课程简介

咕泡 - P5人工智能深度学习高薪就业班5期

咕泡P5人工智能深度学习高薪就业班5期,由乐学编程课堂网(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,深度学习+计算机视觉+自然语言处理, Al领域全面覆盖。以实例的形式进行算法讲解,通俗、易懂、接地气,所有算法均给出相应实现案例及其应用项目,内容覆盖200+案例, 30+应用场景。通俗讲解各大领域经典与最新论文,结合论文展开项目实战,结合数据与业务背景展开建模与分析实战。

咕泡 - P5人工智能深度学习高薪就业班5期

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

更新日志

2022-8-4:已更新完结,百度云盘下载。

发表回复

登录... 后才能评论