│ │ ├── [ 37M] 6-网络结构定义模块.mp4
│ │ ├── [ 31M] 7-TopkPooling进行下采样任务.mp4
│ │ ├── [ 26M] 8-获取全局特征.mp4
│ │ └── [ 36M] 9-模型训练与总结.mp4
│ ├── 5_图注意力机制与序列图模型/
│ │ ├── [ 17M] 1-图注意力机制的作用与方法.mp4
│ │ ├── [ 21M] 2-邻接矩阵计算图Attention.mp4
│ │ ├── [ 13M] 3-序列图神经网络TGCN应用.mp4
│ │ └── [ 24M] 4-序列图神经网络细节.mp4
│ ├── 6_图相似度论文解读/
│ │ ├── [ 48M] 1-要完成的任务分析.mp4
│ │ ├── [ 53M] 2-基本方法概述解读.mp4
│ │ ├── [ 47M] 3-图模型提取全局与局部特征.mp4
│ │ ├── [ 41M] 4-NTN模块的作用与效果.mp4
│ │ ├── [ 51M] 5-点之间的对应关系计算.mp4
│ │ └── [ 71M] 6-结果输出与总结.mp4
│ ├── 7_图相似度计算实战/
│ │ ├── [ 18M] 1-数据集与任务概述3.mp4
│ │ ├── [ 56M] 2-图卷积特征提取模块3.mp4
│ │ ├── [ 32M] 3-分别计算不同Batch点的分布3.mp4
│ │ ├── [ 21M] 4-获得直方图特征结果.mp4
│ │ ├── [ 31M] 5-图的全局特征构建.mp4
│ │ ├── [ 39M] 6-NTN图相似特征提取.mp4
│ │ └── [ 19M] 7-预测得到相似度结果.mp4
│ ├── 8_基于图模型的轨迹估计/
│ │ ├── [ 58M] 1-数据集与标注信息解读.mp4
│ │ ├── [ 72M] 2-整体三大模块分析.mp4
│ │ ├── [ 42M] 3-特征工程的作用与效果.mp4
│ │ ├── [ 52M] 4-传统方法与现在向量空间对比.mp4
│ │ ├── [ 50M] 5-输入细节分析.mp4
│ │ ├── [ 43M] 6-子图模块构建方法.mp4
│ │ ├── [ 48M] 7-特征融合模块分析.mp4
│ │ └── [ 85M] 8-VectorNet输出层分析.mp4
│ └── 9_图模型轨迹估计实战/
│ ├── [ 35M] 1-数据与环境配置4.mp4
│ ├── [ 28M] 2-训练数据准备4.mp4
│ ├── [ 38M] 3-Agent特征提取方法4.mp4
│ ├── [ 29M] 4-DataLoader构建图结构4.mp4
│ └── [ 35M] 5-SubGraph与Attention模型流程4.mp4
├── 1_直播课回放/
│ ├── 1_直播1：开班典礼/
│ │ └── [1.9G] 1人工智能CV NLP高薪实战班.mp4
│ ├── 2_Pycharm环境配置与Debug演示(没用过的同学必看)/
│ │ └── [125M] Pycharm环境配置与Debug演示(没用过的同学必看).mp4
│ ├── 3_直播2：深度学习必备基础-神经网络与卷积网络/
│ │ └── [938M] 1.深度学习必备基础-神经网络与卷积网络.mp4
│ ├── 4_直播3：Transformer原理及其各领域应用分析/
│ │ └── [518M] Transformer原理及其各领域应用分析.mp4
│ ├── 5_额外补充：时间序列预测/
│ │ └── [527M] 额外补充：时间序列预测.mp4
│ └── 6_直播4：Informer时间序列预测源码解读/
│ └── [2.0G] Informer时间序列预测源码解读.mp4
├── 2_深度学习必备核心算法/
│ ├── 1_神经网络算法解读/
│ │ └── [860M] 1-神经网络算法解读.mp4
│ ├── 2_卷积神经网络算法解读/
│ │ └── [558M] 2-卷积神经网络算法解读.mp4
│ └── 3_递归神经网络算法解读/
│ └── [457M] 3-递归神经网络算法解读.mp4
├── 3_深度学习核心框架PyTorch/
│ ├── 1_PyTorch框架介绍与配置安装/
│ │ ├── [ 33M] 1-PyTorch框架与其他框架区别分析1.mp4
│ │ └── [101M] 2-CPU与GPU版本安装方法解读1.mp4
│ ├── 2_使用神经网络进行分类任务/
│ │ ├── [ 43M] 1-数据集与任务概述2.mp4
│ │ ├── [ 48M] 2-基本模块应用测试2.mp4
│ │ ├── [ 56M] 3-网络结构定义方法2.mp4
│ │ ├── [ 39M] 4-数据源定义简介2.mp4
│ │ ├── [ 42M] 5-损失与训练模块分析2.mp4
│ │ ├── [ 55M] 6-训练一个基本的分类模型2.mp4
│ │ └── [ 52M] 7-参数对结果的影响2.mp4
│ ├── 3_神经网络回归任务-气温预测/
│ │ └── [254M] 神经网络回归任务-气温预测1.mp4
│ ├── 4_卷积网络参数解读分析/
│ │ ├── [ 56M] 1-输入特征通道分析2.mp4
│ │ ├── [ 41M] 2-卷积网络参数解读2.mp4
│ │ └── [ 77M] 3-卷积网络模型训练2.mp4
│ ├── 5_图像识别模型与训练策略（重点）/
│ │ ├── [ 52M] 1-任务分析与图像数据基本处理2.mp4
│ │ ├── [151M] 10-测试结果演示分析1.mp4
│ │ ├── [ 55M] 2-数据增强模块2.mp4
│ │ ├── [ 52M] 3-数据集与模型选择1.mp4
│ │ ├── [ 68M] 4-迁移学习方法解读1.mp4
│ │ ├── [ 80M] 5-输出层与梯度设置1.mp4
│ │ ├── [ 63M] 6-输出类别个数修改1.mp4
│ │ ├── [ 66M] 7-优化器与学习率衰减1.mp4
│ │ ├── [ 68M] 8-模型训练方法1.mp4
│ │ └── [ 60M] 9-重新训练全部模型1.mp4
│ ├── 6_DataLoader自定义数据集制作/
│ │ ├── [ 43M] 1-Dataloader要完成的任务分析1.mp4
│ │ ├── [ 59M] 2-图像数据与标签路径处理1.mp4
│ │ ├── [ 47M] 3-Dataloader中需要实现的方法分析1.mp4
│ │ └── [ 78M] 4-实用Dataloader加载数据并训练模型1.mp4
│ ├── 7_LSTM文本分类实战/
│ │ ├── [ 53M] 1-数据集与任务目标分析1.mp4
│ │ ├── [ 56M] 2-文本数据处理基本流程分析1.mp4
│ │ ├── [ 37M] 3-命令行参数与DEBUG1.mp4
│ │ ├── [ 41M] 4-训练模型所需基本配置参数分析1.mp4
│ │ ├── [ 32M] 5-预料表与字符切分1.mp4
│ │ ├── [ 34M] 6-字符预处理转换ID1.mp4
│ │ ├── [ 35M] 7-LSTM网络结构基本定义1.mp4
│ │ ├── [ 39M] 8-网络模型预测结果输出1.mp4
│ │ └── [ 45M] 9-模型训练任务与总结1.mp4
│ └── 8_PyTorch框架Flask部署例子/
│ ├── [ 21M] 1-基本结构与训练好的模型加载.mp4
│ ├── [ 41M] 2-服务端处理与预测函数.mp4
│ └── [ 46M] 3-基于Flask测试模型预测结果.mp4
├── 4_MMLAB实战系列/
│ ├── 10_第四模块：DBNET文字检测/
│ │ ├── [ 57M] 1-文字检测数据概述与配置文件.mp4
│ │ ├── [ 39M] 2-配置文件参数设置.mp4
│ │ ├── [ 32M] 3-Neck层特征组合.mp4
│ │ ├── [ 43M] 4-损失函数模块概述.mp4
│ │ └── [ 59M] 5-损失计算方法.mp4
│ ├── 11_第四模块：ANINET文字识别/
│ │ ├── [ 56M] 1-数据集与环境概述.mp4
│ │ ├── [ 52M] 2-配置文件修改方法.mp4
│ │ ├── [ 42M] 3-Bakbone模块得到特征.mp4
│ │ ├── [ 46M] 4-视觉Transformer模块的作用.mp4
│ │ ├── [ 54M] 5-视觉模型中的编码与解码的效果.mp4
│ │ ├── [ 39M] 6-文本模型中的结构分析.mp4
│ │ ├── [ 38M] 7-迭代修正模块.mp4
│ │ └── [ 53M] 8-输出层与损失计算.mp4
│ ├── 12_第五模块：stylegan2源码解读/
│ │ ├── [ 58M] 1-要完成的任务与基本思想概述.mp4
│ │ ├── [ 70M] 2-得到style特征编码.mp4
│ │ ├── [ 37M] 3-特征编码风格拼接.mp4
│ │ ├── [ 55M] 4-基础风格特征卷积模块.mp4
│ │ ├── [ 41M] 5-上采样得到输出结果.mp4
│ │ └── [ 27M] 6-损失函数概述.mp4
│ ├── 12_第四模块：KIE基于图模型的关键信息抽取/
│ │ ├── [ 52M] 1-配置文件以及要完成的任务解读.mp4
│ │ ├── [ 69M] 2-KIE数据集格式调整方法.mp4
│ │ ├── [ 48M] 3-配置文件与标签要进行处理操作.mp4
│ │ ├── [ 36M] 4-边框要计算的特征分析.mp4
│ │ ├── [ 56M] 5-标签数据处理与关系特征提取.mp4
│ │ ├── [ 44M] 6-特征合并处理.mp4
│ │ ├── [ 41M] 7-准备拼接边与点特征.mp4
│ │ └── [ 72M] 8-整合得到图模型输入特征.mp4
│ ├── 13_第六模块：BasicVSR++视频超分辨重构源码解读/
│ │ ├── [ 27M] 1-要完成的任务分析与配置文件.mp4
│ │ ├── [ 62M] 10-传播流程整体完成一圈.mp4
│ │ ├── [ 52M] 11-完成输出结果.mp4
│ │ ├── [ 45M] 2-特征基础提取模块.mp4
│ │ ├── [ 26M] 3-光流估计网络模块.mp4
│ │ ├── [ 40M] 4-基于光流完成对齐操作.mp4
│ │ ├── [ 32M] 5-偏移量计算方法1.mp4
│ │ ├── [ 37M] 6-双向计算特征对齐.mp4
│ │ ├── [ 37M] 7-提特征传递流程分析.mp4
│ │ ├── [ 40M] 8-序列传播计算.mp4
│ │ └── [ 45M] 9-准备变形卷积模块的输入.mp4
│ ├── 14_第七模块：多模态3D目标检测算法源码解读/
│ │ ├── [ 52M] 1-环境配置与数据集概述.mp4
│ │ ├── [ 57M] 10-3D卷积特征融合.mp4
│ │ ├── [ 81M] 11-输出层预测结果.mp4
│ │ ├── [ 37M] 2-数据与标注文件介绍.mp4
│ │ ├── [ 50M] 3-基本流程梳理并进入debug模式.mp4
│ │ ├── [ 58M] 4-数据与图像特征提取模块.mp4
│ │ ├── [ 65M] 5-体素索引位置获取.mp4
│ │ ├── [ 38M] 6-体素特征提取方法解读.mp4
│ │ ├── [ 71M] 7-体素特征计算方法分析.mp4
│ │ ├── [ 96M] 8-全局体素特征提取.mp4
│ │ └── [ 68M] 9-多模态特征融合.mp4
│ ├── 15_第八模块：模型蒸馏应用实例/
│ │ ├── [ 40M] 1-任务概述与工具使用.mp4
│ │ ├── [ 46M] 2-Teacher与Student网络结构定义.mp4
│ │ ├── [ 71M] 3-训练T与S得到蒸馏模型.mp4
│ │ ├── [ 57M] 4-开始模型训练过程与问题修正.mp4
│ │ ├── [ 70M] 5-日志输出与模型分离.mp4
│ │ ├── [ 46M] 6-分别得到Teacher与Student模型.mp4
│ │ └── [ 39M] 7-实际测试效果演示.mp4
│ ├── 16_第八模块：模型剪枝方法概述分析/
│ │ ├── [ 41M] 1-SuperNet网络结构分析与剪枝概述.mp4
│ │ └── [ 47M] 2-搜索匹配到符合计算量的模型并训练.mp4
│ ├── 17_第九模块：mmaction行为识别/
│ │ └── [233M] 创建自己的行为识别标注数据集.mp4
│ ├── 18_额外补充/
│ │ └── [122M] 在源码中加入各种注意力机制方法.mp4
│ ├── 1_MMCV安装方法/
│ │ └── [ 56M] MMCV安装方法.mp4
│ ├── 2_第一模块：分类任务基本操作/
│ │ ├── [ 32M] 1-准备MMCLS项目.mp4
│ │ ├── [ 35M] 2-基本参数配置解读.mp4
│ │ ├── [ 36M] 3-各模块配置文件组成.mp4
│ │ ├── [ 24M] 4-生成完整配置文件.mp4
│ │ ├── [ 40M] 5-根据文件夹定义数据集.mp4
│ │ ├── [ 36M] 6-构建自己的数据集.mp4
│ │ ├── [ 39M] 7-训练自己的任务.mp4
│ │ └── [ 23M] MMCLS问题修正1.mp4
│ ├── 3_第一模块：训练结果测试与验证/
│ │ ├── [ 25M] 1-测试DEMO效果.mp4
│ │ ├── [ 28M] 2-测试评估模型效果.mp4
│ │ ├── [ 63M] 3-MMCLS中增加一个新的模块.mp4
│ │ ├── [ 68M] 4-修改配置文件中的参数.mp4
│ │ ├── [ 37M] 5-数据增强流程可视化展示.mp4
│ │ ├── [ 41M] 6-Grad-Cam可视化方法.mp4
│ │ ├── [124M] 7-可视化细节与效果分析.mp4
│ │ ├── [ 72M] 8-MMCLS可视化模块应用.mp4
│ │ └── [ 36M] 9-模型分析脚本使用.mp4
│ ├── 4_第一模块：模型源码DEBUG演示/
│ │ ├── [ 30M] 1-VIT任务概述.mp4
│ │ ├── [ 50M] 2-数据增强模块概述分析.mp4
│ │ ├── [ 25M] 3-PatchEmbedding层.mp4
│ │ ├── [ 39M] 4-前向传播基本模块.mp4
│ │ └── [ 44M] 5-CLS与输出模块.mp4
│ ├── 5_第二模块：使用分割模块训练自己的数据集/
│ │ ├── [ 74M] 1-项目配置基本介绍.mp4
│ │ ├── [ 57M] 2-数据集标注与制作方法.mp4
│ │ ├── [ 39M] 3-跟别预测类别数修改配置文件.mp4
│ │ ├── [ 87M] 4-加载预训练模型开始训练.mp4
│ │ └── [ 22M] 5-预测DEMO演示.mp4
│ ├── 6_第二模块：基于Unet进行各种策略修改/
│ │ ├── [ 32M] 1-配置文件解读.mp4
│ │ ├── [ 32M] 2-编码层模块.mp4
│ │ ├── [ 28M] 3-上采样与输出层.mp4
│ │ ├── [ 20M] 4-辅助层的作用.mp4
│ │ ├── [ 30M] 5-给Unet添加一个neck层.mp4
│ │ ├── [ 22M] 6-如何修改参数适配网络结构.mp4
│ │ ├── [ 22M] 7-将Unet特征提取模块替换成transformer.mp4
│ │ └── [ 45M] 8-VIT模块源码分析.mp4
│ ├── 7_第二模块：分割任务CVPR最新Backbone设计及其应用/
│ │ ├── [ 34M] 1-注册自己的Backbone模块.mp4
│ │ ├── [ 43M] 10-汇总多层级特征进行输出.mp4
│ │ ├── [ 36M] 2-配置文件指定.mp4
│ │ ├── [ 40M] 3-DEBUG解读Backbone设计.mp4
│ │ ├── [ 45M] 4-PatchEmbedding的作用与实现.mp4
│ │ ├── [ 54M] 5-卷积位置编码计算方法.mp4
│ │ ├── [ 79M] 6-近似Attention模块实现.mp4
│ │ ├── [ 56M] 7-完成特征提取与融合模块.mp4
│ │ ├── [ 58M] 8-分割任务输出模块.mp4
│ │ └── [ 56M] 9-全局特征的作用与实现.mp4
│ ├── 8_第三模块：mmdet训练自己的数据任务/
│ │ ├── [ 31M] 1-数据集标注与标签获取.mp4
│ │ ├── [ 28M] 2-COCO数据标注格式.mp4
│ │ ├── [ 39M] 3-通过脚本生成COCO数据格式.mp4
│ │ ├── [ 46M] 4-配置文件数据增强策略分析.mp4
│ │ ├── [ 56M] 5-训练所需配置说明.mp4
│ │ ├── [ 35M] 6-模型训练与DEMO演示.mp4
│ │ ├── [ 78M] 7-模型测试与可视化分析模块.mp4
│ │ └── [ 14M] 8-补充：评估指标.mp4
│ └── 9_第三模块：DeformableDetr物体检测源码分析/
│ ├── [ 38M] 1-特征提取与位置编码.mp4
│ ├── [ 50M] 10-分类与回归输出模块.mp4
│ ├── [ 44M] 11-预测输出结果与标签匹配模块.mp4
│ ├── [ 51M] 2-序列特征展开并叠加.mp4
│ ├── [ 29M] 3-得到相对位置点编码.mp4
│ ├── [ 38M] 4-准备Encoder编码层所需全部输入.mp4
│ ├── [ 40M] 5-编码层中的序列分析.mp4
│ ├── [ 46M] 6-偏移量offset计算.mp4
│ ├── [ 40M] 7-偏移量对齐操作.mp4
│ ├── [ 52M] 8-Encoder层完成特征对齐.mp4
│ └── [ 39M] 9-Decoder要完成的操作.mp4
├── 5_Opencv图像处理框架实战/
│ ├── 10_项目实战-文档扫描OCR识别/
│ │ ├── [ 21M] 1-整体流程演示.mp4
│ │ ├── [ 28M] 2-文档轮廓提取.mp4
│ │ ├── [ 26M] 3-原始与变换坐标计算.mp4
│ │ ├── [ 33M] 4-透视变换结果.mp4
│ │ ├── [ 41M] 5-tesseract-ocr安装配置.mp4
│ │ └── [ 29M] 6-文档扫描识别效果.mp4
│ ├── 11_图像特征-harris/
│ │ ├── [ 16M] 1-角点检测基本原理.mp4
│ │ ├── [ 31M] 2-基本数学原理.mp4
│ │ ├── [ 32M] 3-求解化简.mp4
│ │ ├── [ 43M] 4-特征归属划分.mp4
│ │ └── [ 31M] 5-opencv角点检测效果.mp4
│ ├── 12_图像特征-sift/
│ │ ├── [ 20M] 1-尺度空间定义.mp4
│ │ ├── [ 22M] 2-高斯差分金字塔.mp4
│ │ ├── [ 48M] 3-特征关键点定位.mp4
│ │ ├── [ 25M] 4-生成特征描述.mp4
│ │ ├── [ 44M] 5-特征向量生成.mp4
│ │ └── [ 29M] 6-opencv中sift函数使用.mp4
│ ├── 13_案例实战-全景图像拼接/
│ │ ├── [ 29M] 1-特征匹配方法.mp4
│ │ ├── [ 34M] 2-RANSAC算法.mp4
│ │ ├── [ 45M] 2-图像拼接方法.mp4
│ │ └── [ 22M] 4-流程解读.mp4
│ ├── 14_项目实战-停车场车位识别/
│ │ ├── [ 71M] 1-任务整体流程.mp4
│ │ ├── [ 34M] 2-所需数据介绍.mp4
│ │ ├── [ 57M] 3-图像数据预处理.mp4
│ │ ├── [ 61M] 4-车位直线检测.mp4
│ │ ├── [ 55M] 5-按列划分区域.mp4
│ │ ├── [ 57M] 6-车位区域划分.mp4
│ │ ├── [ 41M] 7-识别模型构建.mp4
│ │ └── [136M] 8-基于视频的车位检测.mp4
│ ├── 15_项目实战-答题卡识别判卷/
│ │ ├── [ 29M] 1-整体流程与效果概述.mp4
│ │ ├── [ 24M] 2-预处理操作.mp4
│ │ ├── [ 26M] 3-填涂轮廓检测.mp4
│ │ └── [ 57M] 4-选项判断识别.mp4
│ ├── 16_背景建模/
│ │ ├── [ 21M] 1-背景消除-帧差法.mp4
│ │ ├── [ 26M] 2-混合高斯模型.mp4
│ │ ├── [ 32M] 3-学习步骤.mp4
│ │ └── [ 51M] 4-背景建模实战.mp4
│ ├── 17_光流估计/
│ │ ├── [ 20M] 1-基本概念.mp4
│ │ ├── [ 20M] 2-Lucas-Kanade算法.mp4
│ │ ├── [ 26M] 3-推导求解.mp4
│ │ └── [ 64M] 4-光流估计实战.mp4
│ ├── 18_Opencv的DNN模块/
│ │ ├── [ 29M] 1-dnn模块.mp4
│ │ └── [ 40M] 2-模型加载结果输出.mp4
│ ├── 19_项目实战-目标追踪/
│ │ ├── [ 50M] 1-目标追踪概述.mp4
│ │ ├── [ 35M] 2-多目标追踪实战.mp4
│ │ ├── [ 44M] 3-深度学习检测框架加载.mp4
│ │ ├── [ 73M] 4-基于dlib与ssd的追踪.mp4
│ │ ├── [ 26M] 5-多进程目标追踪.mp4
│ │ └── [ 78M] 6-多进程效率提升对比.mp4
│ ├── 1_课程简介与环境配置/
│ │ ├── [5.4M] 0-课程简介2.mp4
│ │ ├── [ 84M] 2-Notebook与IDE环境.mp4
│ │ └── [ 33M] 2-Python与Opencv配置安装.mp4
│ ├── 20_卷积原理与操作/
│ │ ├── [ 25M] 1-卷积效果演示.mp4
│ │ ├── [ 36M] 1-卷积神经网络的应用.mp4
│ │ ├── [ 22M] 2-卷积层解释.mp4
│ │ ├── [ 41M] 2-卷积操作流程.mp4
│ │ ├── [ 28M] 3-卷积计算过程.mp4
│ │ ├── [ 26M] 4-pading与stride.mp4
│ │ ├── [ 18M] 5-卷积参数共享.mp4
│ │ └── [ 16M] 6-池化层原理.mp4
│ ├── 21_项目实战-疲劳检测/
│ │ ├── [ 28M] 1-关键点定位概述.mp4
│ │ ├── [ 36M] 2-获取人脸关键点.mp4
│ │ ├── [ 45M] 3-定位效果演示.mp4
│ │ ├── [ 71M] 4-闭眼检测.mp4
│ │ └── [ 41M] 5-检测效果.mp4
│ ├── 2_图像基本操作/
│ │ ├── [ 31M] 1-计算机眼中的图像.mp4
│ │ ├── [ 47M] 2-视频的读取与处理.mp4
│ │ ├── [ 15M] 3-ROI区域.mp4
│ │ ├── [ 21M] 4-边界填充.mp4
│ │ └── [ 40M] 5-数值计算.mp4
│ ├── 3_阈值与平滑处理/
│ │ ├── [ 25M] 1-图像平滑处理.mp4
│ │ ├── [ 21M] 2-高斯与中值滤波.mp4
│ │ └── [ 31M] 图像阈值.mp4
│ ├── 4_图像形态学操作/
│ │ ├── [ 21M] 1-腐蚀操作.mp4
│ │ ├── [ 12M] 2-膨胀操作.mp4
│ │ ├── [9.3M] 3-开运算与闭运算.mp4
│ │ ├── [7.9M] 4-梯度计算.mp4
│ │ └── [ 16M] 5-礼帽与黑帽.mp4
│ ├── 5_图像梯度计算/
│ │ ├── [ 27M] 1-Sobel算子.mp4
│ │ ├── [ 30M] 2-梯度计算方法.mp4
│ │ └── [ 27M] 3-scharr与lapkacian算子.mp4
│ ├── 6_边缘检测/
│ │ ├── [ 19M] 1-Canny边缘检测流程.mp4
│ │ ├── [ 18M] 2-非极大值抑制.mp4
│ │ └── [ 37M] 3-边缘检测效果.mp4
│ ├── 7_图像金字塔与轮廓检测/
│ │ ├── [ 20M] 1-图像金字塔定义.mp4
│ │ ├── [ 47M] 1-模板匹配方法.mp4
│ │ ├── [ 19M] 1-轮廓检测方法.mp4
│ │ ├── [ 21M] 2-匹配效果展示.mp4
│ │ ├── [ 34M] 2-轮廓检测结果.mp4
│ │ ├── [ 25M] 2-金字塔制作方法.mp4
│ │ └── [ 38M] 3-轮廓特征与近似.mp4
│ ├── 8_直方图与傅里叶变换/
│ │ ├── [ 39M] 1-傅里叶概述.mp4
│ │ ├── [ 24M] 1-直方图定义.mp4
│ │ ├── [ 31M] 2-均衡化原理.mp4
│ │ ├── [ 26M] 2-频域变换结果.mp4
│ │ ├── [ 27M] 3-低通与高通滤波.mp4
│ │ └── [ 27M] 3-均衡化效果.mp4
│ └── 9_项目实战-信用卡数字识别/
│ ├── [ 35M] 2-环境配置与预处理.mp4
│ ├── [ 24M] 3-模板处理方法.mp4
│ ├── [ 29M] 4-输入数据处理方法.mp4
│ ├── [ 48M] 5-模板匹配得出识别结果.mp4
│ └── [ 21M] 总体流程与方法讲解.mp4
├── 6_综合项目-物体检测经典算法实战/
│ ├── 10_EfficientNet网络/
│ │ └── [538M] 第八课：EfficientNet网络模型.mp4
│ ├── 11_EfficientDet检测算法/
│ │ └── [448M] 第十一章：EfficientDet检测算法.mp4
│ ├── 12_基于Transformer的detr目标检测算法/
│ │ ├── [ 19M] 1-DETR目标检测基本思想解读.mp4
│ │ ├── [ 32M] 2-整体网络架构分析.mp4
│ │ ├── [ 20M] 3-位置信息初始化query向量.mp4
│ │ ├── [ 21M] 4-注意力机制的作用方法.mp4
│ │ └── [ 28M] 5-训练过程的策略.mp4
│ ├── 13_detr目标检测源码解读/
│ │ ├── [ 40M] 1-项目环境配置解读.mp4
│ │ ├── [ 64M] 2-数据处理与dataloader.mp4
│ │ ├── [ 48M] 3-位置编码作用分析.mp4
│ │ ├── [ 36M] 4-backbone特征提取模块.mp4
│ │ ├── [ 35M] 5-mask与编码模块.mp4
│ │ ├── [ 43M] 6-编码层作用方法.mp4
│ │ ├── [ 30M] 7-Decoder层操作与计算.mp4
│ │ ├── [ 41M] 8-输出预测结果.mp4
│ │ └── [ 41M] 9-损失函数与预测输出.mp4
│ ├── 1_深度学习经典检测方法概述/
│ │ ├── [ 15M] 1-检测任务中阶段的意义.mp4
│ │ ├── [ 11M] 2-不同阶段算法优缺点分析.mp4
│ │ ├── [ 12M] 3-IOU指标计算.mp4
│ │ ├── [ 26M] 4-评估所需参数计算.mp4
│ │ └── [ 20M] 5-map指标计算.mp4
│ ├── 2_YOLO-V1整体思想与网络架构/
│ │ ├── [ 14M] 2-检测算法要得到的结果.mp4
│ │ ├── [ 31M] 3-整体网络架构解读.mp4
│ │ ├── [ 19M] 4-位置损失计算.mp4
│ │ ├── [ 27M] 5-置信度误差与优缺点分析.mp4
│ │ └── [ 15M] YOLO算法整体思路解读.mp4
│ ├── 3_YOLO-V2改进细节详解/
│ │ ├── [ 16M] 2-网络结构特点.mp4
│ │ ├── [ 19M] 3-架构细节解读.mp4
│ │ ├── [ 24M] 4-基于聚类来选择先验框尺寸.mp4
│ │ ├── [ 28M] 5-偏移量计算方法.mp4
│ │ ├── [ 10M] 6-坐标映射与还原.mp4
│ │ ├── [ 28M] 7-感受野的作用.mp4
│ │ ├── [ 19M] 8-特征融合改进.mp4
│ │ └── [ 13M] V2版本细节升级概述.mp4
│ ├── 4_YOLO-V3核心网络模型/
│ │ ├── [ 18M] 1-V3版本改进概述.mp4
│ │ ├── [ 17M] 2-多scale方法改进与特征融合.mp4
│ │ ├── [ 11M] 3-经典变换方法对比分析.mp4
│ │ ├── [ 19M] 4-残差连接方法解读.mp4
│ │ ├── [ 13M] 5-整体网络模型架构分析.mp4
│ │ ├── [ 13M] 6-先验框设计改进.mp4
│ │ └── [ 11M] 7-sotfmax层改进.mp4
│ ├── 5_项目实战-基于V3版本进行源码解读/
│ │ ├── [ 66M] 1-数据与环境配置.mp4
│ │ ├── [ 34M] 10-网格偏移计算.mp4
│ │ ├── [ 23M] 11-模型要计算的损失概述.mp4
│ │ ├── [ 28M] 12-标签值格式修改.mp4
│ │ ├── [ 33M] 13-坐标相对位置计算.mp4
│ │ ├── [ 35M] 14-完成所有损失函数所需计算指标.mp4
│ │ ├── [ 73M] 15-模型训练与总结.mp4
│ │ ├── [ 35M] 16-预测效果展示.mp4
│ │ ├── [ 24M] 2-训练参数设置.mp4
│ │ ├── [ 43M] 3-数据与标签读取.mp4
│ │ ├── [ 27M] 4-标签文件读取与处理.mp4
│ │ ├── [ 27M] 5-debug模式介绍.mp4
│ │ ├── [ 42M] 6-基于配置文件构建网络模型.mp4
│ │ ├── [ 34M] 7-路由层与shortcut层的作用.mp4
│ │ ├── [ 61M] 8-YOLO层定义解析.mp4
│ │ └── [ 46M] 9-预测结果计算.mp4
│ ├── 6_基于YOLO-V3训练自己的数据集与任务/
│ │ ├── [ 14M] 1-Labelme工具安装.mp4
│ │ ├── [ 32M] 2-数据信息标注.mp4
│ │ ├── [ 32M] 3-完成标签制作.mp4
│ │ ├── [ 37M] 4-生成模型所需配置文件.mp4
│ │ ├── [ 21M] 5-json格式转换成yolo-v3所需输入.mp4
│ │ ├── [ 40M] 6-完成输入数据准备工作.mp4
│ │ ├── [ 44M] 7-训练代码与参数配置更改.mp4
│ │ └── [ 38M] 8-训练模型并测试效果.mp4
│ ├── 7_YOLO-V4版本算法解读/
│ │ ├── [ 15M] 1-V4版本整体概述.mp4
│ │ ├── [ 21M] 10-PAN模块解读.mp4
│ │ ├── [ 19M] 11-激活函数与整体架构总结.mp4
│ │ ├── [ 10M] 2-V4版本贡献解读.mp4
│ │ ├── [ 25M] 3-数据增强策略分析.mp4
│ │ ├── [ 19M] 4-DropBlock与标签平滑方法.mp4
│ │ ├── [ 14M] 5-损失函数遇到的问题.mp4
│ │ ├── [ 11M] 6-CIOU损失函数定义.mp4
│ │ ├── [ 17M] 7-NMS细节改进.mp4
│ │ ├── [ 15M] 8-SPP与CSP网络结构.mp4
│ │ └── [ 22M] 9-SAM注意力机制模块.mp4
│ ├── 8_V5版本项目配置/
│ │ ├── [ 36M] 1-整体项目概述.mp4
│ │ ├── [ 41M] 2-训练自己的数据集方法.mp4
│ │ ├── [ 51M] 3-训练数据参数配置.mp4
│ │ └── [ 50M] 4-测试DEMO演示.mp4
│ └── 9_V5项目工程源码解读/
│ ├── [ 48M] 1-数据源DEBUG流程解读.mp4
│ ├── [ 59M] 10-完成配置文件解析任务.mp4
│ ├── [ 31M] 11-前向传播计算.mp4
│ ├── [ 34M] 12-BottleneckCSP层计算方法.mp4
│ ├── [ 29M] 13-1 SPP层计算细节分析.mp4
│ ├── [ 29M] 13-Head层流程解读.mp4
│ ├── [ 21M] 14-上采样与拼接操作.mp4
│ ├── [ 42M] 15-输出结果分析.mp4
│ ├── [ 35M] 16-超参数解读.mp4
│ ├── [ 44M] 17-命令行参数介绍.mp4
│ ├── [ 47M] 18-训练流程解读.mp4
│ ├── [ 38M] 19-各种训练策略概述.mp4
│ ├── [ 35M] 2-图像数据源配置.mp4
│ ├── [ 38M] 20-模型迭代过程.mp4
│ ├── [ 26M] 3-加载标签数据.mp4
│ ├── [ 28M] 4-Mosaic数据增强方法.mp4
│ ├── [ 42M] 5-数据四合一方法与流程演示.mp4
│ ├── [ 33M] 6-getItem构建batch.mp4
│ ├── [ 34M] 7-网络架构图可视化工具安装.mp4
│ ├── [ 36M] 8-V5网络配置文件解读.mp4
│ └── [ 22M] 9-Focus模块流程分析.mp4
├── 7_图像分割实战/
│ ├── 10_MaskRcnn网络框架源码详解/
│ │ ├── [ 42M] 1-FPN层特征提取原理解读.mp4
│ │ ├── [ 33M] 10-RoiPooling层的作用与目的.mp4
│ │ ├── [ 26M] 11-RorAlign操作的效果.mp4
│ │ ├── [ 29M] 12-整体框架回顾.mp4
│ │ ├── [ 56M] 2-FPN网络架构实现解读.mp4
│ │ ├── [ 28M] 3-生成框比例设置.mp4
│ │ ├── [ 33M] 4-基于不同尺度特征图生成所有框.mp4
│ │ ├── [ 31M] 5-RPN层的作用与实现解读.mp4
│ │ ├── [ 16M] 6-候选框过滤方法.mp4
│ │ ├── [ 33M] 7-Proposal层实现方法.mp4
│ │ ├── [ 26M] 8-DetectionTarget层的作用.mp4
│ │ └── [ 28M] 9-正负样本选择与标签定义.mp4
│ ├── 11_基于MASK-RCNN框架训练自己的数据与任务/
│ │ ├── [ 14M] 1-Labelme工具安装.mp4
│ │ ├── [ 26M] 2-使用labelme进行数据与标签标注.mp4
│ │ ├── [ 27M] 3-完成训练数据准备工作.mp4
│ │ ├── [ 64M] 4-maskrcnn源码修改方法.mp4
│ │ ├── [ 40M] 5-基于标注数据训练所需任务.mp4
│ │ └── [ 39M] 6-测试与展示模块.mp4
│ ├── 1_图像分割及其损失函数概述/
│ │ ├── [ 20M] 1-语义分割与实例分割概述.mp4
│ │ ├── [ 20M] 2-分割任务中的目标函数定义.mp4
│ │ └── [9.0M] 3-MIOU评估标准.mp4
│ ├── 2_卷积神经网络原理与参数解读/
│ │ ├── [ 21M] 1-卷积神经网络应用领域.mp4
│ │ ├── [ 19M] 10-VGG网络架构.mp4
│ │ ├── [ 18M] 11-残差网络Resnet.mp4
│ │ ├── [ 17M] 12-感受野的作用.mp4
│ │ ├── [ 23M] 2-卷积的作用.mp4
│ │ ├── [ 21M] 3-卷积特征值计算方法.mp4
│ │ ├── [ 18M] 4-得到特征图表示.mp4
│ │ ├── [ 20M] 5-步长与卷积核大小对结果的影响.mp4
│ │ ├── [ 17M] 6-边缘填充方法.mp4
│ │ ├── [ 22M] 7-特征图尺寸计算与参数共享.mp4
│ │ ├── [ 11M] 8-池化层的作用.mp4
│ │ └── [ 17M] 9-1整体网络架构.mp4
│ ├── 3_Unet系列算法讲解/
│ │ ├── [ 18M] 1-Unet网络编码与解码过程.mp4
│ │ ├── [ 16M] 2-网络计算流程.mp4
│ │ ├── [ 16M] 3-Unet升级版本改进.mp4
│ │ └── [ 18M] 4-后续升级版本介绍.mp4
│ ├── 4_unet医学细胞分割实战/
│ │ ├── [ 71M] 1-医学细胞数据集介绍与参数配置.mp4
│ │ ├── [ 61M] 2-数据增强工具.mp4
│ │ ├── [ 41M] 3-Debug模式演示网络计算流程.mp4
│ │ ├── [ 30M] 4-特征融合方法演示.mp4
│ │ ├── [ 34M] 5-迭代完成整个模型计算任务.mp4
│ │ └── [ 47M] 6-模型效果验证.mp4
│ ├── 5_U2NET显著性检测实战/
│ │ ├── [ 59M] 1-任务目标与网络整体介绍.mp4
│ │ ├── [ 54M] 2-显著性检测任务与目标概述.mp4
│ │ ├── [ 44M] 3-编码器模块解读.mp4
│ │ ├── [ 28M] 4-解码器输出结果.mp4
│ │ └── [ 34M] 5-损失函数与应用效果.mp4
│ ├── 6_deeplab系列算法/
│ │ ├── [ 14M] 1-deeplab分割算法概述.mp4
│ │ ├── [ 17M] 2-空洞卷积的作用.mp4
│ │ ├── [ 19M] 3-感受野的意义.mp4
│ │ ├── [ 19M] 4-SPP层的作用.mp4
│ │ ├── [ 13M] 5-ASPP特征融合策略.mp4
│ │ └── [ 24M] 6-deeplabV3Plus版本网络架构.mp4
│ ├── 7_基于deeplabV3+版本进行VOC分割实战/
│ │ ├── [ 70M] 1-PascalVoc数据集介绍.mp4
│ │ ├── [ 60M] 2-项目参数与数据集读取.mp4
│ │ ├── [ 33M] 3-网络前向传播流程.mp4
│ │ ├── [ 51M] 4-ASPP层特征融合.mp4
│ │ └── [ 35M] 5-分割模型训练.mp4
│ ├── 8_医学心脏视频数据集分割建模实战/
│ │ ├── [ 46M] 1-数据集与任务概述.mp4
│ │ ├── [ 33M] 2-项目基本配置参数.mp4
│ │ ├── [ 69M] 3-任务流程解读.mp4
│ │ ├── [123M] 4-文献报告分析.mp4
│ │ ├── [ 26M] 5-补充：视频数据源特征处理方法概述.mp4
│ │ └── [ 19M] 6-补充：R(2plus1)D处理方法分析.mp4
│ └── 9_物体检测框架-MaskRcnn项目介绍与配置/
│ ├── [ 88M] 0-Mask-Rcnn开源项目简介.mp4
│ ├── [ 98M] 0-参数配置.mp4
│ └── [ 42M] 0-开源项目数据集.mp4
├── 8_行为识别实战/
│ ├── 1_slowfast算法知识点通俗解读/
│ │ ├── [ 75M] 1-slowfast核心思想解读.mp4
│ │ ├── [ 21M] 2-核心网络结构模块分析.mp4
│ │ ├── [ 18M] 3-数据采样曾的作用.mp4
│ │ ├── [ 19M] 4-模型网络结构设计.mp4
│ │ └── [ 39M] 5-特征融合模块与总结分析.mp4
│ ├── 2_slowfast项目环境配置与配置文件/
│ │ ├── [ 45M] 1-环境基本配置解读.mp4
│ │ ├── [ 37M] 2-目录各文件分析.mp4
│ │ ├── [ 51M] 3-配置文件作用解读.mp4
│ │ ├── [ 67M] 4-测试DEMO演示1.mp4
│ │ ├── [ 49M] 5-训练所需标签文件说明.mp4
│ │ ├── [ 47M] 6-训练所需视频数据准备.mp4
│ │ ├── [ 40M] 7-视频数据集切分操作.mp4
│ │ └── [ 33M] 8-完成视频分帧操作.mp4
│ ├── 3_slowfast源码详细解读/
│ │ ├── [ 33M] 1-模型所需配置文件参数读取1.mp4
│ │ ├── [ 79M] 10-RoiAlign与输出层1.mp4
│ │ ├── [ 50M] 2-数据处理概述1.mp4
│ │ ├── [ 57M] 3-dataloader数据遍历方法1.mp4
│ │ ├── [ 52M] 4-数据与标签读取实例1.mp4
│ │ ├── [ 67M] 5-图像数据所需预处理方法1.mp4
│ │ ├── [ 66M] 6-slow与fast分别执行采样操作1.mp4
│ │ ├── [ 57M] 7-分别计算特征图输出结果1.mp4
│ │ ├── [ 50M] 8-slow与fast特征图拼接操作1.mp4
│ │ └── [ 54M] 9-resnetBolock操作1.mp4
│ ├── 4_基于3D卷积的视频分析与动作识别/
│ │ ├── [ 21M] 1-3D卷积原理解读.mp4
│ │ ├── [ 52M] 2-UCF101动作识别数据集简介.mp4
│ │ ├── [ 56M] 3-测试效果与项目配置.mp4
│ │ ├── [ 32M] 4-视频数据预处理方法.mp4
│ │ ├── [ 47M] 5-数据Batch制作方法.mp4
│ │ ├── [ 38M] 6-3D卷积网络所涉及模块.mp4
│ │ └── [ 39M] 7-训练网络模型.mp4
│ ├── 5_视频异常检测算法与元学习/
│ │ ├── [ 21M] 1-异常检测要解决的问题与数据集介绍.mp4
│ │ ├── [ 24M] 2-基本思想与流程分析.mp4
│ │ ├── [ 27M] 3-预测与常见问题.mp4
│ │ ├── [ 21M] 4-Meta-Learn要解决的问题.mp4
│ │ ├── [ 14M] 5-学习能力与参数定义.mp4
│ │ ├── [ 23M] 6-如何找到合适的初始化参数.mp4
│ │ └── [ 29M] 7-MAML算法流程解读.mp4
│ ├── 6_视频异常检测CVPR2021论文及其源码解读/
│ │ ├── [ 27M] 1-论文概述与环境配置.mp4
│ │ ├── [ 39M] 2-数据集配置与读取.mp4
│ │ ├── [ 33M] 3-模型编码与解码结构.mp4
│ │ ├── [ 61M] 4-注意力机制模块打造.mp4
│ │ ├── [ 58M] 5-损失函数的目的.mp4
│ │ ├── [ 38M] 6-特征图生成.mp4
│ │ └── [ 30M] 7-MetaLearn与输出.mp4
│ └── 7_基础补充-Resnet模型及其应用实例/
│ ├── [ 19M] 1-医学疾病数据集介绍.mp4
│ ├── [ 25M] 2-Resnet网络架构原理分析.mp4
│ ├── [ 65M] 3-dataloader加载数据集.mp4
│ ├── [ 36M] 4-Resnet网络前向传播.mp4
│ ├── [ 47M] 5-残差网络的shortcut操作.mp4
│ ├── [ 27M] 6-特征图升维与降采样操作.mp4
│ └── [ 67M] 7-网络整体流程与训练演示.mp4
├── 9_2022论文必备-Transformer实战系列/
│ ├── 10_MedicalTransformer源码解读/
│ │ ├── [ 25M] 1-项目环境配置1.mp4
│ │ ├── [ 57M] 2-医学数据介绍与分析1.mp4
│ │ ├── [ 26M] 3-基本处理操作1.mp4
│ │ ├── [ 37M] 4-AxialAttention实现过程1.mp4
│ │ ├── [ 28M] 5-位置编码向量解读1.mp4
│ │ ├── [ 52M] 6-注意力计算过程与方法1.mp4
│ │ └── [ 41M] 7-局部特征提取与计算1.mp4
│ ├── 11_商汤LoFTR算法解读/
│ │ ├── [ 87M] 1-特征匹配的应用场景.mp4
│ │ ├── [ 39M] 10-总结分析.mp4
│ │ ├── [ 16M] 2-特征匹配的基本流程分析.mp4
│ │ ├── [ 16M] 3-整体流程梳理分析.mp4
│ │ ├── [ 16M] 4-CrossAttention的作用与效果.mp4
│ │ ├── [ 34M] 5-transformer构建匹配特征.mp4
│ │ ├── [ 26M] 6-粗粒度匹配过程与作用.mp4
│ │ ├── [ 14M] 7-特征图拆解操作.mp4
│ │ ├── [ 20M] 8-细粒度匹配的作用与方法.mp4
│ │ └── [ 23M] 9-基于期望预测最终位置.mp4
│ ├── 12_局部特征关键点匹配实战/
│ │ ├── [ 44M] 1-项目与参数配置解读1.mp4
│ │ ├── [ 19M] 10-得到精细化输出结果1.mp4
│ │ ├── [ 40M] 11-通过期望计算最终输出1.mp4
│ │ ├── [ 40M] 2-DEMO效果演示1.mp4
│ │ ├── [ 29M] 3-backbone特征提取模块1.mp4
│ │ ├── [ 31M] 4-注意力机制的作用与效果分析1.mp4
│ │ ├── [ 29M] 5-特征融合模块实现方法1.mp4
│ │ ├── [ 29M] 6-cross关系计算方法实例1.mp4
│ │ ├── [ 50M] 7-粗粒度匹配过程1.mp4
│ │ ├── [ 63M] 8-完成基础匹配模块1.mp4
│ │ └── [ 43M] 9-精细化调整方法与实例1.mp4
│ ├── 13_项目补充-谷歌开源项目BERT源码解读与应用实例/
│ │ ├── [ 41M] 1-BERT开源项目简介1.mp4
│ │ ├── [ 51M] 10-构建QKV矩阵1.mp4
│ │ ├── [ 41M] 11-完成Transformer模块构建1.mp4
│ │ ├── [ 55M] 12-训练BERT模型1.mp4
│ │ ├── [107M] 2-项目参数配置1.mp4
│ │ ├── [ 54M] 3-数据读取模块1.mp4
│ │ ├── [ 40M] 4-数据预处理模块1.mp4
│ │ ├── [ 31M] 6-Embedding层的作用1.mp4
│ │ ├── [ 42M] 7-加入额外编码特征1.mp4
│ │ ├── [ 24M] 8-加入位置编码特征1.mp4
│ │ ├── [ 37M] 9-mask机制1.mp4
│ │ └── [ 51M] tfrecord制作1.mp4
│ ├── 14_项目补充-基于BERT的中文情感分析实战/
│ │ ├── [ 83M] 1-中文分类数据与任务概述1.mp4
│ │ ├── [ 53M] 2-读取处理自己的数据集1.mp4
│ │ └── [ 72M] 3-训练BERT中文分类模型1.mp4
│ ├── 1_课程介绍/
│ │ └── [ 15M] 课程介绍1.mp4
│ ├── 2_自然语言处理通用框架BERT原理解读/
│ │ ├── [ 11M] 1-BERT任务目标概述.mp4
│ │ ├── [ 24M] 10-训练实例.mp4
│ │ ├── [ 23M] 2-传统解决方案遇到的问题1.mp4
│ │ ├── [ 15M] 3-注意力机制的作用1.mp4
│ │ ├── [ 24M] 4-self-attention计算方法1.mp4
│ │ ├── [ 21M] 5-特征分配与softmax机制1.mp4
│ │ ├── [ 19M] 6-Multi-head的作用1.mp4
│ │ ├── [ 17M] 7-位置编码与多层堆叠1.mp4
│ │ ├── [ 22M] 8-transformer整体架构梳理.mp4
│ │ └── [ 21M] 9-BERT模型训练方法.mp4
│ ├── 3_Transformer在视觉中的应用VIT算法/
│ │ ├── [ 16M] 1-transformer发家史介绍1.mp4
│ │ ├── [ 22M] 2-对图像数据构建patch序列1.mp4
│ │ ├── [ 24M] 3-VIT整体架构解读1.mp4
│ │ ├── [ 22M] 4-CNN遇到的问题与窘境1.mp4
│ │ ├── [ 24M] 5-计算公式解读1.mp4
│ │ ├── [ 25M] 6-位置编码与TNT模型1.mp4
│ │ └── [ 28M] 7-TNT模型细节分析1.mp4
│ ├── 4_VIT算法模型源码解读/
│ │ ├── [ 43M] 1-项目配置说明1.mp4
│ │ ├── [ 30M] 2-输入序列构建方法解读1.mp4
│ │ ├── [ 28M] 3-注意力机制计算1.mp4
│ │ └── [ 38M] 4-输出层计算结果1.mp4
│ ├── 5_swintransformer算法原理解析/
│ │ ├── [ 15M] 1-swintransformer整体概述1.mp4
│ │ ├── [ 22M] 10-分层计算方法1.mp4
│ │ ├── [ 22M] 2-要解决的问题及其优势分析1.mp4
│ │ ├── [ 17M] 3-一个block要完成的任务1.mp4
│ │ ├── [ 19M] 4-获取各窗口输入特征1.mp4
│ │ ├── [ 30M] 5-基于窗口的注意力机制解读1.mp4
│ │ ├── [ 24M] 6-窗口偏移操作的实现1.mp4
│ │ ├── [ 20M] 7-偏移细节分析及其计算量概述1.mp4
│ │ ├── [ 21M] 8-整体网络架构整合1.mp4
│ │ └── [ 22M] 9-下采样操作实现方法1.mp4
│ ├── 6_swintransformer源码解读/
│ │ ├── [ 60M] 1-数据与环境配置解读1.mp4
│ │ ├── [ 38M] 2-图像数据patch编码1.mp4
│ │ ├── [ 31M] 3-数据按window进行划分计算1.mp4
│ │ ├── [ 28M] 4-基础attention计算模块1.mp4
│ │ ├── [ 37M] 5-窗口位移模块细节分析1.mp4
│ │ ├── [ 25M] 6-patchmerge下采样操作1.mp4
│ │ ├── [ 28M] 7-各block计算方法解读1.mp4
│ │ └── [ 41M] 8-输出层概述1.mp4
│ ├── 7_基于Transformer的detr目标检测算法/
│ │ ├── [ 19M] 1-DETR目标检测基本思想解读1.mp4
│ │ ├── [ 32M] 2-整体网络架构分析1.mp4
│ │ ├── [ 20M] 3-位置信息初始化query向量1.mp4
│ │ ├── [ 21M] 4-注意力机制的作用方法1.mp4
│ │ └── [ 28M] 5-训练过程的策略1.mp4
│ ├── 8_detr目标检测源码解读/
│ │ ├── [ 40M] 1-项目环境配置解读2.mp4
│ │ ├── [ 64M] 2-数据处理与dataloader2.mp4
│ │ ├── [ 48M] 3-位置编码作用分析2.mp4
│ │ ├── [ 36M] 4-backbone特征提取模块1.mp4
│ │ ├── [ 35M] 5-mask与编码模块1.mp4
│ │ ├── [ 43M] 6-编码层作用方法1.mp4
│ │ ├── [ 30M] 7-Decoder层操作与计算1.mp4
│ │ ├── [ 41M] 8-输出预测结果1.mp4
│ │ └── [ 41M] 9-损失函数与预测输出1.mp4
│ └── 9_MedicalTrasnformer论文解读/
│ ├── [ 24M] 1-论文整体分析.mp4
│ ├── [ 54M] 2-核心思想分析.mp4
│ ├── [ 44M] 3-网络结构计算流程概述.mp4
│ ├── [ 47M] 4-论文公式计算分析.mp4
│ ├── [ 47M] 5-位置编码的作用与效果.mp4
│ └── [ 57M] 6-拓展应用分析.mp4
.
├──11_3D点云实战/
│ ├──1_3D点云实战 3D点云应用领域分析/
│ │ ├── [ 48M] 1-点云数据概述.mp4
│ │ ├── [ 86M] 2-点云应用领域与发展分析.mp4
│ │ ├── [ 74M] 3-点云分割任务.mp4
│ │ ├── [ 34M] 4-点云补全任务.mp4
│ │ ├── [ 63M] 5-点云检测与配准任务.mp4
│ │ └── [ 29M] 6-点云数据特征提取概述与预告.mp4
│ ├──2_3D点云PointNet算法/
│ │ ├── [ 60M] 1-3D数据应用领域与点云介绍.mp4
│ │ ├── [ 46M] 2-点云数据可视化展示.mp4
│ │ ├── [ 43M] 3-点云数据特性和及要解决的问题.mp4
│ │ ├── [ 25M] 4-PointNet算法出发点解读.mp4
│ │ └── [ 43M] 5-PointNet算法网络架构解读.mp4
│ ├──3_PointNet++算法解读/
│ │ ├── [ 29M] 10-分类与分割问题解决方案.mp4
│ │ ├── [ 18M] 11-遇到的问题及改进方法分析.mp4
│ │ ├── [ 30M] 6-PointNet升级版算法要解决的问题.mp4
│ │ ├── [ 28M] 7-最远点采样方法.mp4
│ │ ├── [ 45M] 8-分组Group方法原理解读.mp4
│ │ └── [ 22M] 9-整体流程概述分析.mp4
│ ├──4_Pointnet++项目实战/
│ │ ├── [ 36M] 1-项目文件概述.mp4
│ │ ├── [ 28M] 10-分类任务总结.mp4
│ │ ├── [ 62M] 11-分割任务数据与配置概述.mp4
│ │ ├── [ 38M] 12-分割需要解决的任务概述.mp4
│ │ ├── [ 59M] 13-上采样完成分割任务.mp4
│ │ ├── [ 41M] 2-数据读取模块配置.mp4
│ │ ├── [ 30M] 3-DEBUG解读网络模型架构.mp4
│ │ ├── [ 24M] 4-最远点采样介绍.mp4
│ │ ├── [ 41M] 5-采样得到中心点.mp4
│ │ ├── [ 32M] 6-组区域划分方法.mp4
│ │ ├── [ 45M] 7-实现group操作得到各中心簇.mp4
│ │ ├── [ 51M] 8-特征提取模块整体流程.mp4
│ │ └── [ 49M] 9-预测结果输出模块.mp4
│ ├──5_点云补全PF-Net论文解读/
│ │ ├── [ 25M] 1-点云补全要解决的问题.mp4
│ │ ├── [ 24M] 2-基本解决方案概述.mp4
│ │ ├── [ 26M] 3-整体网络概述.mp4
│ │ ├── [ 36M] 4-网络计算流程.mp4
│ │ └── [120M] 5-输入与计算结果.mp4
│ ├──6_点云补全实战解读/
│ │ ├── [ 64M] 1-数据与项目配置解读.mp4
│ │ ├── [ 36M] 2-待补全数据准备方法.mp4
│ │ ├── [ 64M] 3-整体框架概述.mp4
│ │ ├── [ 48M] 4-MRE特征提取模块.mp4
│ │ ├── [ 30M] 5-分层预测输出模块.mp4
│ │ ├── [ 42M] 6-补全点云数据.mp4
│ │ └── [ 63M] 7-判别模块.mp4
│ ├──7_点云配准及其案例实战/
│ │ ├── [ 21M] 1-点云配准任务概述.mp4
│ │ ├── [ 23M] 2-配准要完成的目标解读.mp4
│ │ ├── [ 34M] 3-训练数据构建1.mp4
│ │ ├── [ 19M] 4-任务基本流程.mp4
│ │ ├── [ 53M] 5-数据源配置方法.mp4
│ │ ├── [ 26M] 6-参数计算模块解读.mp4
│ │ ├── [ 32M] 7-基于模型预测输出参数.mp4
│ │ ├── [ 44M] 8-特征构建方法分析.mp4
│ │ └── [ 41M] 9-任务总结.mp4
│ └──8_基础补充-对抗生成网络架构原理与实战解析/
│ ├── [ 23M] 1-对抗生成网络通俗解释.mp4
│ ├── [ 15M] 2-GAN网络组成.mp4
│ ├── [ 49M] 3-损失函数解释说明.mp4
│ ├── [ 37M] 4-数据读取模块.mp4
│ └── [ 67M] 5-生成与判别网络定义.mp4
├──12_目标追踪与姿态估计实战/
│ ├──1_课程介绍/
│ │ └── [ 38M] 课程介绍2.mp4
│ ├──2_姿态估计OpenPose系列算法解读/
│ │ ├── [ 67M] 1-姿态估计要解决的问题分析.mp4
│ │ ├── [ 26M] 10-匹配方法解读.mp4
│ │ ├── [ 28M] 11-CPM模型特点.mp4
│ │ ├── [ 73M] 12-算法流程与总结.mp4
│ │ ├── [ 28M] 2-姿态估计应用领域概述.mp4
│ │ ├── [ 68M] 3-传统topdown方法的问题.mp4
│ │ ├── [ 13M] 4-要解决的两个问题分析.mp4
│ │ ├── [ 35M] 5-基于高斯分布预测关键点位置.mp4
│ │ ├── [ 22M] 6-各模块输出特征图解读.mp4
│ │ ├── [ 15M] 7-PAF向量登场.mp4
│ │ ├── [ 33M] 8-PAF标签设计方法.mp4
│ │ └── [ 48M] 9-预测时PAF积分计算方法.mp4
│ ├──3_OpenPose算法源码分析/
│ │ ├── [ 35M] 1-数据集与路径配置解读.mp4
│ │ ├── [ 66M] 10-多阶段输出与预测.mp4
│ │ ├── [ 48M] 2-读取图像与标注信息.mp4
│ │ ├── [ 44M] 3-关键点与躯干特征图初始化.mp4
│ │ ├── [ 66M] 4-根据关键点位置设计关键点标签.mp4
│ │ ├── [ 36M] 5-准备构建PAF躯干标签.mp4
│ │ ├── [ 36M] 6-各位置点归属判断.mp4
│ │ ├── [ 40M] 7-特征图各点累加向量计算.mp4
│ │ ├── [ 42M] 8-完成PAF特征图制作.mp4
│ │ └── [ 31M] 9-网络模型一阶段输出.mp4
│ ├──4_deepsort算法知识点解读/
│ │ ├── [ 30M] 1-卡尔曼滤波通俗解释.mp4
│ │ ├── [ 36M] 10-sort与deepsort建模流程分析.mp4
│ │ ├── [ 35M] 11-预测与匹配流程解读.mp4
│ │ ├── [ 40M] 12-追踪任务流程拆解.mp4
│ │ ├── [ 24M] 2-卡尔曼滤波要完成的任务.mp4
│ │ ├── [ 25M] 3-任务本质分析.mp4
│ │ ├── [ 24M] 4-基于观测值进行最优估计.mp4
│ │ ├── [ 31M] 5-预测与更新操作.mp4
│ │ ├── [ 22M] 6-追踪中的状态量.mp4
│ │ ├── [ 23M] 7-匈牙利匹配算法概述.mp4
│ │ ├── [ 29M] 8-匹配小例子分析.mp4
│ │ └── [ 30M] 9-REID特征的作用.mp4
│ ├──5_deepsort源码解读/
│ │ ├── [ 46M] 1-项目环境配置4.mp4
│ │ ├── [ 92M] 10-匹配结果与总结.mp4
│ │ ├── [ 49M] 2-参数与DEMO演示.mp4
│ │ ├── [ 56M] 3-针对检测结果初始化track.mp4
│ │ ├── [ 47M] 4-对track执行预测操作.mp4
│ │ ├── [ 44M] 5-状态量预测结果.mp4
│ │ ├── [ 40M] 6-IOU代价矩阵计算.mp4
│ │ ├── [ 60M] 7-参数更新操作.mp4
│ │ ├── [ 50M] 8-级联匹配模块.mp4
│ │ └── [ 58M] 9-ReID特征代价矩阵计算.mp4
│ ├──6_YOLO-V4版本算法解读/
│ │ ├── [ 18M] 1-V4版本整体概述.mp4
│ │ ├── [ 28M] 10-PAN模块解读.mp4
│ │ ├── [ 26M] 11-激活函数与整体架构总结.mp4
│ │ ├── [ 12M] 2-V4版本贡献解读.mp4
│ │ ├── [ 35M] 3-数据增强策略分析.mp4
│ │ ├── [ 26M] 4-DropBlock与标签平滑方法.mp4
│ │ ├── [ 20M] 5-损失函数遇到的问题.mp4
│ │ ├── [ 13M] 6-CIOU损失函数定义.mp4
│ │ ├── [ 21M] 7-NMS细节改进.mp4
│ │ ├── [ 18M] 8-SPP与CSP网络结构.mp4
│ │ └── [ 30M] 9-SAM注意力机制模块.mp4
│ ├──7_V5版本项目配置/
│ │ ├── [ 41M] 1-整体项目概述.mp4
│ │ ├── [ 47M] 2-训练自己的数据集方法.mp4
│ │ ├── [ 60M] 3-训练数据参数配置.mp4
│ │ └── [ 60M] 4-测试DEMO演示.mp4
│ └──8_V5项目工程源码解读/
│ ├── [ 54M] 1-数据源DEBUG流程解读.mp4
│ ├── [ 70M] 10-完成配置文件解析任务.mp4
│ ├── [ 37M] 11-前向传播计算.mp4
│ ├── [ 40M] 12-BottleneckCSP层计算方法.mp4
│ ├── [ 31M] 13-Head层流程解读2.mp4
│ ├── [ 39M] 13-SPP层计算细节分析.mp4
│ ├── [ 25M] 14-上采样与拼接操作.mp4
│ ├── [ 58M] 15-输出结果分析.mp4
│ ├── [ 42M] 16-超参数解读.mp4
│ ├── [ 56M] 17-命令行参数介绍.mp4
│ ├── [ 57M] 18-训练流程解读.mp4
│ ├── [ 47M] 19-各种训练策略概述.mp4
│ ├── [ 44M] 2-图像数据源配置.mp4
│ ├── [ 53M] 20-模型迭代过程.mp4
│ ├── [ 34M] 3-加载标签数据.mp4
│ ├── [ 31M] 4-Mosaic数据增强方法.mp4
│ ├── [ 53M] 5-数据四合一方法与流程演示.mp4
│ ├── [ 42M] 6-getItem构建batch.mp4
│ ├── [ 41M] 7-网络架构图可视化工具安装.mp4
│ ├── [ 42M] 8-V5网络配置文件解读.mp4
│ └── [ 29M] 9-Focus模块流程分析.mp4
├──13_面向深度学习的无人驾驶实战/
│ ├──10_NeuralRecon项目源码解读/
│ │ ├── [ 43M] 1-Backbone得到特征图.mp4
│ │ ├── [ 47M] 2-初始化体素位置.mp4
│ │ ├── [ 34M] 3-坐标映射方法实现.mp4
│ │ ├── [ 60M] 4-得到体素所对应特征图.mp4
│ │ ├── [ 41M] 5-插值得到对应特征向量.mp4
│ │ ├── [ 46M] 6-得到一阶段输出结果.mp4
│ │ ├── [ 57M] 7-完成三个阶段预测结果.mp4
│ │ └── [135M] 8-项目总结2.mp4
│ ├──11_TSDF算法与应用/
│ │ ├── [ 28M] 1-TSDF整体概述分析.mp4
│ │ ├── [ 27M] 2-合成过程DEMO演示.mp4
│ │ ├── [ 15M] 3-布局初始化操作.mp4
│ │ ├── [ 26M] 4-TSDF计算基本流程解读.mp4
│ │ ├── [ 38M] 5-坐标转换流程分析.mp4
│ │ └── [ 44M] 6-输出结果融合更新.mp4
│ ├──12_TSDF实战案例/
│ │ ├── [ 39M] 1-环境配置概述.mp4
│ │ ├── [ 26M] 2-初始化与数据读取.mp4
│ │ └── [ 62M] 3-计算得到TSDF输出.mp4
│ ├──13_轨迹估计算法与论文解读/
│ │ ├── [ 77M] 1-数据集与标注信息解读.mp4
│ │ ├── [ 59M] 2-整体三大模块分析.mp4
│ │ ├── [ 54M] 3-特征工程的作用与效果.mp4
│ │ ├── [ 66M] 4-传统方法与现在向量空间对比.mp4
│ │ ├── [ 48M] 5-输入细节分析.mp4
│ │ ├── [ 64M] 6-子图模块构建方法.mp4
│ │ ├── [ 55M] 7-特征融合模块分析.mp4
│ │ └── [117M] 8-VectorNet输出层分析.mp4
│ ├──14_轨迹估计预测实战/
│ │ ├── [ 42M] 1-数据与环境配置..mp4
│ │ ├── [ 38M] 2-训练数据准备.mp4
│ │ ├── [ 50M] 3-Agent特征提取方法.mp4
│ │ ├── [ 37M] 4-DataLoader构建图结构.mp4
│ │ └── [ 43M] 5-SubGraph与Attention模型流程.mp4
│ ├──15_特斯拉无人驾驶解读/
│ │ └── [776M] 15-特斯拉无人驾驶解读.mp4
│ ├──1_深度估计算法原理解读/
│ │ ├── [ 82M] 1-深度估计效果与应用.mp4
│ │ ├── [ 48M] 10-损失计算.mp4
│ │ ├── [ 62M] 2-kitti数据集介绍.mp4
│ │ ├── [ 27M] 3-使用backbone获取层级特征.mp4
│ │ ├── [ 35M] 4-差异特征计算边界信息.mp4
│ │ ├── [ 20M] 5-SPP层的作用.mp4
│ │ ├── [ 26M] 6-空洞卷积与ASPP.mp4
│ │ ├── [ 29M] 7-特征拼接方法分析.mp4
│ │ ├── [ 34M] 8-网络coarse-to-fine过程.mp4
│ │ └── [ 38M] 9-权重参数预处理.mp4
│ ├──2_深度估计项目实战/
│ │ ├── [ 63M] 1-项目环境配置解读1.mp4
│ │ ├── [113M] 10-模型DEMO输出结果.mp4
│ │ ├── [103M] 2-数据与标签定义方法.mp4
│ │ ├── [ 40M] 3-数据集dataloader制作.mp4
│ │ ├── [ 43M] 4-使用backbone进行特征提取.mp4
│ │ ├── [ 38M] 5-计算差异特征.mp4
│ │ ├── [ 49M] 6-权重参数标准化操作.mp4
│ │ ├── [ 50M] 7-网络结构ASPP层.mp4
│ │ ├── [ 56M] 8-特征拼接方法解读.mp4
│ │ ├── [ 35M] 8-输出深度估计结果.mp4
│ │ └── [ 48M] 9-损失函数通俗解读.mp4
│ ├──3_车道线检测算法与论文解读/
│ │ ├── [ 39M] 1-数据标签与任务分析.mp4
│ │ ├── [ 43M] 2-网络整体框架分析.mp4
│ │ ├── [ 19M] 3-输出结果分析.mp4
│ │ ├── [ 39M] 4-损失函数计算方法.mp4
│ │ └── [ 79M] 5-论文概述分析.mp4
│ ├──4_基于深度学习的车道线检测项目实战/
│ │ ├── [ 78M] 1-车道数据与标签解读.mp4
│ │ ├── [ 57M] 10-车道线规则损失函数限制.mp4
│ │ ├── [ 54M] 11-DEMO制作与配置.mp4
│ │ ├── [ 35M] 2-项目环境配置演示.mp4
│ │ ├── [ 68M] 3-制作数据集dataloader.mp4
│ │ ├── [ 38M] 4-车道线标签数据处理.mp4
│ │ ├── [ 29M] 5-四条车道线标签位置矩阵.mp4
│ │ ├── [ 61M] 6-grid设置方法.mp4
│ │ ├── [ 33M] 7-完成数据与标签制作.mp4
│ │ ├── [ 62M] 8-算法网络结构解读.mp4
│ │ └── [ 46M] 9-损失函数计算模块分析.mp4
│ ├──5_商汤LoFTR算法解读/
│ │ ├── [ 47M] 1-特征匹配的应用场景.mp4
│ │ ├── [ 74M] 10-总结分析.mp4
│ │ ├── [ 22M] 2-特征匹配的基本流程分析.mp4
│ │ ├── [ 23M] 3-整体流程梳理分析.mp4
│ │ ├── [ 22M] 4-CrossAttention的作用与效果.mp4
│ │ ├── [ 45M] 5-transformer构建匹配特征.mp4
│ │ ├── [ 35M] 6-粗粒度匹配过程与作用.mp4
│ │ ├── [ 19M] 7-特征图拆解操作.mp4
│ │ ├── [ 27M] 8-细粒度匹配的作用与方法.mp4
│ │ └── [ 33M] 9-基于期望预测最终位置.mp4
│ ├──6_局部特征关键点匹配实战/
│ │ ├── [ 53M] 1-项目与参数配置解读.mp4
│ │ ├── [ 23M] 10-得到精细化输出结果.mp4
│ │ ├── [ 54M] 11-通过期望计算最终输出.mp4
│ │ ├── [ 31M] 2-DEMO效果演示.mp4
│ │ ├── [ 32M] 3-backbone特征提取模块.mp4
│ │ ├── [ 36M] 4-注意力机制的作用与效果分析.mp4
│ │ ├── [ 35M] 5-特征融合模块实现方法.mp4
│ │ ├── [ 36M] 6-cross关系计算方法实例.mp4
│ │ ├── [ 56M] 7-粗粒度匹配过程.mp4
│ │ ├── [ 73M] 8-完成基础匹配模块.mp4
│ │ └── [ 50M] 9-精细化调整方法与实例.mp4
│ ├──7_三维重建应用与坐标系基础/
│ │ ├── [128M] 1-三维重建概述分析.mp4
│ │ ├── [ 16M] 2-三维重建应用领域概述.mp4
│ │ ├── [ 21M] 3-成像方法概述.mp4
│ │ ├── [ 24M] 4-相机坐标系.mp4
│ │ ├── [ 28M] 5-坐标系转换方法解读.mp4
│ │ ├── [ 24M] 6-相机内外参.mp4
│ │ ├── [ 21M] 7-通过内外参数进行坐标变换.mp4
│ │ └── [6.7M] 8-相机标定简介.mp4
│ ├──8_NeuralRecon算法解读/
│ │ ├── [ 28M] 1-任务流程分析.mp4
│ │ ├── [ 38M] 2-基本框架熟悉.mp4
│ │ ├── [ 46M] 3-特征映射方法解读.mp4
│ │ ├── [ 23M] 4-片段融合思想.mp4
│ │ └── [ 30M] 5-整体架构重构方法.mp4
│ └──9_NeuralRecon项目环境配置/
│ ├── [ 59M] 1-数据集下载与配置方法.mp4
│ ├── [ 41M] 2-Scannet数据集内容概述.mp4
│ ├── [ 68M] 3-TSDF标签生成方法.mp4
│ ├── [ 58M] 4-ISSUE的作用.mp4
│ └── [ 66M] 5-完成依赖环境配置.mp4
├──14_缺陷检测实战/
│ ├──10_基于视频流水线的Opencv缺陷检测项目/
│ │ ├── [ 20M] 1-数据与任务概述.mp4
│ │ ├── [ 23M] 2-视频数据读取与轮廓检测.mp4
│ │ ├── [ 40M] 3-目标质心计算.mp4
│ │ ├── [ 39M] 4-视频数据遍历方法.mp4
│ │ ├── [ 41M] 5-缺陷区域提取.mp4
│ │ ├── [ 47M] 6-不同类型的缺陷检测方法.mp4
│ │ └── [ 29M] 7-检测效果演示.mp4
│ ├──11_图像分割deeplab系列算法/
│ │ ├── [ 19M] 1-deeplab分割算法概述.mp4
│ │ ├── [ 21M] 2-空洞卷积的作用.mp4
│ │ ├── [ 26M] 3-感受野的意义.mp4
│ │ ├── [ 26M] 4-SPP层的作用.mp4
│ │ ├── [ 17M] 5-ASPP特征融合策略.mp4
│ │ └── [ 33M] 6-deeplabV3Plus版本网络架构.mp4
│ ├──12_基于deeplabV3+版本进行VOC分割实战/
│ │ ├── [ 57M] 1-PascalVoc数据集介绍.mp4
│ │ ├── [ 70M] 2-项目参数与数据集读取.mp4
│ │ ├── [ 40M] 3-网络前向传播流程.mp4
│ │ ├── [ 62M] 4-ASPP层特征融合.mp4
│ │ └── [ 43M] 5-分割模型训练.mp4
│ ├──13_Deeplab铁质材料缺陷检测与开源项目应用流程/
│ │ ├── [ 37M] 1-数据集与任务概述..mp4
│ │ ├── [ 40M] 2-开源项目应用方法.mp4
│ │ ├── [ 41M] 3-github与kaggle中需要注意的点.mp4
│ │ ├── [100M] 4-源码的利用方法.mp4
│ │ ├── [ 86M] 5-数据集制作方法.mp4
│ │ ├── [ 63M] 6-数据路径配置.mp4
│ │ ├── [ 38M] 7-训练模型.mp4
│ │ └── [ 48M] 8-任务总结.mp4
│ ├──1_课程介绍/
│ │ └── [ 36M] 课程介绍3.mp4
│ ├──2_物体检框架YOLO-V4版本算法解读/
│ │ ├── [ 15M] 1-V4版本整体概述.mp4
│ │ ├── [ 21M] 10-PAN模块解读.mp4
│ │ ├── [ 19M] 11-激活函数与整体架构总结.mp4
│ │ ├── [ 10M] 2-V4版本贡献解读.mp4
│ │ ├── [ 25M] 3-数据增强策略分析.mp4
│ │ ├── [ 19M] 4-DropBlock与标签平滑方法.mp4
│ │ ├── [ 14M] 5-损失函数遇到的问题.mp4
│ │ ├── [ 11M] 6-CIOU损失函数定义.mp4
│ │ ├── [ 17M] 7-NMS细节改进.mp4
│ │ ├── [ 15M] 8-SPP与CSP网络结构.mp4
│ │ └── [ 22M] 9-SAM注意力机制模块.mp4
│ ├──3_物体检测框架YOLOV5版本项目配置/
│ │ ├── [ 36M] 1-整体项目概述.mp4
│ │ ├── [ 41M] 2-训练自己的数据集方法.mp4
│ │ ├── [ 51M] 3-训练数据参数配置.mp4
│ │ └── [ 50M] 4-测试DEMO演示.mp4
│ ├──4_物体检测框架YOLOV5项目工程源码解读/
│ │ ├── [ 48M] 1-数据源DEBUG流程解读.mp4
│ │ ├── [ 59M] 10-完成配置文件解析任务.mp4
│ │ ├── [ 31M] 11-前向传播计算.mp4
│ │ ├── [ 34M] 12-BottleneckCSP层计算方法.mp4
│ │ ├── [ 39M] 13-1 SPP层计算细节分析.mp4
│ │ ├── [ 31M] 13-2Head层流程解读.mp4
│ │ ├── [ 21M] 14-上采样与拼接操作.mp4
│ │ ├── [ 42M] 15-输出结果分析.mp4
│ │ ├── [ 35M] 16-超参数解读.mp4
│ │ ├── [ 35M] 16-超参数解读.mp4.baiduyun.p.downloading
│ │ ├── [ 44M] 17-命令行参数介绍.mp4
│ │ ├── [ 47M] 18-训练流程解读.mp4
│ │ ├── [ 38M] 19-各种训练策略概述.mp4
│ │ ├── [ 35M] 2-图像数据源配置.mp4
│ │ ├── [ 38M] 20-模型迭代过程.mp4
│ │ ├── [ 26M] 3-加载标签数据.mp4
│ │ ├── [ 28M] 4-Mosaic数据增强方法.mp4
│ │ ├── [ 42M] 5-数据四合一方法与流程演示.mp4
│ │ ├── [ 33M] 6-getItem构建batch.mp4
│ │ ├── [ 34M] 7-网络架构图可视化工具安装.mp4
│ │ ├── [ 36M] 8-V5网络配置文件解读.mp4
│ │ └── [ 22M] 9-Focus模块流程分析.mp4
│ ├──5_基于YOLOV5的钢材缺陷检测实战/
│ │ ├── [ 16M] 1-任务需求与项目概述.mp4
│ │ ├── [ 43M] 2-数据与标签配置方法.mp4
│ │ ├── [ 39M] 3-标签转换格式脚本制作.mp4
│ │ ├── [ 37M] 4-各版本模型介绍分析.mp4
│ │ ├── [ 30M] 5-项目参数配置.mp4
│ │ ├── [ 33M] 6-缺陷检测模型训练.mp4
│ │ └── [ 53M] 7-输出结果与项目总结.mp4
│ ├──6_Semi-supervised布料缺陷检测实战/
│ │ ├── [ 61M] 1-任务目标与流程概述.mp4
│ │ ├── [158M] 2-论文思想与模型分析.mp4
│ │ ├── [ 69M] 3-项目配置解读.mp4
│ │ ├── [ 43M] 4-网络流程分析.mp4
│ │ └── [ 50M] 5-输出结果展示.mp4
│ ├──7_Opencv图像常用处理方法实例/
│ │ ├── [ 41M] 1-图像阈值.mp4
│ │ ├── [ 29M] 1-腐蚀操作.mp4
│ │ ├── [ 40M] 1-计算机眼中的图像.mp4
│ │ ├── [ 34M] 2-图像平滑处理.mp4
│ │ ├── [ 17M] 2-膨胀操作.mp4
│ │ ├── [ 60M] 2-视频的读取与处理.mp4
│ │ ├── [ 20M] 3-ROI区域.mp4
│ │ ├── [ 12M] 3-开运算与闭运算.mp4
│ │ ├── [ 29M] 3-高斯与中值滤波.mp4
│ │ ├── [ 10M] 4-梯度计算.mp4
│ │ ├── [ 29M] 4-边界填充.mp4
│ │ ├── [ 52M] 5-数值计算.mp4
│ │ └── [ 23M] 5-礼帽与黑帽.mp4
│ ├──8_Opencv梯度计算与边缘检测实例/
│ │ ├── [ 26M] 1-Canny边缘检测流程.mp4
│ │ ├── [ 37M] 1-Sobel算子.mp4
│ │ ├── [ 42M] 2-梯度计算方法.mp4
│ │ ├── [ 21M] 2-非极大值抑制.mp4
│ │ ├── [ 34M] 3-scharr与lapkacian算子.mp4
│ │ └── [ 51M] 3-边缘检测效果.mp4
│ ├──8_Opencv轮廓检测与直方图/
│ │ ├── [ 27M] 1-图像金字塔定义.mp4
│ │ ├── [ 30M] 1-直方图定义.mp4
│ │ ├── [ 40M] 2-均衡化原理.mp4
│ │ ├── [ 32M] 2-金字塔制作方法.mp4
│ │ ├── [ 36M] 3-均衡化效果.mp4
│ │ ├── [ 27M] 3-轮廓检测方法.mp4
│ │ ├── [ 61M] 4-傅里叶概述.mp4
│ │ ├── [ 44M] 4-轮廓检测结果.mp4
│ │ ├── [ 53M] 5-轮廓特征与近似.mp4
│ │ ├── [ 35M] 5-频域变换结果.mp4
│ │ ├── [ 36M] 6-低通与高通滤波.mp4
│ │ ├── [ 60M] 6-模板匹配方法.mp4
│ │ └── [ 27M] 7-匹配效果展示.mp4
│ └──9_基于Opencv缺陷检测项目实战/
│ ├── [ 18M] 1-任务需求与环境配置.mp4
│ ├── [ 33M] 2-数据读取与基本处理.mp4
│ ├── [ 33M] 3-缺陷形态学操作.mp4
│ ├── [ 28M] 4-整体流程解读.mp4
│ └── [ 63M] 5-缺陷检测效果演示.mp4
├──15_行人重识别实战/
│ ├──1_行人重识别原理及其应用/
│ │ ├── [ 23M] 1-行人重识别要解决的问题.mp4
│ │ ├── [ 47M] 2-挑战与困难分析.mp4
│ │ ├── [ 17M] 3-评估标准rank1指标.mp4
│ │ ├── [ 21M] 4-map值计算方法.mp4
│ │ ├── [ 34M] 5-triplet损失计算实例.mp4
│ │ └── [ 37M] 6-Hard-Negative方法应用.mp4
│ ├──2_基于注意力机制的Reld模型论文解读/
│ │ ├── [ 48M] 1-论文整体思想及注意力机制的作用解读.mp4
│ │ ├── [ 28M] 2-空间权重值计算流程分析.mp4
│ │ ├── [ 29M] 3-融合空间注意力所需特征.mp4
│ │ └── [ 89M] 4-基于特征图的注意力计算.mp4
│ ├──3_基于Attention的行人重识别项目实战/
│ │ ├── [ 58M] 1-项目环境与数据集配置.mp4
│ │ ├── [ 83M] 2-参数配置与整体架构分析.mp4
│ │ ├── [ 37M] 3-进入debug模式解读网络计算流程.mp4
│ │ ├── [ 53M] 4-获得空间位置点之间的关系.mp4
│ │ ├── [ 42M] 5-组合关系特征图.mp4
│ │ ├── [ 49M] 6-计算得到位置权重值.mp4
│ │ ├── [ 32M] 7-基于特征图的权重计算.mp4
│ │ ├── [ 75M] 8-损失函数计算实例解读.mp4
│ │ └── [ 91M] 9-训练与测试模块演示.mp4
│ ├──4_AAAI2020顶会算法精讲/
│ │ ├── [ 22M] 1-论文整体框架概述.mp4
│ │ ├── [ 21M] 2-局部特征与全局关系计算方法.mp4
│ │ ├── [ 20M] 3-特征分组方法.mp4
│ │ ├── [ 39M] 4-GCP模块特征融合方法.mp4
│ │ ├── [ 20M] 5-oneVsReset方法实例.mp4
│ │ └── [ 20M] 6-损失函数应用位置.mp4
│ ├──5_项目实战-基于行人局部特征融合的再识别实战/
│ │ ├── [ 94M] 1-项目配置与数据集介绍.mp4
│ │ ├── [ 62M] 10-得到所有分组特征结果.mp4
│ │ ├── [ 53M] 11-损失函数与训练过程演示.mp4
│ │ ├── [ 64M] 12-测试与验证模块.mp4
│ │ ├── [ 49M] 2-数据源构建方法分析.mp4
│ │ ├── [ 35M] 3-dataloader加载顺序解读.mp4
│ │ ├── [101M] 4-debug模式解读.mp4
│ │ ├── [ 38M] 5-网络计算整体流程演示.mp4
│ │ ├── [ 51M] 6-特征序列构建.mp4
│ │ ├── [ 47M] 7-GCP全局特征提取.mp4
│ │ ├── [ 58M] 8-局部特征提取实例.mp4
│ │ └── [ 59M] 9-特征组合汇总.mp4
│ ├──6_旷视研究院最新算法解读（基于图模型）/
│ │ ├── [ 26M] 1-关键点位置特征构建.mp4
│ │ ├── [ 30M] 2-图卷积与匹配的作用.mp4
│ │ ├── [ 33M] 3-局部特征热度图计算.mp4
│ │ ├── [ 39M] 4-基于图卷积构建人体拓扑关系.mp4
│ │ ├── [ 36M] 5-图卷积模块实现方法.mp4
│ │ ├── [ 21M] 6-图匹配在行人重识别中的作用.mp4
│ │ └── [ 31M] 7-整体算法框架分析.mp4
│ └──7_基于拓扑图的行人重识别项目实战/
│ ├── [ 61M] 1-数据集与环境配置概述.mp4
│ ├── [ 88M] 10-整体项目总结.mp4
│ ├── [ 59M] 2-局部特征准备方法.mp4
│ ├── [ 52M] 3-得到一阶段热度图结果.mp4
│ ├── [ 96M] 4-阶段监督训练.mp4
│ ├── [ 46M] 5-初始化图卷积模型.mp4
│ ├── [ 47M] 6-mask矩阵的作用.mp4
│ ├── [ 58M] 7-邻接矩阵学习与更新.mp4
│ ├── [ 76M] 8-基于拓扑结构组合关键点特征.mp4
│ └── [ 81M] 9-图匹配模块计算流程.mp4
├──16_对抗生成网络实战/
│ ├──1_课程介绍/
│ │ └── [ 35M] 课程介绍.mp4
│ ├──2_对抗生成网络架构原理与实战解析/
│ │ ├── [ 23M] 1-对抗生成网络通俗解释.mp4
│ │ ├── [ 15M] 2-GAN网络组成.mp4
│ │ ├── [ 49M] 3-损失函数解释说明.mp4
│ │ ├── [ 37M] 4-数据读取模块.mp4
│ │ └── [ 67M] 5-生成与判别网络定义.mp4
│ ├──3_基于CycleGan开源项目实战图像合成/
│ │ ├── [ 44M] 1-CycleGan网络所需数据.mp4
│ │ ├── [ 45M] 10-额外补充：VISDOM可视化配置.mp4
│ │ ├── [ 30M] 2-CycleGan整体网络架构.mp4
│ │ ├── [ 16M] 3-PatchGan判别网络原理.mp4
│ │ ├── [ 53M] 4-Cycle开源项目简介.mp4
│ │ ├── [ 60M] 5-数据读取与预处理操作.mp4
│ │ ├── [ 61M] 6-生成网络模块构造.mp4
│ │ ├── [ 24M] 7-判别网络模块构造.mp4
│ │ ├── [ 45M] 8-损失函数：identity loss计算方法.mp4
│ │ └── [ 76M] 9-生成与判别损失函数指定.mp4
│ ├──4_stargan论文架构解析/
│ │ ├── [ 40M] 1-stargan效果演示分析.mp4
│ │ ├── [ 35M] 2-网络架构整体思路解读.mp4
│ │ ├── [ 57M] 3-建模流程分析.mp4
│ │ ├── [ 62M] 4-V1版本存在的问题及后续改进思路.mp4
│ │ ├── [ 55M] 5-V2版本在整体网络架构.mp4
│ │ ├── [ 47M] 6-编码器训练方法.mp4
│ │ ├── [ 57M] 7-损失函数公式解析.mp4
│ │ └── [ 40M] 8-训练过程分析.mp4
│ ├──5_stargan项目实战及其源码解读/
│ │ ├── [ 26M] 1-项目配置与数据源下载.mp4
│ │ ├── [ 27M] 10-测试模块效果与实验分析.mp4
│ │ ├── [ 45M] 2-测试效果演示.mp4
│ │ ├── [ 34M] 3-项目参数解析.mp4
│ │ ├── [ 62M] 4-生成器模块源码解读.mp4
│ │ ├── [ 56M] 5-所有网络模块构建实例.mp4
│ │ ├── [ 61M] 6-数据读取模块分析.mp4
│ │ ├── [ 41M] 7-判别器损失计算.mp4
│ │ ├── [ 60M] 8-损失计算详细过程.mp4
│ │ └── [ 82M] 9-生成模块损失计算.mp4
│ ├──6_基于starganvc2的变声器论文原理解读/
│ │ ├── [ 42M] 1-论文整体思路与架构解读.mp4
│ │ ├── [ 28M] 2-VCC2016输入数据.mp4
│ │ ├── [ 42M] 3-语音特征提取.mp4
│ │ ├── [ 21M] 4-生成器模型架构分析.mp4
│ │ ├── [ 26M] 5-InstanceNorm的作用解读.mp4
│ │ ├── [ 18M] 6-AdaIn的目的与效果.mp4
│ │ └── [212M] 7-判别器模块分析.mp4
│ ├──7_starganvc2变声器项目实战及其源码解读/
│ │ ├── [ 30M] 1-数据与项目文件解读.mp4
│ │ ├── [ 38M] 10-源码损失计算流程.mp4
│ │ ├── [ 55M] 11-测试模块-生成转换语音.mp4
│ │ ├── [ 55M] 2-环境配置与工具包安装.mp4
│ │ ├── [126M] 3-数据预处理与声音特征提取.mp4
│ │ ├── [ 51M] 4-生成器构造模块解读.mp4
│ │ ├── [ 43M] 5-下采样与上采样操作.mp4
│ │ ├── [ 48M] 6-starganvc2版本标签输入分析.mp4
│ │ ├── [ 34M] 7-生成器前向传播维度变化.mp4
│ │ ├── [ 45M] 8-判别器模块解读.mp4
│ │ └── [116M] 9-论文损失函数.mp4
│ ├──8_图像超分辨率重构实战/
│ │ ├── [ 60M] 1-论文概述.mp4
│ │ ├── [136M] 2-网络架构.mp4
│ │ ├── [ 37M] 3-数据与环境配置.mp4
│ │ ├── [ 42M] 4-数据加载与配置.mp4
│ │ ├── [ 57M] 5-生成模块.mp4
│ │ ├── [ 50M] 6-判别模块.mp4
│ │ ├── [ 43M] 7-VGG特征提取网络.mp4
│ │ ├── [117M] 8-损失函数与训练.mp4
│ │ └── [110M] 9-测试模块.mp4
│ └──9_基于GAN的图像补全实战/
│ ├── [ 90M] 1-.论文概述.mp4
│ ├── [ 40M] 2-网络架构11.mp4
│ ├── [ 77M] 3- 细节设计.mp4
│ ├── [ 80M] 4- 论文总结.mp4
│ ├── [ 49M] 5- 数据与项目概述.mp4
│ ├── [ 84M] 6- 参数基本设计.mp4
│ ├── [ 90M] 7- 网络结构配置.mp4
│ ├── [122M] 8- 网络迭代训练.mp4
│ └── [ 87M] 9- 测试模块.mp4
├──17_强化学习实战系列/
│ ├──1_强化学习简介及其应用/
│ │ ├── [ 22M] 1-一张图通俗解释强化学习.mp4
│ │ ├── [ 29M] 2-强化学习的指导依据.mp4
│ │ ├── [ 29M] 3-强化学习AI游戏DEMO.mp4
│ │ ├── [ 23M] 4-应用领域简介.mp4
│ │ ├── [ 19M] 5-强化学习工作流程.mp4
│ │ └── [ 27M] 6-计算机眼中的状态与行为.mp4
│ ├──2_PPO算法与公式推导/
│ │ ├── [ 40M] 1-基本情况介绍.mp4
│ │ ├── [ 31M] 2-与环境交互得到所需数据.mp4
│ │ ├── [ 33M] 3-要完成的目标分析.mp4
│ │ ├── [ 30M] 4-策略梯度推导.mp4
│ │ ├── [ 18M] 5-baseline方法.mp4
│ │ ├── [ 27M] 6-OnPolicy与OffPolicy策略.mp4
│ │ ├── [ 30M] 7-importance sampling的作用.mp4
│ │ └── [ 36M] 8-PPO算法整体思路解析.mp4
│ ├──3_PPO实战-月球登陆器训练实例/
│ │ ├── [ 43M] 1-Critic的作用与效果.mp4
│ │ ├── [ 42M] 2-PPO2版本公式解读.mp4
│ │ ├── [ 38M] 3-参数与网络结构定义.mp4
│ │ ├── [ 36M] 4-得到动作结果.mp4
│ │ ├── [ 44M] 5-奖励获得与计算.mp4
│ │ └── [ 63M] 6-参数迭代与更新.mp4
│ ├──4_Q-learning与DQN算法/
│ │ ├── [ 30M] 1-算法原理通俗解读.mp4
│ │ ├── [ 33M] 2-目标函数与公式解析.mp4
│ │ ├── [ 21M] 3-Qlearning算法实例解读.mp4
│ │ ├── [ 31M] 4-Q值迭代求解.mp4
│ │ └── [ 19M] 5-DQN简介.mp4
│ ├──5_DQN算法实例演示/
│ │ ├── [ 25M] 1-整体任务流程演示.mp4
│ │ ├── [ 35M] 2-探索与action获取.mp4
│ │ ├── [ 27M] 3-计算target值.mp4
│ │ └── [ 40M] 4-训练与更新.mp4
│ ├──6_DQN改进与应用技巧/
│ │ ├── [ 23M] 1-DoubleDqn要解决的问题.mp4
│ │ ├── [ 24M] 2-DuelingDqn改进方法.mp4
│ │ ├── [ 28M] 3-Dueling整体网络架构分析.mp4
│ │ ├── [9.7M] 4-MultiSetp策略.mp4
│ │ └── [ 30M] 5-连续动作处理方法.mp4
│ ├──7_Actor-Critic算法分析（A3C）/
│ │ ├── [ 23M] 1-AC算法回顾与知识点总结.mp4
│ │ ├── [ 27M] 2-优势函数解读与分析.mp4
│ │ ├── [ 22M] 3-计算流程实例.mp4
│ │ ├── [ 22M] 4-A3C整体架构分析.mp4
│ │ └── [ 31M] 5-损失函数整理.mp4
│ └──8_用A3C玩转超级马里奥/
│ ├── [ 32M] 1-整体流程与环境配置.mp4
│ ├── [ 38M] 2-启动游戏环境.mp4
│ ├── [ 45M] 3-要计算的指标回顾.mp4
│ ├── [ 40M] 4-初始化局部模型并加载参数.mp4
│ ├── [ 50M] 5-与环境交互得到训练数据.mp4
│ └── [ 56M] 6-训练网络模型.mp4
├──18_面向医学领域的深度学习实战/
│ ├──10_基于deeplab的心脏视频数据诊断分析/
│ │ ├── [ 46M] 1-数据集与任务概述1.mp4
│ │ ├── [ 39M] 2-项目基本配置参数1.mp4
│ │ ├── [ 80M] 3-任务流程解读1.mp4
│ │ ├── [141M] 4-文献报告分析1.mp4
│ │ ├── [ 35M] 5-补充：视频数据源特征处理方法概述1.mp4
│ │ └── [ 25M] 6-补充：R(2plus1)D处理方法分析1.mp4
│ ├──11_YOLO系列物体检测算法原理解读/
│ │ ├── [ 17M] 1-V2版本细节升级概述.mp4
│ │ ├── [ 23M] 1-V3版本改进概述.mp4
│ │ ├── [ 18M] 1-V4版本整体概述.mp4
│ │ ├── [ 22M] 1-YOLO算法整体思路解读.mp4
│ │ ├── [ 21M] 1-检测任务中阶段的意义.mp4
│ │ ├── [ 28M] 10-PAN模块解读.mp4
│ │ ├── [ 26M] 11-激活函数与整体架构总结.mp4
│ │ ├── [ 12M] 2-V4版本贡献解读.mp4
│ │ ├── [ 14M] 2-不同阶段算法优缺点分析.mp4
│ │ ├── [ 25M] 2-多scale方法改进与特征融合.mp4
│ │ ├── [ 20M] 2-检测算法要得到的结果.mp4
│ │ ├── [ 22M] 2-网络结构特点.mp4
│ │ ├── [ 17M] 3-IOU指标计算.mp4
│ │ ├── [ 35M] 3-数据增强策略分析.mp4
│ │ ├── [ 44M] 3-整体网络架构解读.mp4
│ │ ├── [ 25M] 3-架构细节解读.mp4
│ │ ├── [ 16M] 3-经典变换方法对比分析.mp4
│ │ ├── [ 26M] 4-DropBlock与标签平滑方法.mp4
│ │ ├── [ 27M] 4-位置损失计算.mp4
│ │ ├── [ 33M] 4-基于聚类来选择先验框尺寸.mp4
│ │ ├── [ 25M] 4-残差连接方法解读.mp4
│ │ ├── [ 36M] 4-评估所需参数计算.mp4
│ │ ├── [ 25M] 5-map指标计算.mp4
│ │ ├── [ 39M] 5-偏移量计算方法.mp4
│ │ ├── [ 20M] 5-损失函数遇到的问题.mp4
│ │ ├── [ 17M] 5-整体网络模型架构分析.mp4
│ │ ├── [ 39M] 5-置信度误差与优缺点分析.mp4
│ │ ├── [ 13M] 6-CIOU损失函数定义.mp4
│ │ ├── [ 19M] 6-先验框设计改进.mp4
│ │ ├── [ 13M] 6-坐标映射与还原.mp4
│ │ ├── [ 21M] 7-NMS细节改进.mp4
│ │ ├── [ 14M] 7-sotfmax层改进.mp4
│ │ ├── [ 38M] 7-感受野的作用.mp4
│ │ ├── [ 18M] 8-SPP与CSP网络结构.mp4
│ │ ├── [ 28M] 8-特征融合改进.mp4
│ │ ├── [ 30M] 9-SAM注意力机制模块.mp4
│ │ └── [1.7K] 目录.txt
│ ├──12_基于YOLO5细胞检测实战/
│ │ ├── [ 50M] 1-任务与细胞数据集介绍.mp4
│ │ ├── [ 42M] 2-模型与算法配置参数解读.mp4
│ │ ├── [ 42M] 3-网络训练流程演示.mp4
│ │ ├── [ 33M] 4-效果评估与展示.mp4
│ │ └── [ 43M] 5-细胞检测效果演示.mp4
│ ├──13_知识图谱原理解读/
│ │ ├── [ 27M] 1-数据关系抽取分析.mp4
│ │ ├── [ 20M] 1-知识图谱通俗解读.mp4
│ │ ├── [ 22M] 2-常用NLP技术点分析.mp4
│ │ ├── [ 27M] 2-知识图谱在搜索引擎中的应用.mp4
│ │ ├── [ 26M] 3-graph-embedding的作用与效果.mp4
│ │ ├── [103M] 3-知识图谱在医疗领域应用实例.mp4
│ │ ├── [ 20M] 4-金融与推荐领域的应用.mp4
│ │ ├── [ 13M] 4-金融领域图编码实例.mp4
│ │ ├── [ 36M] 5-数据获取分析.mp4
│ │ ├── [ 28M] 5-视觉领域图编码实例.mp4
│ │ ├── [ 34M] 6-图谱知识融合与总结分析.mp4
│ │ └── [ 586] 目录.txt
│ ├──14_Neo4j数据库实战/
│ │ ├── [ 73M] 1-Neo4j图数据库介绍.mp4
│ │ ├── [ 33M] 2-Neo4j数据库安装流程演示.mp4
│ │ ├── [ 50M] 3-可视化例子演示.mp4
│ │ ├── [ 33M] 4-创建与删除操作演示.mp4
│ │ └── [ 36M] 5-数据库更改查询操作演示.mp4
│ ├──15_基于知识图谱的医药问答系统实战/
│ │ ├── [ 44M] 1-项目概述与整体架构分析.mp4
│ │ ├── [ 53M] 10-完成对话系统构建.mp4
│ │ ├── [ 72M] 2-医疗数据介绍及其各字段含义.mp4
│ │ ├── [ 43M] 3-任务流程概述.mp4
│ │ ├── [ 42M] 4-环境配置与所需工具包安装.mp4
│ │ ├── [ 61M] 5-提取数据中的关键字段信息.mp4
│ │ ├── [ 47M] 5-数据获取分析.mp4
│ │ ├── [ 45M] 6-创建关系边.mp4
│ │ ├── [ 63M] 7-打造医疗知识图谱模型.mp4
│ │ ├── [ 44M] 8-加载所有实体数据.mp4
│ │ └── [ 40M] 9-实体关键词字典制作.mp4
│ ├──16_词向量模型与RNN网络架构/
│ │ ├── [ 22M] 2-1词向量模型通俗解释.mp4
│ │ ├── [ 28M] 3-1模型整体框架.mp4
│ │ ├── [ 16M] 4-1训练数据构建.mp4
│ │ ├── [ 24M] 5-1CBOW与Skip-gram模型.mp4
│ │ ├── [ 30M] 6-1负采样方案.mp4
│ │ ├── [ 304] 目录.txt
│ │ └── [ 24M] 额外补充-RNN网络模型解读.mp4
│ ├──17_医学糖尿病数据命名实体识别/
│ │ ├── [ 23M] 1-数据与任务介绍1.mp4
│ │ ├── [ 15M] 2-整体模型架构1.mp4
│ │ ├── [ 40M] 3-数据-标签-语料库处理1.mp4
│ │ ├── [ 36M] 4-输入样本填充补齐1.mp4
│ │ ├── [ 40M] 5-训练网络模型1.mp4
│ │ └── [ 81M] 6-医疗数据集（糖尿病）实体识别1.mp4
│ ├──1_卷积神经网络原理与参数解读/
│ │ ├── [ 32M] 1-1卷积神经网络应用领域.mp4
│ │ ├── [ 25M] 10-1VGG网络架构.mp4
│ │ ├── [ 26M] 11-1残差网络Resnet.mp4
│ │ ├── [ 19M] 12-感受野的作用.mp4
│ │ ├── [ 32M] 2-1卷积的作用.mp4
│ │ ├── [ 30M] 3-1卷积特征值计算方法.mp4
│ │ ├── [ 25M] 4-1得到特征图表示.mp4
│ │ ├── [ 28M] 5-1步长与卷积核大小对结果的影响.mp4
│ │ ├── [ 23M] 6-1边缘填充方法.mp4
│ │ ├── [ 29M] 7-1特征图尺寸计算与参数共享.mp4
│ │ ├── [ 14M] 8-1池化层的作用.mp4
│ │ └── [ 22M] 9-1整体网络架构.mp4
│ ├──2_PyTorch框架基本处理操作/
│ │ ├── [ 23M] 1-PyTorch实战课程简介.mp4
│ │ ├── [ 35M] 2-PyTorch框架发展趋势简介1.mp4
│ │ ├── [ 23M] 3-框架安装方法（CPU与GPU版本）1.mp4
│ │ ├── [ 39M] 4-PyTorch基本操作简介1.mp4
│ │ ├── [ 48M] 5-自动求导机制.mp4
│ │ ├── [ 31M] 6线性回归DEMO-数据与参数配置1.mp4
│ │ ├── [ 52M] 7线性回归DEMO-训练回归模型1.mp4
│ │ ├── [ 28M] 8常见tensor格式1.mp4
│ │ └── [ 68M] 9Hub模块简介1.mp4
│ ├──3_PyTorch框架必备核心模块解读/
│ │ ├── [ 34M] 1-卷积网络参数定义1.mp4
│ │ ├── [ 60M] 10-加载训练好的网络模型1.mp4
│ │ ├── [ 25M] 11-优化器模块配置1.mp4
│ │ ├── [ 45M] 12-实现训练模块1.mp4
│ │ ├── [ 58M] 13-训练结果与模型保存1.mp4
│ │ ├── [ 83M] 14-加载模型对测试数据进行预测1.mp4
│ │ ├── [159M] 15-额外补充-Resnet论文解读1.mp4
│ │ ├── [ 27M] 16-额外补充-Resnet网络架构解读1.mp4
│ │ ├── [ 62M] 2-网络流程解读1.mp4
│ │ ├── [ 32M] 3-Vision模块功能解读1.mp4
│ │ ├── [ 35M] 4-分类任务数据集定义与配置1.mp4
│ │ ├── [ 15M] 5-图像增强的作用1.mp4
│ │ ├── [ 49M] 6-数据预处理与数据增强模块1.mp4
│ │ ├── [ 53M] 7-Batch数据制作1.mp4
│ │ ├── [ 17M] 8-迁移学习的目标1.mp4
│ │ └── [ 22M] 9-迁移学习策略1.mp4
│ ├──4_基于Resnet的医学数据集分类实战/
│ │ ├── [ 26M] 1-医学疾病数据集介绍.mp4
│ │ ├── [ 37M] 2-Resnet网络架构原理分析.mp4
│ │ ├── [ 70M] 3-dataloader加载数据集.mp4
│ │ ├── [ 42M] 4-Resnet网络前向传播.mp4
│ │ ├── [ 55M] 5-残差网络的shortcut操作.mp4
│ │ ├── [ 37M] 6-特征图升维与降采样操作.mp4
│ │ └── [ 83M] 7-网络整体流程与训练演示.mp4
│ ├──5_图像分割及其损失函数概述/
│ │ ├── [ 27M] 1-语义分割与实例分割概述.mp4
│ │ ├── [ 26M] 2-分割任务中的目标函数定义.mp4
│ │ └── [ 13M] 3-MIOU评估标准.mp4
│ ├──6_Unet系列算法讲解/
│ │ ├── [ 24M] 1-Unet网络编码与解码过程.mp4
│ │ ├── [ 21M] 2-网络计算流程1.mp4
│ │ ├── [ 21M] 3-Unet升级版本改进1.mp4
│ │ └── [ 25M] 4-后续升级版本介绍1.mp4
│ ├──7_unet医学细胞分割实战/
│ │ ├── [ 70M] 1-医学细胞数据集介绍与参数配置.mp4
│ │ ├── [ 65M] 2-数据增强工具.mp4
│ │ ├── [ 51M] 3-Debug模式演示网络计算流程.mp4
│ │ ├── [ 36M] 4-特征融合方法演示.mp4
│ │ ├── [ 43M] 5-迭代完成整个模型计算任务.mp4
│ │ └── [ 40M] 6-模型效果验证.mp4
│ ├──8_deeplab系列算法/
│ │ ├── [ 19M] 1-deeplab分割算法概述.mp4
│ │ ├── [ 21M] 2-空洞卷积的作用.mp4
│ │ ├── [ 26M] 3-感受野的意义.mp4
│ │ ├── [ 26M] 4-SPP层的作用.mp4
│ │ ├── [ 17M] 5-ASPP特征融合策略.mp4
│ │ └── [ 33M] 6-deeplabV3Plus版本网络架构.mp4
│ └──9_基于deeplabV3+版本进行VOC分割实战/
│ ├── [ 57M] 1-PascalVoc数据集介绍.mp4
│ ├── [ 70M] 2-项目参数与数据集读取.mp4
│ ├── [ 40M] 3-网络前向传播流程.mp4
│ ├── [ 62M] 4-ASPP层特征融合.mp4
│ └── [ 43M] 5-分割模型训练.mp4
├──19_深度学习模型部署与剪枝优化实战/
│ ├──3_pyTorch框架部署实践/
│ │ ├── [9.5M] 0-课程简介12.mp4
│ │ ├── [ 28M] 1-所需基本环境配置.mp4
│ │ ├── [ 46M] 2-模型加载与数据预处理.mp4
│ │ ├── [ 49M] 3-接收与预测模块实现.mp4
│ │ └── [ 55M] 4-效果实例演示.mp4
│ ├──4_YOLO-V3物体检测部署实例/
│ │ ├── [ 34M] 1-项目所需配置文件介绍.mp4
│ │ ├── [ 46M] 2-加载参数与模型权重.mp4
│ │ ├── [ 61M] 3-数据预处理.mp4
│ │ └── [ 55M] 4-返回线性预测结果.mp4
│ ├──5_docker实例演示/
│ │ ├── [ 21M] 1-docker简介.mp4
│ │ ├── [ 61M] 2-docker安装与配置.mp4
│ │ ├── [ 32M] 3-阿里云镜像配置.mp4
│ │ ├── [ 49M] 4-基于docker配置pytorch环境.mp4
│ │ ├── [ 41M] 5-安装演示环境所需依赖.mp4
│ │ ├── [ 36M] 6-复制所需配置到容器中.mp4
│ │ └── [ 59M] 7-上传与下载配置好的项目.mp4
│ ├──6_tensorflow-serving实战/
│ │ ├── [ 35M] 1-tf-serving项目获取与配置.mp4
│ │ ├── [ 41M] 2-加载并启动模型服务.mp4
│ │ ├── [ 56M] 3-测试模型部署效果.mp4
│ │ ├── [ 43M] 4-fashion数据集获取.mp4
│ │ └── [ 34M] 5-加载fashion模型启动服务.mp4
│ ├──7_模型剪枝-Network Slimming算法分析/
│ │ ├── [ 26M] 1-论文算法核心框架概述.mp4
│ │ ├── [ 25M] 2-BatchNorm要解决的问题.mp4
│ │ ├── [ 27M] 3-BN的本质作用.mp4
│ │ ├── [ 27M] 4-额外的训练参数解读.mp4
│ │ └── [ 33M] 5-稀疏化原理与效果.mp4
│ ├──8_模型剪枝-Network Slimming实战解读/
│ │ ├── [ 47M] 1-整体案例流程解读.mp4
│ │ ├── [ 34M] 2-加入L1正则化来进行更新.mp4
│ │ ├── [ 35M] 3-剪枝模块介绍.mp4
│ │ ├── [ 41M] 4-筛选需要的特征图.mp4
│ │ ├── [ 63M] 5-剪枝后模型参数赋值.mp4
│ │ └── [ 55M] 6-微调完成剪枝模型.mp4
│ └──9_Mobilenet三代网络模型架构/
│ ├── [ 27M] 1-模型剪枝分析.mp4
│ ├── [ 15M] 10-V2整体架构与效果分析.mp4
│ ├── [ 15M] 11-V3版本网络架构分析.mp4
│ ├── [ 46M] 12-SE模块作用与效果解读.mp4
│ ├── [ 87M] 13-代码实现mobilenetV3网络架构.mp4
│ ├── [ 29M] 2-常见剪枝方法介绍.mp4
│ ├── [ 11M] 3-mobilenet简介.mp4
│ ├── [ 18M] 4-经典卷积计算量与参数量分析.mp4
│ ├── [ 19M] 5-深度可分离卷积的作用与效果.mp4
│ ├── [ 56M] 6-参数与计算量的比较.mp4
│ ├── [ 35M] 7-V1版本效果分析.mp4
│ ├── [ 26M] 8-V2版本改进以及Relu激活函数的问题.mp4
│ └── [ 22M] 9-倒残差结构的作用.mp4
├──20_自然语言处理经典案例实战/
│ └──20_自然语言处理经典案例实战/
│ ├──10_NLP-文本特征方法对比/
│ │ ├── [ 55M] 1.1-任务概述.mp4
│ │ ├── [ 35M] 2-词袋模型.mp4
│ │ ├── [ 72M] 3-词袋模型分析.mp4
│ │ ├── [ 56M] 4-TFIDF模型.mp4
│ │ ├── [ 73M] 5-word2vec词向量模型.mp4
│ │ └── [ 42M] 6-深度学习模型.mp4
│ ├──11_NLP-相似度模型/
│ │ ├── [ 14M] 1.任务概述.mp4
│ │ ├── [ 29M] 2-数据展示.mp4
│ │ ├── [ 43M] 3-正负样本制作.mp4
│ │ ├── [ 40M] 4-数据预处理.mp4
│ │ ├── [ 67M] 5-网络模型定义.mp4
│ │ ├── [ 76M] 6-基于字符的训练.mp4
│ │ └── [ 48M] 7-基于句子的相似度训练.mp4
│ ├──12_LSTM情感分析/
│ │ ├── [ 26M] 1-RNN网络架构.mp4
│ │ ├── [ 28M] 2-LSTM网络架构.mp4
│ │ ├── [ 47M] 3-案例：使用LSTM进行情感分类.mp4
│ │ ├── [ 48M] 4-情感数据集处理.mp4
│ │ └── [ 73M] 5-基于word2vec的LSTM模型.mp4
│ ├──13_机器人写唐诗/
│ │ ├── [ 14M] 1.1.1-任务概述与环境配置.mp4
│ │ ├── [ 33M] 2-参数配置.mp4
│ │ ├── [ 45M] 3-数据预处理模块.mp4
│ │ ├── [ 39M] 4-batch数据制作.mp4
│ │ ├── [ 25M] 5-RNN模型定义.mp4
│ │ ├── [ 42M] 6-完成训练模块.mp4
│ │ ├── [ 15M] 7-训练唐诗生成模型.mp4
│ │ └── [ 31M] 8-测试唐诗生成效果.mp4
│ ├──14_对话机器人/
│ │ ├── [ 38M] 1-效果演示.mp4
│ │ ├── [ 62M] 2-参数配置与数据加载.mp4
│ │ ├── [ 53M] 3-数据处理.mp4
│ │ ├── [ 49M] 4-词向量与投影.mp4
│ │ ├── [ 38M] 5-seq网络.mp4
│ │ └── [ 50M] 6-网络训练.mp4
│ ├──1_NLP常用工具包实战/
│ │ ├── [ 65M] 1-Python字符串处理.mp4
│ │ ├── [ 30M] 10-名字实体匹配.mp4
│ │ ├── [ 50M] 11-恐怖袭击分析.mp4
│ │ ├── [ 80M] 12-统计分析结果.mp4
│ │ ├── [ 40M] 13-结巴分词器.mp4
│ │ ├── [ 98M] 14-词云展示.mp4
│ │ ├── [ 41M] 2-正则常用符号.mp4
│ │ ├── [ 36M] 2-正则表达式基本语法.mp4
│ │ ├── [ 53M] 4-常用函数介绍.mp4
│ │ ├── [ 42M] 5-NLTK工具包简介.mp4
│ │ ├── [ 35M] 6-停用词过滤.mp4
│ │ ├── [ 45M] 7-词性标注.mp4
│ │ ├── [ 56M] 8-数据清洗实例.mp4
│ │ └── [ 53M] 9-Spacy工具包.mp4
│ ├──2_商品信息可视化与文本分析/
│ │ ├── [ 40M] 1-任务概述.mp4
│ │ ├── [ 49M] 2-商品类别划分.mp4
│ │ ├── [ 49M] 3-商品类别可视化展示.mp4
│ │ ├── [ 34M] 4-描述长度对价格的影响.mp4
│ │ ├── [ 67M] 5-词云展示.mp4
│ │ ├── [ 44M] 6-tf-idf结果.mp4
│ │ ├── [ 50M] 7-降维可视化展示.mp4
│ │ └── [ 73M] 8-聚类与主题模型.mp4
│ ├──3_贝叶斯算法/
│ │ ├── [ 16M] 1-贝叶斯算法概述.mp4
│ │ ├── [ 16M] 2-贝叶斯推导实例.mp4
│ │ ├── [ 26M] 3-贝叶斯拼写纠错实例.mp4
│ │ ├── [ 31M] 4-垃圾邮件过滤实例.mp4
│ │ └── [ 50M] 5-贝叶斯实现拼写检查器.mp4
│ ├──4_新闻分类任务实战/
│ │ ├── [ 25M] 1-文本分析与关键词提取.mp4
│ │ ├── [ 29M] 2-相似度计算.mp4
│ │ ├── [ 43M] 3-新闻数据与任务简介.mp4
│ │ ├── [ 63M] 4-TF-IDF关键词提取.mp4
│ │ ├── [ 40M] 5-LDA建模.mp4
│ │ └── [ 75M] 6-基于贝叶斯算法进行新闻分类.mp4
│ ├──5_HMM隐马尔科夫模型/
│ │ ├── [ 24M] 1-马尔科夫模型.mp4
│ │ ├── [ 62M] 10-维特比算法.mp4
│ │ ├── [ 25M] 2-隐马尔科夫模型基本出发点.mp4
│ │ ├── [ 18M] 3-组成与要解决的问题.mp4
│ │ ├── [ 37M] 4-暴力求解方法.mp4
│ │ ├── [ 19M] 5-复杂度计算.mp4
│ │ ├── [ 49M] 6-前向算法.mp4
│ │ ├── [ 46M] 7-前向算法求解实例.mp4
│ │ ├── [ 36M] 8-Baum-Welch算法.mp4
│ │ └── [ 22M] 9-参数求解.mp4
│ ├──6_HMM工具包实战/
│ │ ├── [ 28M] 1-hmmlearn工具包.mp4
│ │ ├── [ 70M] 2-工具包使用方法.mp4
│ │ ├── [ 17M] 3-中文分词任务.mp4
│ │ └── [ 46M] 4-实现中文分词.mp4
│ ├──7_语言模型/
│ │ ├── [ 13M] 1-开篇.mp4
│ │ ├── [ 15M] 10-负采样模型.mp4
│ │ ├── [ 13M] 2-语言模型.mp4
│ │ ├── [ 20M] 3-N-gram模型.mp4
│ │ ├── [ 19M] 4-词向量.mp4
│ │ ├── [ 24M] 5-神经网络模型.mp4
│ │ ├── [ 24M] 6-Hierarchical Softmax.mp4
│ │ ├── [ 30M] 7-CBOW模型实例.mp4
│ │ ├── [ 14M] 8-CBOW求解目标.mp4
│ │ └── [ 26M] 9-锑度上升求解.mp4
│ ├──8_使用Gemsim构建词向量/
│ │ ├── [ 25M] 1-使用Gensim库构造词向量.mp4
│ │ ├── [ 35M] 2-维基百科中文数据处理.mp4
│ │ ├── [ 31M] 3-Gensim构造word2vec模型.mp4
│ │ └── [ 29M] 4-测试模型相似度结果.mp4
│ └──9_基于word2vec的分类任务/
│ ├── [ 69M] 1-影评情感分类.mp4
│ ├── [ 35M] 2-基于词袋模型训练分类器.mp4
│ ├── [ 35M] 3-准备word2vec输入数据.mp4
│ └── [ 85M] 4-使用gensim构建word2vec词向量（新）.mp4
├──21_自然语言处理通用框架-BERT实战/
│ └──21_自然语言处理通用框架-BERT实战/
│ ├──1_自然语言处理通用框架BERT原理解读/
│ │ ├── [ 46M] 1-BERT课程简介.mp4
│ │ ├── [ 27M] 10-BERT模型训练方法.mp4
│ │ ├── [ 33M] 11-训练实例.mp4
│ │ ├── [ 14M] 2-BERT任务目标概述.mp4
│ │ ├── [ 31M] 2-传统解决方案遇到的问题.mp4
│ │ ├── [ 20M] 3-注意力机制的作用.mp4
│ │ ├── [ 33M] 4-self-attention计算方法.mp4
│ │ ├── [ 29M] 5-特征分配与softmax机制.mp4
│ │ ├── [ 27M] 7-Multi-head的作用.mp4
│ │ ├── [ 23M] 8-位置编码与多层堆叠.mp4
│ │ └── [ 22M] 9-transformer整体架构梳理.mp4
│ ├──2_谷歌开源项目BERT源码解读与应用实例/
│ │ ├── [ 47M] 1-BERT开源项目简介.mp4
│ │ ├── [ 63M] 10-构建QKV矩阵.mp4
│ │ ├── [ 52M] 11-完成Transformer模块构建.mp4
│ │ ├── [ 72M] 12-训练BERT模型.mp4
│ │ ├── [100M] 2-项目参数配置.mp4
│ │ ├── [ 56M] 3-数据读取模块.mp4
│ │ ├── [ 50M] 4-数据预处理模块.mp4
│ │ ├── [ 65M] 5-tfrecord制作.mp4
│ │ ├── [ 38M] 6-Embedding层的作用.mp4
│ │ ├── [ 51M] 7-加入额外编码特征.mp4
│ │ ├── [ 30M] 8-加入位置编码特征.mp4
│ │ └── [ 46M] 9-mask机制.mp4
│ ├──3_项目实战-基于BERT的中文情感分析实战/
│ │ ├── [ 94M] 1-中文分类数据与任务概述.mp4
│ │ ├── [ 61M] 2-读取处理自己的数据集.mp4
│ │ └── [ 82M] 3-训练BERT中文分类模型.mp4
│ ├──4_项目实战-基于BERT的中文命名实体识别识别实战/
│ │ ├── [ 43M] 1-命名实体识别数据分析与任务目标.mp4
│ │ ├── [ 78M] 2-NER标注数据处理与读取.mp4
│ │ └── [ 65M] 3-构建BERT与CRF模型.mp4
│ ├──5_必备基础知识点-woed2vec模型通俗解读/
│ │ ├── [ 30M] 1-词向量模型通俗解释.mp4
│ │ ├── [ 32M] 2-模型整体框架.mp4
│ │ ├── [ 20M] 3-训练数据构建.mp4
│ │ ├── [ 33M] 4-CBOW与Skip-gram模型.mp4
│ │ └── [ 45M] 5-负采样方案.mp4
│ ├──6_必备基础-掌握Tensorflow如何实现word2vec模型/
│ │ ├── [ 50M] 1-数据与任务流程.mp4
│ │ ├── [ 30M] 2-数据清洗.mp4
│ │ ├── [ 62M] 3-batch数据制作.mp4
│ │ ├── [ 68M] 4-网络训练.mp4
│ │ └── [ 59M] 5-可视化展示.mp4
│ ├──7_必备基础知识点-RNN网络架构与情感分析应用实例/
│ │ ├── [ 35M] 1-RNN网络模型解读.mp4
│ │ ├── [ 48M] 2-NLP应用领域与任务简介.mp4
│ │ ├── [ 52M] 3-项目流程解读.mp4
│ │ ├── [ 40M] 4-加载词向量特征.mp4
│ │ ├── [ 48M] 5-正负样本数据读取.mp4
│ │ ├── [ 58M] 6-构建LSTM网络模型.mp4
│ │ ├── [101M] 7-训练与测试效果.mp4
│ │ └── [717M] 第十二课：LSTM情感分析.mp4
│ └──8_医学糖尿病数据命名实体识别/
│ ├── [ 23M] 1-数据与任务介绍1.mp4
│ ├── [ 15M] 2-整体模型架构1.mp4
│ ├── [ 40M] 3-数据-标签-语料库处理1.mp4
│ ├── [ 36M] 4-输入样本填充补齐1.mp4
│ ├── [ 40M] 5-训练网络模型1.mp4
│ └── [ 81M] 6-医疗数据集（糖尿病）实体识别1.mp4
├──22_知识图谱实战系列/
│ └──22_知识图谱实战系列/
│ ├──1_知识图谱介绍及其应用领域分析/
│ │ ├── [ 20M] 1-知识图谱通俗解读.mp4
│ │ ├── [ 27M] 2-知识图谱在搜索引擎中的应用.mp4
│ │ ├── [103M] 3-知识图谱在医疗领域应用实例.mp4
│ │ ├── [ 20M] 4-金融与推荐领域的应用.mp4
│ │ └── [ 36M] 5-数据获取分析.mp4
│ ├──2_知识图谱涉及技术点分析/
│ │ ├── [ 27M] 1-数据关系抽取分析.mp4
│ │ ├── [ 22M] 2-常用NLP技术点分析.mp4
│ │ ├── [ 26M] 3-graph-embedding的作用与效果.mp4
│ │ ├── [ 13M] 4-金融领域图编码实例.mp4
│ │ ├── [ 21M] 5-视觉领域图编码实例.mp4
│ │ └── [ 24M] 6-图谱知识融合与总结分析.mp4
│ ├──3_Neo4j数据库实战/
│ │ ├── [ 63M] 1-Neo4j图数据库介绍.mp4
│ │ ├── [ 28M] 2-Neo4j数据库安装流程演示.mp4
│ │ ├── [ 44M] 3-可视化例子演示.mp4
│ │ ├── [ 25M] 4-创建与删除操作演示.mp4
│ │ └── [ 27M] 5-数据库更改查询操作演示.mp4
│ ├──4_使用python操作neo4j实例/
│ │ ├── [ 51M] 1-使用Py2neo建立连接.mp4
│ │ ├── [ 60M] 2-提取所需的指标信息.mp4
│ │ ├── [ 52M] 3-在图中创建实体.mp4
│ │ └── [ 67M] 4-根据给定实体创建关系.mp4
│ ├──5_基于知识图谱的医药问答系统实战/
│ │ ├── [ 37M] 1-项目概述与整体架构分析.mp4
│ │ ├── [ 39M] 10-完成对话系统构建.mp4
│ │ ├── [ 63M] 2-医疗数据介绍及其各字段含义.mp4
│ │ ├── [ 40M] 3-任务流程概述.mp4
│ │ ├── [ 36M] 4-环境配置与所需工具包安装.mp4
│ │ ├── [ 61M] 5-提取数据中的关键字段信息.mp4
│ │ ├── [ 39M] 6-创建关系边.mp4
│ │ ├── [ 59M] 7-打造医疗知识图谱模型.mp4
│ │ ├── [ 42M] 8-加载所有实体数据.mp4
│ │ └── [ 32M] 9-实体关键词字典制作.mp4
│ ├──6_文本关系抽取实践/
│ │ ├── [ 23M] 1-关系抽取要完成的任务演示与分析.mp4
│ │ ├── [ 58M] 2-LTP工具包概述介绍.mp4
│ │ ├── [ 46M] 3-pyltp安装与流程演示.mp4
│ │ ├── [ 45M] 4-得到分词与词性标注结果.mp4
│ │ ├── [ 34M] 5-依存句法概述.mp4
│ │ ├── [ 49M] 6-句法分析结果整理.mp4
│ │ ├── [ 70M] 7-语义角色构建与分析.mp4
│ │ └── [ 64M] 8-设计规则完成关系抽取.mp4
│ ├──7_金融平台风控模型实践/
│ │ ├── [ 25M] 1-竞赛任务目标.mp4
│ │ ├── [ 39M] 2-图模型信息提取.mp4
│ │ ├── [ 47M] 3-节点权重特征提取(PageRank).mp4
│ │ ├── [ 66M] 4-deepwalk构建图顶点特征.mp4
│ │ ├── [ 58M] 5-各项统计特征.mp4
│ │ ├── [ 46M] 6-app安装特征.mp4
│ │ └── [102M] 7-图中联系人特征.mp4
│ └──8_医学糖尿病数据命名实体识别/
│ ├── [ 23M] 1-数据与任务介绍1.mp4
│ ├── [ 15M] 2-整体模型架构1.mp4
│ ├── [ 40M] 3-数据-标签-语料库处理1.mp4
│ ├── [ 36M] 4-输入样本填充补齐1.mp4
│ ├── [ 40M] 5-训练网络模型1.mp4
│ └── [ 81M] 6-医疗数据集（糖尿病）实体识别1.mp4
├──23_语音识别实战系列/
│ └──23_语音识别实战系列/
│ ├──1_seq2seq序列网络模型/
│ │ ├── [ 17M] 1-序列网络模型概述分析.mp4
│ │ ├── [9.0M] 2-工作原理概述.mp4
│ │ ├──3.注意力机制的作用.txt
│ │ ├── [ 21M] 4-加入attention的序列模型整体架构.mp4
│ │ ├── [ 17M] 5-TeacherForcing的作用与训练策略.mp4
│ │ └── [ 24M] 额外补充-RNN网络模型解读.mp4
│ ├──2_LAS模型语音识别实战/
│ │ ├── [ 32M] 1-数据源与环境配置.mp4
│ │ ├── [ 25M] 2-语料表制作方法.mp4
│ │ ├── [ 38M] 3-制作json标注数据.mp4
│ │ ├── [ 63M] 4-声音数据处理模块解读.mp4
│ │ ├── [ 36M] 5-Pack与Pad操作解析.mp4
│ │ ├── [ 31M] 6-编码器模块整体流程.mp4
│ │ ├── [ 33M] 7-加入注意力机制.mp4
│ │ ├── [ 36M] 8-计算得到每个输出的attention得分.mp4
│ │ └── [ 44M] 9-解码器与训练过程演示.mp4
│ ├──3.注意力机制的作用.txt
│ ├──3_starganvc2变声器论文原理解读/
│ │ ├── [ 35M] 1-论文整体思路与架构解读.mp4
│ │ ├── [ 21M] 2-VCC2016输入数据.mp4
│ │ ├── [ 31M] 3-语音特征提取.mp4
│ │ ├── [ 16M] 4-生成器模型架构分析.mp4
│ │ ├── [ 19M] 5-InstanceNorm的作用解读.mp4
│ │ ├── [ 13M] 6-AdaIn的目的与效果.mp4
│ │ └── [114M] 7-判别器模块分析.mp4
│ ├──4_staeganvc2变声器源码实战/
│ │ ├── [ 22M] 1-数据与项目文件解读.mp4
│ │ ├── [ 35M] 10-源码损失计算流程.mp4
│ │ ├── [ 47M] 11-测试模块-生成转换语音.mp4
│ │ ├── [ 37M] 2-环境配置与工具包安装.mp4
│ │ ├── [ 88M] 3-数据预处理与声音特征提取.mp4
│ │ ├── [ 41M] 4-生成器构造模块解读.mp4
│ │ ├── [ 35M] 5-下采样与上采样操作.mp4
│ │ ├── [ 50M] 6-starganvc2版本标签输入分析.mp4
│ │ ├── [ 26M] 7-生成器前向传播维度变化.mp4
│ │ ├── [ 35M] 8-判别器模块解读.mp4
│ │ └── [100M] 9-论文损失函数.mp4
│ ├──5_语音分离ConvTasnet模型/
│ │ ├── [ 12M] 1-语音分离任务分析.mp4
│ │ ├── [ 25M] 2-经典语音分离模型概述.mp4
│ │ ├── [ 22M] 3-DeepClustering论文解读.mp4
│ │ ├── [ 38M] 4-TasNet编码器结构分析.mp4
│ │ ├── [ 12M] 5-DW卷积的作用与效果.mp4
│ │ └── [ 24M] 6-基于Mask得到分离结果.mp4
│ ├──6_ConvTasnet语音分离实战/
│ │ ├── [ 76M] 1-数据准备与环境配置.mp4
│ │ ├── [ 39M] 2-训练任务所需参数介绍.mp4
│ │ ├── [ 38M] 3-DataLoader定义.mp4
│ │ ├── [ 37M] 4-采样数据特征编码.mp4
│ │ ├── [ 50M] 5编码器特征提取.mp4
│ │ ├── [ 71M] 6-构建更大的感受区域.mp4
│ │ ├── [ 51M] 7-解码得到分离后的语音.mp4
│ │ └── [ 75M] 8-测试模块所需参数.mp4
│ └──7_语音合成tacotron最新版实战/
│ ├── [ 57M] 1-语音合成项目所需环境配置.mp4
│ ├── [ 70M] 10-得到加权的编码向量.mp4
│ ├── [ 66M] 11-模型输出结果.mp4
│ ├── [ 69M] 12-损失函数与预测.mp4
│ ├── [ 65M] 2-所需数据集介绍.mp4
│ ├── [ 79M] 3-路径配置与整体流程解读.mp4
│ ├── [ 84M] 4-Dataloader构建数据与标签.mp4
│ ├── [ 42M] 5-编码层要完成的任务.mp4
│ ├── [ 38M] 6-得到编码特征向量.mp4
│ ├── [ 43M] 7-解码器输入准备.mp4
│ ├── [ 46M] 8-解码器流程梳理.mp4
│ └── [ 72M] 9-注意力机制应用方法.mp4
├──24_推荐系统实战系列/
│ └──24_推荐系统实战系列/
│ ├──10_基本统计分析的电影推荐/
│ │ ├── [ 86M] 1-电影数据与环境配置.mp4
│ │ ├── [ 61M] 2-数据与关键词信息展示.mp4
│ │ ├── [ 54M] 3-关键词云与直方图展示.mp4
│ │ ├── [ 49M] 4-特征可视化.mp4
│ │ ├── [ 78M] 5-数据清洗概述.mp4
│ │ ├── [ 46M] 6-缺失值填充方法.mp4
│ │ ├── [ 59M] 7-推荐引擎构造.mp4
│ │ ├── [ 46M] 8-数据特征构造.mp4
│ │ └── [ 64M] 9-得出推荐结果.mp4
│ ├──11_补充-基于相似度的酒店推荐系统/
│ │ ├── [ 34M] 1-酒店数据与任务介绍.mp4
│ │ ├── [ 33M] 2-文本词频统计.mp4
│ │ ├── [ 66M] 3-ngram结果可视化展示.mp4
│ │ ├── [ 49M] 4-文本清洗.mp4
│ │ ├── [ 57M] 5-相似度计算.mp4
│ │ └── [ 86M] 6-得出推荐结果.mp4
│ ├──1_推荐系统介绍及其应用/
│ │ ├── [ 24M] 1-推荐系统通俗解读.mp4
│ │ ├── [ 28M] 2-推荐系统发展简介.mp4
│ │ ├── [ 32M] 3-应用领域与多方位评估指标.mp4
│ │ ├── [ 37M] 4-任务流程与挑战概述.mp4
│ │ ├── [ 22M] 5-常用技术点分析.mp4
│ │ └── [ 33M] 6-与深度学习的结合.mp4
│ ├──2_协同过滤与矩阵分解/
│ │ ├── [ 14M] 1-协同过滤与矩阵分解简介.mp4
│ │ ├── [ 24M] 2-基于用户与商品的协同过滤.mp4
│ │ ├── [ 21M] 3-相似度计算与推荐实例.mp4
│ │ ├── [ 28M] 4-矩阵分解的目的与效果.mp4
│ │ ├── [ 35M] 5-矩阵分解中的隐向量.mp4
│ │ ├── [ 14M] 6-目标函数简介.mp4
│ │ ├── [ 18M] 7-隐式情况分析.mp4
│ │ └── [ 14M] 8-Embedding的作用.mp4
│ ├──3_音乐推荐系统实战/
│ │ ├── [101M] 1-音乐推荐任务概述.mp4
│ │ ├── [ 65M] 2-数据集整合.mp4
│ │ ├── [ 73M] 3-基于物品的协同过滤.mp4
│ │ ├── [106M] 4-物品相似度计算与推荐.mp4
│ │ ├── [ 44M] 5-SVD矩阵分解.mp4
│ │ └── [126M] 6-基于矩阵分解的音乐推荐.mp4
│ ├──4_知识图谱与Neo4j数据库实例/
│ │ ├── [ 63M] 1-Neo4j图数据库介绍.mp4
│ │ ├── [ 20M] 1-知识图谱通俗解读.mp4
│ │ ├── [ 28M] 2-Neo4j数据库安装流程演示.mp4
│ │ ├── [ 27M] 2-知识图谱在搜索引擎中的应用.mp4
│ │ ├── [ 44M] 3-可视化例子演示.mp4
│ │ ├── [103M] 3-知识图谱在医疗领域应用实例.mp4
│ │ ├── [ 25M] 4-创建与删除操作演示.mp4
│ │ ├── [ 20M] 4-金融与推荐领域的应用.mp4
│ │ ├── [ 27M] 5-数据库更改查询操作演示.mp4
│ │ └── [ 36M] 5-数据获取分析.mp4
│ ├──5_基于知识图谱的电影推荐实战/
│ │ ├── [ 29M] 1-知识图谱推荐系统效果演示.mp4
│ │ ├── [ 73M] 2-kaggle电影数据集下载与配置.mp4
│ │ ├── [ 35M] 3-图谱需求与任务流程解读.mp4
│ │ ├── [ 59M] 4-项目所需环境配置安装.mp4
│ │ ├── [ 66M] 5-构建用户电影知识图谱.mp4
│ │ ├── [ 25M] 6-图谱查询与匹配操作.mp4
│ │ └── [ 53M] 7-相似度计算与推荐引擎构建.mp4
│ ├──6_点击率估计FM与DeepFM算法/
│ │ ├── [ 28M] 1-CTR估计及其经典方法概述.mp4
│ │ ├── [ 16M] 2-高维特征带来的问题.mp4
│ │ ├── [ 14M] 3-二项式特征的作用与挑战.mp4
│ │ ├── [ 27M] 4-二阶公式推导与化简.mp4
│ │ ├── [ 27M] 5-FM算法解析.mp4
│ │ ├── [ 20M] 6-DeepFm整体架构解读.mp4
│ │ ├── [ 16M] 7-输入层所需数据样例.mp4
│ │ └── [ 30M] 8-Embedding层的作用与总结.mp4
│ ├──7_DeepFM算法实战/
│ │ ├── [ 70M] 1-数据集介绍与环境配置.mp4
│ │ ├── [ 65M] 2-广告点击数据预处理实例.mp4
│ │ ├── [ 41M] 3-数据处理模块Embedding层.mp4
│ │ ├── [ 39M] 4-Index与Value数据制作.mp4
│ │ ├── [ 40M] 5-一阶权重参数设计.mp4
│ │ ├── [ 36M] 6-二阶特征构建方法.mp4
│ │ ├── [ 60M] 7-特征组合方法实例分析.mp4
│ │ ├── [ 30M] 8-完成FM模块计算.mp4
│ │ └── [ 47M] 9-DNN模块与训练过程.mp4
│ ├──8_推荐系统常用工具包演示/
│ │ ├── [ 49M] 1-环境配置与数据集介绍.mp4
│ │ ├── [ 46M] 2-电影数据集预处理分析.mp4
│ │ ├── [ 50M] 3-surprise工具包基本使用.mp4
│ │ ├── [ 41M] 4-模型测试集结果.mp4
│ │ └── [109M] 5-评估指标概述.mp4
│ └──9_基于文本数据的推荐实例/
│ ├── [ 25M] 1-数据与环境配置介绍.mp4
│ ├── [ 37M] 2-数据科学相关数据介绍.mp4
│ ├── [ 45M] 3-文本数据预处理.mp4
│ ├── [ 41M] 4-TFIDF构建特征矩阵.mp4
│ ├── [ 40M] 5-矩阵分解演示.mp4
│ ├── [ 66M] 6-LDA主题模型效果演示.mp4
│ └── [ 50M] 7-推荐结果分析.mp4
└── 资料/
更新日志
2022-8-4：已更新完结，百度云盘下载。
暂无评论内容