馬士兵 Python小白萌新入門到精通一圖勝千言
馬士兵 Python小白萌新入門到精通一圖勝千言
Pytorch框架全流程開發(fā)醫(yī)學影像端到端判別實戰(zhàn)項目
最新網(wǎng)課、影視劇電影資源：趣資料qxspcw.cn
- 視頻資源大?。?.80 GB 更新時間：2023-08-13
Pytorch框架全流程開發(fā)醫(yī)學影像端到端判別實戰(zhàn)項目資源簡介：
構建深度學習模型，綜合應用完整企業(yè)級項目
越來越多的科研及企業(yè)項目，會把PyTorch作為首選的深度學習框架。它容易上手，功能完善，不管是新入門學習還是上手實戰(zhàn)項目，PyTorch都是非常優(yōu)秀的工具。本課程以實踐為目的，把深度學習概念及基礎學習貫穿在幾個實踐項目中，荒川老師將帶領你們進入PyTorch深度學習的世界，使用PyTorch將其一一實現(xiàn)。
課程目錄
1-1課程導學2249.mp4
1-2深度學習如何影響生活1333.mp4
1-3常用深度學習框架1738.mp4
2-1環(huán)境安裝與配置1319.mp4
2-2使用預訓練的ResNet網(wǎng)絡給圖片分類一1610.mp4
2-3使用預訓練的ResNet網(wǎng)絡給圖片分類二0845.mp4
2-4使用預訓練的GAN網(wǎng)絡把馬變成斑馬1716.mp4
3-1工業(yè)級數(shù)據(jù)挖掘流程一2359.mp4
3-2工業(yè)級數(shù)據(jù)挖掘流程二2130.mp4
3-3課程重難點技能分布0515.mp4
3-4課程實戰(zhàn)項目簡介0700.mp4
4-10張量的底層實現(xiàn)邏輯二1335.mp4
4-1什么是張量1407.mp4
4-2張量的獲取與存儲一1635.mp4
4-3張量的獲取與存儲二1540.mp4
4-4張量的基本操作一0830.mp4
4-5張量的基本操作二1604.mp4
4-6張量中的元素類型0656.mp4
4-7張量的命名0832.mp4
4-8把張量傳遞到GPU中進行運算0607.mp4
4-9張量的底層實現(xiàn)邏輯一1942.mp4
5-1普通二維圖像的加載一0751.mp4
5-2普通二維圖像的加載二1259.mp4
5-33D圖像的加載1230.mp4
5-4普通表格數(shù)據(jù)加載1453.mp4
5-5有時間序列的表格數(shù)據(jù)加載1650.mp4
5-6連續(xù)值序列值分類值的處理1345.mp4
5-7自然語言文本數(shù)據(jù)加載1945.mp4
5-8本章小結0504.mp4
6-10使用PyTorch提供的優(yōu)化器1532.mp4
6-11神經(jīng)網(wǎng)絡重要概念-激活函數(shù)1550.mp4
6-12用PyTorch的nn模塊搭建神經(jīng)網(wǎng)絡1537.mp4
6-13構建批量訓練方法1453.mp4
6-14使用神經(jīng)網(wǎng)絡解決溫度計示數(shù)轉(zhuǎn)換問題2123.mp4
6-1常規(guī)模型訓練的過程1104.mp4
6-2溫度計示數(shù)轉(zhuǎn)換1140.mp4
6-3神經(jīng)網(wǎng)絡重要概念-損失1240.mp4
6-4PyTorch中的廣播機制1646.mp4
6-5神經(jīng)網(wǎng)絡重要概念-梯度1811.mp4
6-6神經(jīng)網(wǎng)絡重要概念-學習率1947.mp4
6-7神經(jīng)網(wǎng)絡重要概念-歸一化2620.mp4
6-8使用超參數(shù)優(yōu)化我們的模型效果1136.mp4
6-9使用PyTorch自動計算梯度1556.mp4
7-10使用卷積提取圖像中的特定特征0800.mp4
7-11借助下采樣壓縮數(shù)據(jù)0753.mp4
7-12借助PyTorch搭建卷積網(wǎng)絡1012.mp4
7-13訓練我們的分類模型1005.mp4
7-14訓練好的模型如何存儲0147.mp4
7-15該用GPU訓練我們的模型0859.mp4
7-16優(yōu)化方案之增加模型寬度-width0855.mp4
7-17優(yōu)化方案之數(shù)據(jù)正則化-normalization一1338.mp4
7-18優(yōu)化方案之數(shù)據(jù)正則化-normalization二1655.mp4
7-19優(yōu)化方案之數(shù)據(jù)正則化-normalization三0856.mp4
7-1CIFAR-10數(shù)據(jù)集介紹0804.mp4
7-20優(yōu)化方案之增加模型深度-depth0641.mp4
7-21本章小結0605.mp4
7-2為數(shù)據(jù)集實現(xiàn)Dataset類0842.mp4
7-3為模型準備訓練集和驗證集1100.mp4
7-4借助softmax方法給出分類結果1057.mp4
7-5分類模型常用損失之交叉熵損失0738.mp4
7-6全連接網(wǎng)絡實現(xiàn)圖像分類2553.mp4
7-7對全連接網(wǎng)絡的改進之卷積網(wǎng)絡1349.mp4
7-8借助PyTorch搭建卷積網(wǎng)絡模型1539.mp4
7-9卷積中的數(shù)據(jù)填充方法padding0431.mp4
8-10分割訓練集和驗證集0927.mp4
8-11CT數(shù)據(jù)可視化實現(xiàn)一1643.mp4
8-12CT數(shù)據(jù)可視化實現(xiàn)二1513.mp4
8-13CT數(shù)據(jù)可視化實現(xiàn)三0943.mp4
8-14本章小結0455.mp4
8-1肺部癌癥檢測的項目簡介1338.mp4
8-2CT數(shù)據(jù)是什么樣子0722.mp4
8-3制定一個解決方案0840.mp4
8-4分享項目中的數(shù)據(jù)集0932.mp4
8-5原始數(shù)據(jù)是長什么樣子的0822.mp4
8-6加載標注數(shù)據(jù)2219.mp4
8-7加載CT影像數(shù)據(jù)0751.mp4
8-8數(shù)據(jù)坐標系的轉(zhuǎn)換2326.mp4
8-9編寫Dataset方法1244.mp4
9-10借助TensorBoard繪制指標曲線1230.mp4
9-11新的模型評估指標F1score1751.mp4
9-12實現(xiàn)F1Score計算邏輯0858.mp4
9-13數(shù)據(jù)優(yōu)化方法1136.mp4
9-14數(shù)據(jù)重復采樣的代碼實現(xiàn)1549.mp4
9-15數(shù)據(jù)增強的代碼實現(xiàn)1937.mp4
9-16第二個模型結節(jié)分割0853.mp4
9-17圖像分割的幾種類型0705.mp4
9-18U-Net模型介紹1927.mp4
9-19為圖像分割進行數(shù)據(jù)預處理2501.mp4
9-1第一個模型結節(jié)分類1540.mp4
9-20為圖像分割構建Dataset類2623.mp4
9-21構建訓練Dataset和使用GPU進行數(shù)據(jù)增強1116.mp4
9-22Adam優(yōu)化器和Dice損失1127.mp4
9-23構建訓練流程1826.mp4
9-24模型存儲圖像存儲代碼介紹0550.mp4
9-25分割模型訓練及在TensorBoard中查看結果1145.mp4
9-26本章小結1511.mp4
9-2定義模型訓練框架1831.mp4
9-3初始化都包含什么內(nèi)容0913.mp4
9-4編寫數(shù)據(jù)加載器部分0702.mp4
9-5實現(xiàn)模型的核心部分1827.mp4
9-6定義損失計算和訓練驗證環(huán)節(jié)一1731.mp4
9-7定義損失計算和訓練驗證環(huán)節(jié)二0920.mp4
9-8在日志中保存重要信息1956.mp4
9-9嘗試訓練第一個模型1650.mp4
10-1連接分割模型和分類模型3005.mp4
10-2新的評價指標AUC-ROC曲線3716.mp4
10-3使用finetune方法構建腫瘤惡性判斷模型2908.mp4
10-4完整的實現(xiàn)端到端肺部腫瘤檢測1731.mp4
10-5使用合適的框架把模型部署上線一1446.mp4
10-6使用合適的框架把模型部署上線二1206.mp4
10-7本章小結0833.mp4
11-1腫瘤檢測系統(tǒng)架構回顧1512.mp4
11-2課程中的神經(jīng)網(wǎng)絡回顧1327.mp4
11-3模型優(yōu)化方法回顧1020.mp4
11-4面試過程中可能遇到的問題2209.mp4
11-5持續(xù)學習的幾個建議2748.mp4
Pytorch框架全流程開發(fā)醫(yī)學影像端到端判別實戰(zhàn)項目百度網(wǎng)盤
ISC-云虛擬化與云平臺的安全建設
ISC-云虛擬化與云平臺的安全建設
Pytorch框架全流程開發(fā)醫(yī)學影像端到端判別實戰(zhàn)項目
