【沽泡学院】P5：人工智能CV + NLP技术 – 5期

资源名称：

【沽泡学院】P5：人工智能CV + NLP技术 – 5期

资源简介：

课程内容全面覆盖深度学习算法及其项目实战，主要应用于计算机视觉与自然语言处理两大核心领域，配套实战案例与项目全部基于真实数据集与实际任务展开。大型项目完美结合当下行业趋势，培养满足企业就业需求的中高级人工智能算法工程师。

课程目录：

【沽泡学院】P5：人工智能CV + NLP技术 – 5期

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

资源下载

此资源仅限终身VIP下载，请先登录

本站资料仅供个人学习和研究使用 若本帖作者内容侵犯了原著者的合法权益请提供相应证明材料本站审核通过后将即予以处理