深度学习框架-PyTorch项目实战

开课时间：有疑问的同学欢迎添加微信客服号aiyanxishe

开课时长：

机器学习基础入门

会员价￥268.00

现价：￥368.00

原价：￥368.00

会员有优惠

开通会员，立省100元立即开通

券当前课程，会员领券立减30元>>

报名关闭课程咨询

该课程已关闭

第1 章： PyTorch框架基本处理操作
课时1：1-PyTorch实战课程简介 04:53
课时2：2-PyTorch框架发展趋势简介 08:25
课时3：3-框架安装方法（CPU与GPU版本） 05:13
课时4：4-PyTorch基本操作简介 09:25
课时5：自动求导机制 10:59
课时6：线性回归DEMO-数据与参数配置 08:56
课时7：线性回归DEMO-训练回归模型 10:08
课时8：常见tensor格式 07:10
课时9：Hub模块简介 08:25
第2 章：神经网络实战分类与回归任务
课时10：1-气温数据集与任务介绍 06:42
课时11：2-按建模顺序构建完成网络架构 11:38
课时12：3-简化代码训练网络模型 11:04
课时13：4-分类任务概述 05:12
课时14：5-构建分类网络模型 09:40
课时15：6-DataSet模块介绍与应用方法 10:11
第3 章：卷积神经网络原理与参数解读
课时16：1-卷积神经网络应用领域 07:24
课时17：2-卷积的作用 09:23
课时18：3-卷积特征值计算方法 08:07
课时19：4-得到特征图表示 06:58
课时20：5-步长与卷积核大小对结果的影响 08:11
课时21：6-边缘填充方法 06:30
课时22：7-特征图尺寸计算与参数共享 07:02
课时23：8-池化层的作用 05:38
课时24：9-整体网络架构 06:20
课时25：10-VGG网络架构 06:16
课时26：11-残差网络Resnet 07:41
课时27：12-感受野的作用 05:46
第4 章：图像识别核心模块实战解读
课时28：0-1-卷积网络参数定义 07:21
课时29：0-2-网络流程解读 07:26
课时30：1-Vision模块功能解读 05:10
课时31：2-分类任务数据集定义与配置 06:27
课时32：3-图像增强的作用 04:51
课时33：4-数据预处理与数据增强模块 09:25
课时34：5-Batch数据制作 08:37
第5 章：迁移学习的作用与应用实例
课时35：迁移学习的目标 05:31
课时36：迁移学习策略 07:11
课时37：加载训练好的网络模型 09:54
课时38：优化器模块配置 05:14
课时39：实现训练模块 08:15
课时40：训练结果与模型保存 09:31
课时41：加载模型对测试数据进行预测 09:10
课时42：额外补充-Resnet论文解读 08:26
第6 章：递归神经网络与词向量原理解读
课时43：RNN网络架构解读 11:27
课时44：词向量模型通俗解释 08:14
课时45：模型整体框架 10:09
课时46：训练数据构建 05:10
课时47：CBOW与Skip-gram模型 08:20
课时48：负采样方案 07:40
第7 章：新闻数据集文本分类实战
课时49：任务目标与数据简介 07:18
课时50：RNN模型所需输入格式解析 06:54
课时51：项目配置参数设置 10:26
课时52：新闻数据读取与预处理方法 08:07
课时53：LSTM网络模块定义与参数解析 09:35
课时54：训练LSTM文本分类模型 08:55
课时55：Tensorboardx可视化展示模块搭建 09:16
课时56：CNN应用于文本任务原理解析 10:46
课时57：网络模型架构与效果展示 10:58
第8 章：对抗生成网络架构原理与实战解析
课时58：对抗生成网络通俗解释 08:24
课时59：GAN网络组成 05:14
课时60：损失函数解释说明 10:05
课时61：数据读取模块 08:26
课时62：生成与判别网络定义 08:39
第9 章：基于CycleGan开源项目实战图像合成
课时63：CycleGan网络所需数据 06:50
课时64：CycleGan整体网络架构 10:02
课时65：PatchGan判别网络原理 04:40
课时66：Cycle开源项目简介 07:07
课时67：5-数据读取与预处理操作 10:17
课时68：6-生成网络模块构造 12:12
课时69：判别网络模块构造 05:02
课时70：损失函数：identity loss计算方法 09:12
课时71：生成与判别损失函数指定 11:40
课时72：额外补充：VISDOM可视化配置 05:54
第10 章： OCR文字识别原理
课时73：OCR文字识别要完成的任务 06:29
课时74：CTPN文字检测网络概述 08:05
课时75：序列网络的作用 09:19
课时76：输出结果含义解析 07:09
课时77：CTPN细节概述 09:06
课时78：CRNN识别网络架构 06:16
课时79：CTC模块的作用 04:29
第11 章： OCR文字识别项目实战
课时80：OCR文字检测识别项目效果展示 04:20
课时81：训练数据准备与环境配置 06:49
课时82：检测模块候选框生成 08:06
课时83：候选框标签制作 08:23
课时84：整体网络所需模块 04:55
课时85：网络架构各模块完成的任务解读 08:38
课时86：CRNN识别模块所需数据与标签 05:12
课时87：识别模块网络架构解读 10:41
第12 章：基于3D卷积的视频分析与动作识别
课时88：3D卷积原理解读 07:43
课时89：UCF101动作识别数据集简介 06:02
课时90：测试效果与项目配置 12:01
课时91：视频数据预处理方法 07:24
课时92：数据Batch制作方法 09:02
课时93：3D卷积网络所涉及模块 07:50
课时94：训练网络模型 08:32
第13 章：自然语言处理通用框架BERT原理解读
课时95：BERT课程简介 04:59
课时96：BERT任务目标概述 05:27
课时97：传统解决方案遇到的问题 11:09
课时98：注意力机制的作用 06:56
课时99：self-attention计算方法 11:24
课时100：特征分配与softmax机制 09:20
课时101：Multi-head的作用 09:09
课时102：位置编码与多层堆叠 07:17
课时103：transformer整体架构梳理 10:57
课时104：BERT模型训练方法 09:37
课时105：训练实例 09:47
第14 章：谷歌开源项目BERT源码解读与应用实例
课时106：BERT开源项目简介 07:35
课时107：项目参数配置 12:08
课时108：数据读取模块 07:40
课时109：数据预处理模块 09:37
课时110：tfrecord制作 11:35
课时111：Embedding层的作用 07:29
课时112：加入额外编码特征 09:22
课时113：加入位置编码特征 05:12
课时114：mask机制 08:49
课时115：构建QKV矩阵 12:38
课时116：完成Transformer模块构建 09:56
课时117：训练BERT模型 08:51
第15 章：基于PyTorch实战BERT模型
课时118：项目配置与环境概述 06:52
课时119：数据读取与预处理 05:45
课时120：网络结构定义 07:01
课时121：训练网络模型 08:19
第16 章： PyTorch框架实战模板解读
课时122：项目模板各模块概述 08:43
课时123：各模块配置参数解析 09:15
课时124：数据读取与预处理模块功能解读 11:45
课时125：模型架构模块 06:46
课时126：训练模块功能 11:22
课时127：训练结果可视化展示模块 07:19
课时128：模块应用与BenckMark解读 11:53

深度学习框架-PyTorch项目实战

授课教师

最新学员

学员动态