pytorch深度学习项目实战（深度学习pytorch深度学习入门与简明实战教程2022年）

─1. pytorch概述, P, \1 z8 R r, \- ~│ 章节1-1Pytorch安装.mp4│ ├─2.深度学习基础与线性回归实例) `5 F1 g Y2 J│ 章节2-1机器学习基础-线性回归.mp45 w: e3 C/ l1 ~/ x" C- r4 ]│ 章节2-2收入数据集读取与观察.mp4. |6 g3 z9 l l4 T$ g│ 章节2-3初始化模型、损失函数和优化方法.mp4│ 章节2-4模型训练与结果可视化.mp4│ % t2 Z: p5 L0 b2 f5 T0 i; Q├─3.pytorch张量│ 章节3-1Pytorch张量与数据类型.mp4. E( Y& T ] p: v0 i│ 章节3-2张量运算与形状变换.mp4│ 章节3-3张量微分运算.mp4) d" D2 ^6 m2 k, g│ 章节3-4入门实例的分解写法-.mp41 u w1 t/ g Q0 e│ 0 w% P8 F# [: H% I7 G& a% N├─4.逻辑回归与多层感知机│ 章节4-1逻辑回归简介与数据预处理.mp43 W% R) E* N1 f$ V4 G│ 章节4-2逻辑回归模型的创建与训练.mp4, O. m1 f m) W* I1 N- m* W% I9 V│ 章节4-3多层感知器简介.mp4: q" ]9 l7 v5 j: a' S5 y% y│ 章节4-4多层感知器实例-数据预处理.mp43 a0 m. r4 t' ]. D# z3 s! R│ 章节4-5多层感知器模型创建.mp4│ 章节4-6多层感知器模型改写与解释.mp4. f |- Y) g" L: d* Q V│ 章节4-7多层感知器模型训练.mp4│ 章节4-8使用Dataset和Dataloader加载模型数据.mp4! j$ Z! X# m/ Y9 G% C7 j4 o│ 章节4-9划分验证数据和测试数据.mp4. v: A, {5 B$ C: v7 S│ 章节4-10添加正确率和验证数据.mp4│ : g# t/ L/ S* m! A! O; A& Z├─5.多分类问题│ 章节5-1Softmax多分类与鸢尾花数据集预处理.mp4│ 章节5-2多分类模型创建与损失函数.mp4│ 章节5-3多分类模型训练与调试.mp4│ 章节5-4编写通用训练函数（一）.mp4! G# z( S; \2 q" K│ 章节5-5编写通用训练函数（二）.mp48 q( Y8 H% l( P% v' n. d│ ) d7 Z& V5 `4 L' `% ^3 F) z& l├─6.手写数字全连接模型8 [8 p' q3 Z4 a3 k7 _, `. ?* _ o│ 章节6-1MNIST数据集的下载和使用.mp4, h3 i9 y9 \$ A. r/ c) G" K; p- Y│ 章节6-2认识手写数据集MNIST.mp4# K. Y! q9 p* y6 w7 o, s% j' ^│ 章节6-3MNIST数据集全连接模型训练.mp4│ ├─7.基础部分总结* i0 G( S7 r, n5 F9 P1 J s│ 章节7-1梯度下降算法与学习速率.mp4/ C x* X0 c1 a% S8 w│ 章节7-2反向传播算法与优化器.mp4( k H" g$ q$ R; V│ 章节7-3基础部分知识点总结.mp4# Y) y _% W( \9 q* c. b, r N│ 章节7-4基础部分作业——Fashi-MNIST数据分类.mp4│ ├─8.计算机视觉基础│ 章节8-1什么是卷积.mp4│ 章节8-2卷积模型的整体架构.mp4│ 章节8-3卷积模型解决手写数字分类.mp4│ 章节8-4使用GPU加速训练.mp4│ 章节8-5卷积模型基础实例—四种天气数据集.mp4│ 章节8-6读取、预处理图片并创建dataset.mp4│ 章节8-7创建Dataloader和可视化图片.mp4/ n- c r2 R" j│ 章节8-8四种天气分类模型的创建.mp4│ 章节8-9卷积模型的训练.mp4│ 章节8-10Dropout抑制过拟合.mp4│ 章节8-11Dropout代码实现-.mp4│ 章节8-12批标准化（Batch Normalization）简介.mp4' x" N/ M/ B( S! n R/ G) v│ 章节8-13Batch Normalization层的代码实现.mp4 Y2 M$ C: @3 P│ 章节8-14超参数选择原则.mp4│ ├─9.预训练模型(迁移学习)/ C1 z0 ]4 X" s6 y│ 章节9-1预训练模型与VGG架构.mp4│ 章节9-2预训练模型的使用介绍.mp4│ 章节9-3预训练模型VGG的代码实现.mp4# l" y# Y4 I' a│ 章节9-4图像数据增强.mp4│ 章节9-5学习速率衰减.mp46 D' \7 X/ J6 {1 U- H. e2 A1 D│ 章节9-6RESNET预训练模型.mp4│ 章节9-7微调与迁移学习.mp41 _# e% T$ L' ^3 A; U: \% I│ 章节9-8模型权重保存.mp4│ 0 f' `, `1 Z) Y├─10.Dataset数据输入' B$ a5 d3 O) ~& h- k│ 章节10-1自定义输入Dataset类.mp4│ 章节10-2获取图片路径和标签.mp4│ 章节10-3创建四种天气数据集的Dataset.mp4: q2 [4 R$ x ?8 w; P( q4 d3 j, Z│ 章节10-4创建输入并可视化.mp4│ 章节10-5划分测试数据和验证数据.mp4│ 章节10-6灵活的使用Dataset类构建输入.mp4│ , A1 X0 T5 l, ^* e8 B├─11.现代网络架构6 f8 K7 o* ^- e# J│ 章节11-1Resnet和残差结构介绍.mp46 r$ s8 A0 R" {) y( C│ 章节11-2Resnet结构代码实现（一）.mp45 P' w% a! @4 z P* p0 C│ 章节11-3Resnet结构代码实现（二）.mp45 Y* ^6 y% r# f* I% R# \9 k6 P9 ~│ 章节11-4DenseNet模型简介.mp4│ 章节11-5DenseNet提取图片特征—获取图片和标签.mp4│ 章节11-6类别编码、划分测试数据和训练数据.mp4│ 章节11-7创建输入Dataset.mp4│ 章节11-8创建Dataloader并可视化.mp45 k" S6 y% W, Q9 a│ 章节11-9使用DenseNet卷积提取特征.mp48 O# Q) n5 N. b4 r l│ 章节11-10创建特征Dataset和分类模型.mp4│ 章节11-11模型训练和预测简介.mp42 K6 U5 x5 n8 W3 V* o│ 章节11-12Inception网络结构简介.mp4│ 章节11-13Inception结构代码实现（一）.mp4- y2 D% Y3 Q% |' e1 b5 o8 I# `│ 章节11-14Inception结构代码实现（二）.mp48 `" D3 I9 E4 n# m/ m2 R│ 章节11-15Inception结构应用和优化—Googlenet和inception_v3简介.mp4* [5 X5 m* V! U: I│ 1 I0 o, _/ T( U3 n# @3 J/ G├─12.图像定位# D r' K. \, b- p; o! g3 G7 A│ 章节12-1 常见图像处理任务和图像定位原理.mp4│ 章节12-2 图像定位实例—数据观察与理解.mp4# v& h3 q& V A- l& X9 i& }│ 章节12-3 目标值得解析和可视化.mp44 x7 P8 M' T; J& W│ 章节12-4 数据集路径读取与筛选.mp4│ 章节12-5 解析xml目标值.mp4 h$ ^/ X3 }2 @0 ^0 q│ 章节12-6 创建Dataset.mp4. O$ m }6 s1 e" X7 Y8 [│ 章节12-7 创建dataloader和图像可视化.mp4│ 章节12-8 创建图像定位模型.mp4│ 章节12-9 图像定位模型训练和预测.mp4│ ├─13.Unet图像语义分割│ 章节13-1 图像语义分割简介.mp4│ 章节13-2 UNET语义分割结构介绍.mp4: t& i7 Z# l i f5 l! g│ 章节13-3 语义分割输入输出 反卷积和Iou指标.mp4: [! b, i, i) B│ 章节13-4 Unet 语义分割数据观察.mp4│ 章节13-5 创建dataset输入.mp4. w* u( z. ~) d% {% W│ 章节13-6 创建和测试dataset并绘图.mp4& L! V3 a6 w3 p- C│ 章节13-7 下采样模型-.mp4/ H4 q! V! u% J7 \! @2 a│ 章节13-8 上采样模型.mp4/ l7 z9 F/ _6 F ^│ 章节13-9 unet模型初始化部分.mp4% I2 z3 a) t2 [& D* _) R6 F│ 章节13-10 前向传播部分.mp48 a2 ^, V! W1 x│ 章节13-11 模型训练-.mp4│ 章节13-12 模型测试.mp4│ 章节13-13 模型预测.mp4- U( o8 L& r9 |1 p" k( m│ ; B7 |! f% f: n├─14.LinNet图像语义分割3 ]4 m0 a' W" o7 d4 A; P! J│ 章节14-1 LinkNet 图像语义分割简介.mp4│ 章节14-2 无视频（课后作业，大家自己写出这个模型）.mp4, q$ Y O) q& w6 P│ 章节14-3 代码组织结构.mp4│ 章节14-4 卷积模块.mp4│ 章节14-5 反卷积.mp4│ 章节14-6 编码器模块.mp45 O6 Y. [% r5 b( [1 C│ 章节14-7 解码器模块.mp4│ 章节14-8 输入和编码部分初始化.mp4( F; n1 v8 Z2 S- s│ 章节14-9 解码器和输出部分初始化.mp4, i& l9 a3 U- {3 K, _' N│ 章节14-10 模型前向传播.mp4│ 章节14-11 模型训练和Iou指标.mp4% v0 E* Y8 {1 F/ B- z. {, }0 F│ ├─15.文本分类与词嵌入表示│ 章节15-1 文本表示与词嵌入.mp4* D! E% o9 J) K1 M( p j h│ 章节15-2 文本向量化流程与分词.mp4│ 章节15-3 文本向量化实现.mp4│ 章节15-4 简单文本分类.mp43 A( h9 M, R# w& O9 d5 d7 B, x│ 章节15-5 创建词表-认识数据集.mp4) N6 V6 a4 f# {$ X│ 章节15-6 模型训练.mp41 N: f1 [" O7 N% j) i* l& \│ 章节15-7 使用预训练的词向量.mp4' f1 y7 B' W J│ ├─16.RNN循环神经网络│ 章节16-1 Rnn循环神经网络介绍.mp4│ 章节16-2 RnnCell在序列上展开模型实现.mp4" G5 X- i. S0 l& |- }6 C│ 章节16-3 RnnCell简单文本分类模型.mp46 e4 Y; }' V- O m8 Q│ 章节16-4 Lstm网络简介.mp4' E0 A3 A4 g8 {8 ]: @│ 章节16-5 LstmMcell实现文本分类.mp4│ 章节16-6 GRU网络简介.mp4│ 章节16-7 Lstm 高价API.mp4 A7 s8 Z4 l: r {│ 1 z( N/ D; B3 s" f$ O├─17（一）. twitter 评论情绪分类: j0 i6 w0 S% k d0 t$ ?: Z│ 章节17-1 twitter 评论情绪分类-数据读取与观察.mp43 [ y8 h$ ?# C8 g. O {│ 章节17-2 twitter 评论情绪分类-创建词表.mp4' F6 ^8 F: x* C( Y( N- k* t& e│ 章节17-3 划分训练测试数据，创建dataset.mp4│ 章节17-4 基础文本分类模型.mp4$ j* K! I: m7 z$ a% U│ 章节17-5 Lstm 文本分类模型.mp4│ ├─17（二）. 中文外卖评论情绪分类│ 章节17-1（案例二） 中文外卖评论情绪分类-上.mp4│ 章节17-2（案例二） 中文外卖评论情绪分类-下.mp4" c" I \/ V4 K2 P6 T│ 章节17-3 RNN的优化方法.mp4│ ├─18.注意力机制│ 章节18-1 seq2seq简介.mp40 s; q/ C3 a2 x0 [5 F. @% [3 }│ 章节18-2 注意力机制简介.mp4│ 章节18-3 自注意力机制简介.mp48 |$ B( B9 ~/ }) e, V E│ 章节18-4 transformer 简介.mp4│ 章节18-5 transformer 文本分类小案例.mp4│ ; I& d o, M$ [ q4 Q├─19. Rnn序列预测-北京空气质量6 Y2 v; D b& t5 ?1 n: o│ 章节19-1 数据读取与观察.mp4│ 章节19-2 数据预处理.mp4│ 章节19-3 数据预处理.mp4│ 章节19-4 数据预处理.mp4* U) p9 a7 h/ p& }7 e│ 章节19-5 创建dataset 输入.mp4│ 章节19-6 创建时序预测模型.mp4│ 章节19-7 模型训练跟预测.mp4- f: l' w/ z& \/ ?% z│ 章节19-8 模型预测演示.mp4│ 1 d( `) g* Z. ^% Y, I├─20. Tensorboard可视化│ 章节20-1 Tensorboard 安装与导入.mp4( q/ i1 c- b6 e2 U7 w; q! T│ 章节20-2 Tensorboard 可视化.mp4, o# u3 L l7 |7 @9 ^! P- M│ 章节20-3 Tensorboadr 网络模型结构可视化.mp4' d4 R3 X1 E8 ?! E/ P. l│ 章节20-4 标量数据可视化.mp4│ " F$ o! z5 u/ y& j3 D* N├─21.一维卷积网络7 X8 \2 i. P7 q2 H1 P% f t. y│ 章节21-1 一维卷积原理与网络结构.mp4│ 章节21-2 中文分词.mp4│ 章节21-3 创建词表.mp4% @' ^6 z! r1 i O u" u' I) w│ 章节21-4 划分数据集.mp4│ 章节21-5 批处理函数.mp4│ 章节21-6 模型初始化.mp4│ 章节21-7 模型前向传播与训练.mp4- Z y5 l4 f0 i1 i2 H│ $ z& z4 O: x8 C5 a) O' Q* S5 D* c├─23.语义分割图片的标注——Labelme使用教程- [, E6 S1 E: @9 c# `8 w│ [23.1]--Labelme的安装和单张图片的标注.mp4; N$ z q2 N% B. E│ [23.2]--从标注文件生成图像语义分割数据集.mp42 W" {8 r' i6 G0 c9 d6 G' z- b5 x│ [23.3]--标注图片的读取和验证.mp41 s! W( ?3 r, S0 _# g7 Y8 P│ L( k8 E) W$ H# O├─24.多任务学习│ [24.1]--多任务学习简介.mp4│ [24.2]--多任务标签预处理.mp4* M P; q6 T) f: k- r3 N│ [24.3]--创建dataset.mp4( y6 ~5 A6 b3 p8 j6 R2 f9 _│ [24.4]--多任务模型创建(一).mp4( ]; G0 W- v4 n2 s* T; r│ [24.5]--多任务模型创建(二).mp4* e1 Q* H& Z6 g. _7 L/ i$ l, f│ [24.6]--多任务模型的训练.mp4│ ├─25.目标识别与目标检测│ [25.1]--目标识别综述——two_stage目标检测算法.mp4- R# n! E$ K( h% A│ [25.2]--目标识别综述——one_stage目标检测算法.mp4│ [25.3]--PyTorch内置的目标检测模块.mp4│ [25.4]--使用PyTorch内置目标检测模块.mp4# N- @% B& f# q$ @; D% F6 r│ [25.5]--目标识别预测结果解读与可视化.mp4; Z, ^. G) p& n; R: a$ ~/ b│ [25.6]--PyTorch目标检测的使用.mp4% A* I' r; t |7 f│ [25.7]--目标检测的图像标注.mp4│ [25.8]--标注自有数据集并安装所需的库.mp4% g) x4 V ^, k3 ]5 \9 i│ [25.9]--修改PyTorch内置目标检测模型的输出.mp4) ` _( ]# I K* }& o" D│ [25.10]--目标识别标注文件的解析（一）.mp4│ [25.11]--目标识别标注文件的解析（二）.mp4 L X C5 L) }│ [25.12]--创建输入Dataset.mp4$ X7 Z, ?. x. x `│ [25.13]--创建dataloader、初始化模型和优化器.mp4' _( I* E& ]& I O V. p6 z3 S, ?│ [25.14]--目标识别的模型训练.mp4│ [25.15]--目标识别的模型预测.mp4 _" r ^5 a# T; T/ J( E└─课程资料: m9 D& D" [8 r8 r │ Miniconda3和conda配置文件.zip │ unet_model权重_建议还是自己训练.zip6 x R; @. v% G: w │ VC_redist.x64.exe4 D' }$ P4 n, m/ p, S8 i │ 大型数据集.zip7 F1 \, Q# z2 X0 T │ 常见预训练模型权重.zip( a$ x: o: A0 ?8 q, n │ 文本分类数据集.zip- }" `. ]: I8 b6 s │ 课件.zip │ 1 v( |1 i$ L8 M └─参考代码和部分数据集5 Q7 v U) \- @! o$ g# _ └─参考代码 1-18节参考代码和数据集.zip 109节及之后参考代码.zip 19-28节参考代码和数据集.zip 29-42节参考代码和数据集.zip' B$ D2 `$ U2 K" z8 t) D2 P3 B! X2 R 43节-54节参考代码.zip1 J9 ^& D' d3 R5 B& a3 a( g 55-64节参考代码.zip- B( S- t/ D2 Z" x4 l c 65-72节DenseNet参考代码.zip3 ?4 K/ T% m9 F3 Q D: C/ e; X 7.Tensorboard和一维卷积(第21-22章)参考代码.zip 73-81节参考代码.zip 82-94节——Unet语义分割参考代码和数据集.zip 目标识别一章资料.zip，下面我们就来聊聊关于pytorch深度学习项目实战?接下来我们就一起去了解一下吧!

pytorch深度学习项目实战

─1. pytorch概述, P, \1 z8 R r, \- ~│ 章节1-1Pytorch安装.mp4│ ├─2.深度学习基础与线性回归实例) `5 F1 g Y2 J│ 章节2-1机器学习基础-线性回归.mp45 w: e3 C/ l1 ~/ x" C- r4 ]│ 章节2-2收入数据集读取与观察.mp4. |6 g3 z9 l l4 T$ g│ 章节2-3初始化模型、损失函数和优化方法.mp4│ 章节2-4模型训练与结果可视化.mp4│ % t2 Z: p5 L0 b2 f5 T0 i; Q├─3.pytorch张量│ 章节3-1Pytorch张量与数据类型.mp4. E( Y& T ] p: v0 i│ 章节3-2张量运算与形状变换.mp4│ 章节3-3张量微分运算.mp4) d" D2 ^6 m2 k, g│ 章节3-4入门实例的分解写法-.mp41 u w1 t/ g Q0 e│ 0 w% P8 F# [: H% I7 G& a% N├─4.逻辑回归与多层感知机│ 章节4-1逻辑回归简介与数据预处理.mp43 W% R) E* N1 f$ V4 G│ 章节4-2逻辑回归模型的创建与训练.mp4, O. m1 f m) W* I1 N- m* W% I9 V│ 章节4-3多层感知器简介.mp4: q" ]9 l7 v5 j: a' S5 y% y│ 章节4-4多层感知器实例-数据预处理.mp43 a0 m. r4 t' ]. D# z3 s! R│ 章节4-5多层感知器模型创建.mp4│ 章节4-6多层感知器模型改写与解释.mp4. f |- Y) g" L: d* Q V│ 章节4-7多层感知器模型训练.mp4│ 章节4-8使用Dataset和Dataloader加载模型数据.mp4! j$ Z! X# m/ Y9 G% C7 j4 o│ 章节4-9划分验证数据和测试数据.mp4. v: A, {5 B$ C: v7 S│ 章节4-10添加正确率和验证数据.mp4│ : g# t/ L/ S* m! A! O; A& Z├─5.多分类问题│ 章节5-1Softmax多分类与鸢尾花数据集预处理.mp4│ 章节5-2多分类模型创建与损失函数.mp4│ 章节5-3多分类模型训练与调试.mp4│ 章节5-4编写通用训练函数（一）.mp4! G# z( S; \2 q" K│ 章节5-5编写通用训练函数（二）.mp48 q( Y8 H% l( P% v' n. d│ ) d7 Z& V5 `4 L' `% ^3 F) z& l├─6.手写数字全连接模型8 [8 p' q3 Z4 a3 k7 _, `. ?* _ o│ 章节6-1MNIST数据集的下载和使用.mp4, h3 i9 y9 \$ A. r/ c) G" K; p- Y│ 章节6-2认识手写数据集MNIST.mp4# K. Y! q9 p* y6 w7 o, s% j' ^│ 章节6-3MNIST数据集全连接模型训练.mp4│ ├─7.基础部分总结* i0 G( S7 r, n5 F9 P1 J s│ 章节7-1梯度下降算法与学习速率.mp4/ C x* X0 c1 a% S8 w│ 章节7-2反向传播算法与优化器.mp4( k H" g$ q$ R; V│ 章节7-3基础部分知识点总结.mp4# Y) y _% W( \9 q* c. b, r N│ 章节7-4基础部分作业——Fashi-MNIST数据分类.mp4│ ├─8.计算机视觉基础│ 章节8-1什么是卷积.mp4│ 章节8-2卷积模型的整体架构.mp4│ 章节8-3卷积模型解决手写数字分类.mp4│ 章节8-4使用GPU加速训练.mp4│ 章节8-5卷积模型基础实例—四种天气数据集.mp4│ 章节8-6读取、预处理图片并创建dataset.mp4│ 章节8-7创建Dataloader和可视化图片.mp4/ n- c r2 R" j│ 章节8-8四种天气分类模型的创建.mp4│ 章节8-9卷积模型的训练.mp4│ 章节8-10Dropout抑制过拟合.mp4│ 章节8-11Dropout代码实现-.mp4│ 章节8-12批标准化（Batch Normalization）简介.mp4' x" N/ M/ B( S! n R/ G) v│ 章节8-13Batch Normalization层的代码实现.mp4 Y2 M$ C: @3 P│ 章节8-14超参数选择原则.mp4│ ├─9.预训练模型(迁移学习)/ C1 z0 ]4 X" s6 y│ 章节9-1预训练模型与VGG架构.mp4│ 章节9-2预训练模型的使用介绍.mp4│ 章节9-3预训练模型VGG的代码实现.mp4# l" y# Y4 I' a│ 章节9-4图像数据增强.mp4│ 章节9-5学习速率衰减.mp46 D' \7 X/ J6 {1 U- H. e2 A1 D│ 章节9-6RESNET预训练模型.mp4│ 章节9-7微调与迁移学习.mp41 _# e% T$ L' ^3 A; U: \% I│ 章节9-8模型权重保存.mp4│ 0 f' `, `1 Z) Y├─10.Dataset数据输入' B$ a5 d3 O) ~& h- k│ 章节10-1自定义输入Dataset类.mp4│ 章节10-2获取图片路径和标签.mp4│ 章节10-3创建四种天气数据集的Dataset.mp4: q2 [4 R$ x ?8 w; P( q4 d3 j, Z│ 章节10-4创建输入并可视化.mp4│ 章节10-5划分测试数据和验证数据.mp4│ 章节10-6灵活的使用Dataset类构建输入.mp4│ , A1 X0 T5 l, ^* e8 B├─11.现代网络架构6 f8 K7 o* ^- e# J│ 章节11-1Resnet和残差结构介绍.mp46 r$ s8 A0 R" {) y( C│ 章节11-2Resnet结构代码实现（一）.mp45 P' w% a! @4 z P* p0 C│ 章节11-3Resnet结构代码实现（二）.mp45 Y* ^6 y% r# f* I% R# \9 k6 P9 ~│ 章节11-4DenseNet模型简介.mp4│ 章节11-5DenseNet提取图片特征—获取图片和标签.mp4│ 章节11-6类别编码、划分测试数据和训练数据.mp4│ 章节11-7创建输入Dataset.mp4│ 章节11-8创建Dataloader并可视化.mp45 k" S6 y% W, Q9 a│ 章节11-9使用DenseNet卷积提取特征.mp48 O# Q) n5 N. b4 r l│ 章节11-10创建特征Dataset和分类模型.mp4│ 章节11-11模型训练和预测简介.mp42 K6 U5 x5 n8 W3 V* o│ 章节11-12Inception网络结构简介.mp4│ 章节11-13Inception结构代码实现（一）.mp4- y2 D% Y3 Q% |' e1 b5 o8 I# `│ 章节11-14Inception结构代码实现（二）.mp48 `" D3 I9 E4 n# m/ m2 R│ 章节11-15Inception结构应用和优化—Googlenet和inception_v3简介.mp4* [5 X5 m* V! U: I│ 1 I0 o, _/ T( U3 n# @3 J/ G├─12.图像定位# D r' K. \, b- p; o! g3 G7 A│ 章节12-1 常见图像处理任务和图像定位原理.mp4│ 章节12-2 图像定位实例—数据观察与理解.mp4# v& h3 q& V A- l& X9 i& }│ 章节12-3 目标值得解析和可视化.mp44 x7 P8 M' T; J& W│ 章节12-4 数据集路径读取与筛选.mp4│ 章节12-5 解析xml目标值.mp4 h$ ^/ X3 }2 @0 ^0 q│ 章节12-6 创建Dataset.mp4. O$ m }6 s1 e" X7 Y8 [│ 章节12-7 创建dataloader和图像可视化.mp4│ 章节12-8 创建图像定位模型.mp4│ 章节12-9 图像定位模型训练和预测.mp4│ ├─13.Unet图像语义分割│ 章节13-1 图像语义分割简介.mp4│ 章节13-2 UNET语义分割结构介绍.mp4: t& i7 Z# l i f5 l! g│ 章节13-3 语义分割输入输出 反卷积和Iou指标.mp4: [! b, i, i) B│ 章节13-4 Unet 语义分割数据观察.mp4│ 章节13-5 创建dataset输入.mp4. w* u( z. ~) d% {% W│ 章节13-6 创建和测试dataset并绘图.mp4& L! V3 a6 w3 p- C│ 章节13-7 下采样模型-.mp4/ H4 q! V! u% J7 \! @2 a│ 章节13-8 上采样模型.mp4/ l7 z9 F/ _6 F ^│ 章节13-9 unet模型初始化部分.mp4% I2 z3 a) t2 [& D* _) R6 F│ 章节13-10 前向传播部分.mp48 a2 ^, V! W1 x│ 章节13-11 模型训练-.mp4│ 章节13-12 模型测试.mp4│ 章节13-13 模型预测.mp4- U( o8 L& r9 |1 p" k( m│ ; B7 |! f% f: n├─14.LinNet图像语义分割3 ]4 m0 a' W" o7 d4 A; P! J│ 章节14-1 LinkNet 图像语义分割简介.mp4│ 章节14-2 无视频（课后作业，大家自己写出这个模型）.mp4, q$ Y O) q& w6 P│ 章节14-3 代码组织结构.mp4│ 章节14-4 卷积模块.mp4│ 章节14-5 反卷积.mp4│ 章节14-6 编码器模块.mp45 O6 Y. [% r5 b( [1 C│ 章节14-7 解码器模块.mp4│ 章节14-8 输入和编码部分初始化.mp4( F; n1 v8 Z2 S- s│ 章节14-9 解码器和输出部分初始化.mp4, i& l9 a3 U- {3 K, _' N│ 章节14-10 模型前向传播.mp4│ 章节14-11 模型训练和Iou指标.mp4% v0 E* Y8 {1 F/ B- z. {, }0 F│ ├─15.文本分类与词嵌入表示│ 章节15-1 文本表示与词嵌入.mp4* D! E% o9 J) K1 M( p j h│ 章节15-2 文本向量化流程与分词.mp4│ 章节15-3 文本向量化实现.mp4│ 章节15-4 简单文本分类.mp43 A( h9 M, R# w& O9 d5 d7 B, x│ 章节15-5 创建词表-认识数据集.mp4) N6 V6 a4 f# {$ X│ 章节15-6 模型训练.mp41 N: f1 [" O7 N% j) i* l& \│ 章节15-7 使用预训练的词向量.mp4' f1 y7 B' W J│ ├─16.RNN循环神经网络│ 章节16-1 Rnn循环神经网络介绍.mp4│ 章节16-2 RnnCell在序列上展开模型实现.mp4" G5 X- i. S0 l& |- }6 C│ 章节16-3 RnnCell简单文本分类模型.mp46 e4 Y; }' V- O m8 Q│ 章节16-4 Lstm网络简介.mp4' E0 A3 A4 g8 {8 ]: @│ 章节16-5 LstmMcell实现文本分类.mp4│ 章节16-6 GRU网络简介.mp4│ 章节16-7 Lstm 高价API.mp4 A7 s8 Z4 l: r {│ 1 z( N/ D; B3 s" f$ O├─17（一）. twitter 评论情绪分类: j0 i6 w0 S% k d0 t$ ?: Z│ 章节17-1 twitter 评论情绪分类-数据读取与观察.mp43 [ y8 h$ ?# C8 g. O {│ 章节17-2 twitter 评论情绪分类-创建词表.mp4' F6 ^8 F: x* C( Y( N- k* t& e│ 章节17-3 划分训练测试数据，创建dataset.mp4│ 章节17-4 基础文本分类模型.mp4$ j* K! I: m7 z$ a% U│ 章节17-5 Lstm 文本分类模型.mp4│ ├─17（二）. 中文外卖评论情绪分类│ 章节17-1（案例二） 中文外卖评论情绪分类-上.mp4│ 章节17-2（案例二） 中文外卖评论情绪分类-下.mp4" c" I \/ V4 K2 P6 T│ 章节17-3 RNN的优化方法.mp4│ ├─18.注意力机制│ 章节18-1 seq2seq简介.mp40 s; q/ C3 a2 x0 [5 F. @% [3 }│ 章节18-2 注意力机制简介.mp4│ 章节18-3 自注意力机制简介.mp48 |$ B( B9 ~/ }) e, V E│ 章节18-4 transformer 简介.mp4│ 章节18-5 transformer 文本分类小案例.mp4│ ; I& d o, M$ [ q4 Q├─19. Rnn序列预测-北京空气质量6 Y2 v; D b& t5 ?1 n: o│ 章节19-1 数据读取与观察.mp4│ 章节19-2 数据预处理.mp4│ 章节19-3 数据预处理.mp4│ 章节19-4 数据预处理.mp4* U) p9 a7 h/ p& }7 e│ 章节19-5 创建dataset 输入.mp4│ 章节19-6 创建时序预测模型.mp4│ 章节19-7 模型训练跟预测.mp4- f: l' w/ z& \/ ?% z│ 章节19-8 模型预测演示.mp4│ 1 d( `) g* Z. ^% Y, I├─20. Tensorboard可视化│ 章节20-1 Tensorboard 安装与导入.mp4( q/ i1 c- b6 e2 U7 w; q! T│ 章节20-2 Tensorboard 可视化.mp4, o# u3 L l7 |7 @9 ^! P- M│ 章节20-3 Tensorboadr 网络模型结构可视化.mp4' d4 R3 X1 E8 ?! E/ P. l│ 章节20-4 标量数据可视化.mp4│ " F$ o! z5 u/ y& j3 D* N├─21.一维卷积网络7 X8 \2 i. P7 q2 H1 P% f t. y│ 章节21-1 一维卷积原理与网络结构.mp4│ 章节21-2 中文分词.mp4│ 章节21-3 创建词表.mp4% @' ^6 z! r1 i O u" u' I) w│ 章节21-4 划分数据集.mp4│ 章节21-5 批处理函数.mp4│ 章节21-6 模型初始化.mp4│ 章节21-7 模型前向传播与训练.mp4- Z y5 l4 f0 i1 i2 H│ $ z& z4 O: x8 C5 a) O' Q* S5 D* c├─23.语义分割图片的标注——Labelme使用教程- [, E6 S1 E: @9 c# `8 w│ [23.1]--Labelme的安装和单张图片的标注.mp4; N$ z q2 N% B. E│ [23.2]--从标注文件生成图像语义分割数据集.mp42 W" {8 r' i6 G0 c9 d6 G' z- b5 x│ [23.3]--标注图片的读取和验证.mp41 s! W( ?3 r, S0 _# g7 Y8 P│ L( k8 E) W$ H# O├─24.多任务学习│ [24.1]--多任务学习简介.mp4│ [24.2]--多任务标签预处理.mp4* M P; q6 T) f: k- r3 N│ [24.3]--创建dataset.mp4( y6 ~5 A6 b3 p8 j6 R2 f9 _│ [24.4]--多任务模型创建(一).mp4( ]; G0 W- v4 n2 s* T; r│ [24.5]--多任务模型创建(二).mp4* e1 Q* H& Z6 g. _7 L/ i$ l, f│ [24.6]--多任务模型的训练.mp4│ ├─25.目标识别与目标检测│ [25.1]--目标识别综述——two_stage目标检测算法.mp4- R# n! E$ K( h% A│ [25.2]--目标识别综述——one_stage目标检测算法.mp4│ [25.3]--PyTorch内置的目标检测模块.mp4│ [25.4]--使用PyTorch内置目标检测模块.mp4# N- @% B& f# q$ @; D% F6 r│ [25.5]--目标识别预测结果解读与可视化.mp4; Z, ^. G) p& n; R: a$ ~/ b│ [25.6]--PyTorch目标检测的使用.mp4% A* I' r; t |7 f│ [25.7]--目标检测的图像标注.mp4│ [25.8]--标注自有数据集并安装所需的库.mp4% g) x4 V ^, k3 ]5 \9 i│ [25.9]--修改PyTorch内置目标检测模型的输出.mp4) ` _( ]# I K* }& o" D│ [25.10]--目标识别标注文件的解析（一）.mp4│ [25.11]--目标识别标注文件的解析（二）.mp4 L X C5 L) }│ [25.12]--创建输入Dataset.mp4$ X7 Z, ?. x. x `│ [25.13]--创建dataloader、初始化模型和优化器.mp4' _( I* E& ]& I O V. p6 z3 S, ?│ [25.14]--目标识别的模型训练.mp4│ [25.15]--目标识别的模型预测.mp4 _" r ^5 a# T; T/ J( E└─课程资料: m9 D& D" [8 r8 r │ Miniconda3和conda配置文件.zip │ unet_model权重_建议还是自己训练.zip6 x R; @. v% G: w │ VC_redist.x64.exe4 D' }$ P4 n, m/ p, S8 i │ 大型数据集.zip7 F1 \, Q# z2 X0 T │ 常见预训练模型权重.zip( a$ x: o: A0 ?8 q, n │ 文本分类数据集.zip- }" `. ]: I8 b6 s │ 课件.zip │ 1 v( |1 i$ L8 M └─参考代码和部分数据集5 Q7 v U) \- @! o$ g# _ └─参考代码 1-18节参考代码和数据集.zip 109节及之后参考代码.zip 19-28节参考代码和数据集.zip 29-42节参考代码和数据集.zip' B$ D2 `$ U2 K" z8 t) D2 P3 B! X2 R 43节-54节参考代码.zip1 J9 ^& D' d3 R5 B& a3 a( g 55-64节参考代码.zip- B( S- t/ D2 Z" x4 l c 65-72节DenseNet参考代码.zip3 ?4 K/ T% m9 F3 Q D: C/ e; X 7.Tensorboard和一维卷积(第21-22章)参考代码.zip 73-81节参考代码.zip 82-94节——Unet语义分割参考代码和数据集.zip 目标识别一章资料.zip