资源简介
人工智能深度学习是近年来发展迅速的计算机科学领域，在计算机视觉、自然语言处理、语音识别、推荐系统等多个领域有着广泛的应用。随着人工智能技术的不断发展，对高素质人工智能人才的需求也越来越大。
本课程旨在帮助学员掌握人工智能深度学习的核心理论和实践技能，为学员在人工智能领域就业或创业奠定基础。
课程特色
- 课程内容全面，涵盖人工智能深度学习的核心算法、框架、工具和应用领域。
- 教学方式灵活，提供直播授课、视频回放、课后练习、项目实战等多种学习方式。
- 师资力量雄厚，由来自高校、企业的资深专家授课。
- 就业服务完善，提供就业指导、简历优化、面试辅导等服务。
资源目录
——————————\天下无鱼15号盘\计算机教程119\09-其他\648-人工智能深度学习高薪就业班(第6期)
├─01 直播课回放
│ ├─01 开班典礼
│ ├─02 Pycharm环境配置与Debug演示(没用过的同学必看)
│ ├─03 直播1：深度学习核心算法-神经网络与卷积网络
│ ├─04 直播2：卷积神经网络
│ ├─05 直播3：Transformer架构
│ ├─06 直播4：Transfomer在视觉任务中的应用实例
│ ├─07 直播5：YOLO系列（V7）算法解读
│ ├─08 直播6：分割模型Maskformer系列
│ ├─09 补充：Mask2former源码解读
│ ├─10 直播7：半监督物体检测
│ ├─11 直播8：基于图模型的时间序列预测
│ ├─12 直播9：图像定位与检索
│ ├─13 直播10：近期内容补充
│ ├─15 直播12：异构图神经网络
│ ├─16 直播13：BEV特征空间
│ ├─17 补充：BevFormer源码解读
│ ├─18 直播14：知识蒸馏
│ └─19 直播15：六期总结与论文简历
├─02 深度学习必备核心算法
│ ├─01 神经网络算法解读
│ ├─02 卷积神经网络算法解读
│ └─03 递归神经网络算法解读
├─03 深度学习核心框架PyTorch
│ ├─01 PyTorch框架介绍与配置安装
│ ├─02 使用神经网络进行分类任务
│ ├─03 神经网络回归任务-气温预测
│ ├─04 卷积网络参数解读分析
│ ├─05 图像识别模型与训练策略（重点）
│ ├─06 DataLoader自定义数据集制作
│ ├─07 LSTM文本分类实战
│ └─08 PyTorch框架Flask部署例子
├─04 MMLAB实战系列
│ ├─01 MMCV安装方法
│ ├─02 第一模块：分类任务基本操作
│ ├─03 第一模块：训练结果测试与验证
│ ├─04 第一模块：模型源码DEBUG演示
│ ├─05 第二模块：使用分割模块训练自己的数据集
│ ├─06 第二模块：基于Unet进行各种策略修改
│ ├─07 第二模块：分割任务CVPR最新Backbone设计及其应用
│ ├─08 第三模块：mmdet训练自己的数据任务
│ ├─09 第三模块：DeformableDetr物体检测源码分析
│ ├─11 第三模块：DeformableDetr算法解读
│ ├─12 KIE关键信息抽取与视频超分辨率重构
│ ├─13 第四模块：DBNET文字检测
│ ├─14 第四模块：ANINET文字识别
│ ├─15 第四模块：KIE基于图模型的关键信息抽取
│ ├─16 第五模块：stylegan2源码解读
│ ├─17 第六模块：BasicVSR++视频超分辨重构源码解读
│ ├─18 第七模块：多模态3D目标检测算法源码解读
│ ├─19 第八模块：模型蒸馏应用实例
│ ├─20 第八模块：模型剪枝方法概述分析
│ ├─21 第九模块：mmaction行为识别
│ └─22 OCR算法解读
├─05 Opencv图像处理框架实战
│ ├─01 课程简介与环境配置
│ ├─02 图像基本操作
│ ├─03 阈值与平滑处理
│ ├─04 图像形态学操作
│ ├─05 图像梯度计算
│ ├─06 边缘检测
│ ├─07 图像金字塔与轮廓检测
│ ├─08 直方图与傅里叶变换
│ ├─09 项目实战-信用卡数字识别
│ ├─10 项目实战-文档扫描OCR识别
│ ├─11 图像特征-harris
│ ├─12 图像特征-sift
│ ├─13 案例实战-全景图像拼接
│ ├─14 项目实战-停车场车位识别
│ ├─15 项目实战-答题卡识别判卷
│ ├─16 背景建模
│ ├─17 光流估计
│ ├─18 Opencv的DNN模块
│ ├─19 项目实战-目标追踪
│ ├─20 卷积原理与操作
│ └─21 项目实战-疲劳检测
├─06 综合项目-物体检测经典算法实战
│ ├─01 深度学习经典检测方法概述
│ ├─02 YOLO-V1整体思想与网络架构
│ ├─03 YOLO-V2改进细节详解
│ ├─04 YOLO-V3核心网络模型
│ ├─05 项目实战-基于V3版本进行源码解读（建议直接跑V5版本）
│ ├─06 基于YOLO-V3训练自己的数据集与任务（建议直接跑V5版本）
│ ├─07 YOLO-V4版本算法解读
│ ├─08 V5版本项目配置
│ ├─09 V5项目工程源码解读
│ ├─10 V7源码解读
│ ├─11 EfficientNet网络
│ ├─12 EfficientDet检测算法
│ ├─13 基于Transformer的detr目标检测算法
│ └─14 detr目标检测源码解读
├─07 图像分割实战
│ ├─01 图像分割及其损失函数概述
│ ├─05 U2NET显著性检测实战
│ ├─09 物体检测框架-MaskRcnn项目介绍与配置
│ ├─10 MaskRcnn网络框架源码详解
│ └─11 基于MASK-RCNN框架训练自己的数据与任务
├─08 行为识别实战
│ ├─01 slowfast算法知识点通俗解读
│ ├─02 slowfast项目环境配置与配置文件
│ ├─03 slowfast源码详细解读
│ ├─04 基于3D卷积的视频分析与动作识别
│ ├─05 视频异常检测算法与元学习
│ └─06 视频异常检测CVPR2021论文及其源码解读
├─09 2022论文必备-Transformer实战系列
│ ├─01 课程介绍
│ ├─02 自然语言处理通用框架BERT原理解读
│ ├─03 Transformer在视觉中的应用VIT算法
│ ├─04 VIT算法模型源码解读
│ ├─05 swintransformer算法原理解析
│ ├─06 swintransformer源码解读
│ ├─07 基于Transformer的detr目标检测算法
│ ├─08 detr目标检测源码解读
│ ├─09 MedicalTrasnformer论文解读
│ ├─10 MedicalTransformer源码解读
│ ├─11 商汤LoFTR算法解读
│ ├─12 局部特征关键点匹配实战
│ ├─13 项目补充-谷歌开源项目BERT源码解读与应用实例
│ └─14 项目补充-基于BERT的中文情感分析实战
├─10 图神经网络实战
│ ├─01 图神经网络基础
│ ├─02 图卷积GCN模型
│ ├─03 图模型必备神器PyTorch Geometric安装与使用
│ ├─04 使用PyTorch Geometric构建自己的图数据集
│ ├─05 图注意力机制与序列图模型
│ ├─06 图相似度论文解读
│ ├─07 图相似度计算实战
│ ├─08 基于图模型的轨迹估计
│ └─09 图模型轨迹估计实战
├─11 3D点云实战
│ ├─01 3D点云实战 3D点云应用领域分析
│ ├─02 3D点云PointNet算法
│ ├─03 PointNet++算法解读
│ ├─04 Pointnet++项目实战
│ ├─05 点云补全PF-Net论文解读
│ ├─06 点云补全实战解读
│ ├─07 点云配准及其案例实战
│ └─08 基础补充-对抗生成网络架构原理与实战解析
├─12 目标追踪与姿态估计实战
│ ├─01 课程介绍
│ ├─02 姿态估计OpenPose系列算法解读
│ ├─03 OpenPose算法源码分析
│ ├─04 deepsort算法知识点解读
│ ├─05 deepsort源码解读
│ ├─06 YOLO-V4版本算法解读
│ └─08 V5项目工程源码解读
├─13 面向深度学习的无人驾驶实战
│ ├─01 深度估计算法原理解读
│ ├─02 深度估计项目实战
│ ├─03 车道线检测算法与论文解读
│ ├─04 基于深度学习的车道线检测项目实战
│ ├─06 局部特征关键点匹配实战
│ ├─07 三维重建应用与坐标系基础
│ ├─08 NeuralRecon算法解读
│ ├─09 NeuralRecon项目环境配置
│ ├─10 NeuralRecon项目源码解读
│ ├─11 TSDF算法与应用
│ ├─12 TSDF实战案例
│ ├─14 轨迹估计预测实战
│ └─15 特斯拉无人驾驶解读
├─14 对比学习与多模态任务实战
│ ├─01 对比学习算法与实例
│ └─04 多模态文字识别
├─15 缺陷检测实战
│ ├─01 课程介绍
│ ├─02 物体检框架YOLO-V4版本算法解读
│ ├─04 物体检测框架YOLOV5项目工程源码解读
│ ├─05 基于YOLOV5的钢材缺陷检测实战
│ ├─06 Semi-supervised布料缺陷检测实战
│ ├─07 Opencv图像常用处理方法实例
│ ├─09 Opencv轮廓检测与直方图
│ ├─10 基于Opencv缺陷检测项目实战
│ ├─11 基于视频流水线的Opencv缺陷检测项目
│ └─14 Deeplab铁质材料缺陷检测与开源项目应用流程
├─16 行人重识别实战
│ ├─01 行人重识别原理及其应用
│ ├─02 基于注意力机制的Reld模型论文解读
│ ├─03 基于Attention的行人重识别项目实战
│ ├─04 AAAI2020顶会算法精讲
│ ├─05 项目实战-基于行人局部特征融合的再识别实战
│ ├─06 旷视研究院最新算法解读（基于图模型）
│ └─07 基于拓扑图的行人重识别项目实战
├─17 对抗生成网络实战
│ ├─01 课程介绍
│ ├─02 对抗生成网络架构原理与实战解析
│ ├─03 基于CycleGan开源项目实战图像合成
│ ├─04 stargan论文架构解析
│ ├─05 stargan项目实战及其源码解读
│ ├─06 基于starganvc2的变声器论文原理解读
│ ├─07 starganvc2变声器项目实战及其源码解读
│ ├─08 图像超分辨率重构实战
│ └─09 基于GAN的图像补全实战
├─18 强化学习实战系列
│ ├─01 强化学习简介及其应用
│ ├─02 PPO算法与公式推导
│ ├─03 PPO实战-月球登陆器训练实例
│ ├─04 Q-learning与DQN算法
│ ├─06 DQN改进与应用技巧
│ ├─07 Actor-Critic算法分析（A3C）
│ └─08 用A3C玩转超级马里奥
├─19 Openai顶级黑科技算法及其项目实战
│ ├─01 GPT系列生成模型
│ ├─02 GPT建模与预测流程
│ ├─03 CLIP系列
│ ├─04 Diffusion模型解读
│ ├─05 Dalle2及其源码解读
│ └─06 ChatGPT
├─20 面向医学领域的深度学习实战
│ ├─01 卷积神经网络原理与参数解读
│ ├─02 PyTorch框架基本处理操作
│ ├─03 PyTorch框架必备核心模块解读
│ ├─04 基于Resnet的医学数据集分类实战
│ ├─05 图像分割及其损失函数概述
│ ├─06 Unet系列算法讲解
│ ├─07 unet医学细胞分割实战
│ ├─08 deeplab系列算法
│ ├─09 基于deeplabV3+版本进行VOC分割实战
│ ├─10 基于deeplab的心脏视频数据诊断分析
│ ├─11 YOLO系列物体检测算法原理解读
│ ├─12 基于YOLO5细胞检测实战
│ ├─13 知识图谱原理解读
│ ├─14 Neo4j数据库实战
│ ├─15 基于知识图谱的医药问答系统实战
│ ├─16 词向量模型与RNN网络架构
│ └─17 医学糖尿病数据命名实体识别
├─21 深度学习模型部署与剪枝优化实战
│ ├─01 AIoT人工智能物联网之认识 jetson nano
│ ├─02 AIoT人工智能物联网之AI 实战
│ ├─03 AIoT人工智能物联网之NVIDIA TAO 实用级的训练神器
│ ├─04 AIoT人工智能物联网之deepstream
│ ├─05 tensorRT视频
│ ├─06 pyTorch框架部署实践
│ ├─07 YOLO-V3物体检测部署实例
│ ├─08 docker实例演示
│ ├─09 tensorflow-serving实战
│ ├─10 模型剪枝-Network Slimming算法分析
│ ├─11 模型剪枝-Network Slimming实战解读
│ └─12 Mobilenet三代网络模型架构
├─22 自然语言处理必备神器Huggingface系列实战
│ ├─01 Huggingface与NLP介绍解读
│ ├─02 Transformer工具包基本操作实例解读
│ ├─03 transformer原理解读
│ ├─04 BERT系列算法解读
│ ├─05 文本标注工具与NER实例
│ ├─06 文本预训练模型构建实例
│ ├─07 GPT系列算法
│ ├─08 GPT训练与预测部署流程
│ ├─09 文本摘要建模
│ ├─10 图谱知识抽取实战
│ └─11 补充Huggingface数据集制作方法实例
├─23 自然语言处理通用框架-BERT实战
│ ├─01 自然语言处理通用框架BERT原理解读
│ ├─02 谷歌开源项目BERT源码解读与应用实例
│ ├─03 项目实战-基于BERT的中文情感分析实战
│ ├─04 项目实战-基于BERT的中文命名实体识别识别实战
│ ├─06 必备基础-掌握Tensorflow如何实现word2vec模型
│ └─07 必备基础知识点-RNN网络架构与情感分析应用实例
├─24 自然语言处理经典案例实战
│ ├─01 NLP常用工具包实战
│ ├─02 商品信息可视化与文本分析
│ ├─03 贝叶斯算法
│ ├─04 新闻分类任务实战
│ ├─05 HMM隐马尔科夫模型
│ ├─06 HMM工具包实战
│ ├─07 语言模型
│ ├─08 使用Gemsim构建词向量
│ ├─09 基于word2vec的分类任务
│ ├─10 NLP-文本特征方法对比
│ ├─11 NLP-相似度模型
│ ├─12 LSTM情感分析
│ ├─13 机器人写唐诗
│ └─14 对话机器人
├─25 知识图谱实战系列
│ ├─04 使用python操作neo4j实例
│ ├─06 文本关系抽取实践
│ └─07 金融平台风控模型实践
├─26 语音识别实战系列
│ ├─01 seq2seq序列网络模型
│ ├─02 LAS模型语音识别实战
│ ├─05 语音分离ConvTasnet模型
│ ├─06 ConvTasnet语音分离实战
│ └─07 语音合成tacotron最新版实战
├─27 推荐系统实战系列
│ ├─01 推荐系统介绍及其应用
│ ├─02 协同过滤与矩阵分解
│ ├─03 音乐推荐系统实战
│ ├─05 基于知识图谱的电影推荐实战
│ ├─06 点击率估计FM与DeepFM算法
│ ├─07 DeepFM算法实战
│ ├─08 推荐系统常用工具包演示
│ ├─09 基于文本数据的推荐实例
│ ├─10 基本统计分析的电影推荐
│ └─11 补充-基于相似度的酒店推荐系统
├─28 AI课程所需安装软件教程
│ └─01 AI课程所需安装软件教程.mp4 15.43MB
├─29 额外补充
│ └─01 通用创新点
├─目录.txt 138.29KB
├─目录.txt.bak 138.32KB
├─目录1.txt -1.#INDB
└─资料
├─1.第一章 直播回放
├─10.第一十章 图神经?络实战 -1.#INDB
├─11.第一十一章 3D点云实战
├─12.第一十二章 ?标追踪与姿态估计实战 -1.#INDB
├─13.第一十三章 ?向深度学习的??驾驶实战 -1.#INDB
├─14.第一十四章 对比学习与多模态任务实战
├─15.第一十五章 缺陷检测实战
├─16.第一十六章 ??重识别实战 -1.#INDB
├─17.第一十七章 对抗?成?络实战 -1.#INDB
├─18.第一十八章 强化学习实战系列
├─19.第一十九章 Openai顶级黑科技算法及其项目实战
├─2.第二章 深度学习必备核?算法 -1.#INDB
├─20.第二十章 面向医学领域的深度学习实战
├─21.第二十一章 深度学习模型部署与剪枝优化实战
├─22.第二十二章 自然语言处理必备神器Huggingface系列实战
├─23.第二十三章 ?然语?处理通?框架-BERT实战 -1.#INDB
├─24.第二十四章 ?然语?处理经典案例实战 -1.#INDB
├─25.第二十五章 知识图谱实战系列
├─26.第二十六章 语?识别实战系列 -1.#INDB
├─27.第二十七章 推荐系统实战系列
├─28.第二十八章 AI课程所需安装软件教程
├─29.第二十九章 额外补充
├─3.第三章 深度学习核?框架PyTorch -1.#INDB
├─4.第四章 MMLAB实战系列
├─5.第五章 Opencv图像处理框架实战
├─6.第六章 综合项?-物体检测经典算法实战 -1.#INDB
├─7.第七章 图像分割实战
├─8.第八章 行为识别实战
└─9.第九章 2022论?必备-Transformer实战系列 -1.#INDB
\人工智能深度学习高薪就业班(第6期)
├─01 直播课回放
│ ├─01 开班典礼
│ │ └─01 开班典礼.mp4 1.04GB
│ ├─02 Pycharm环境配置与Debug演示(没用过的同学必看)
│ │ └─01 Pycharm环境配置与Debug演示(没用过的同学必看).mp4 96.06MB
│ ├─03 直播1：深度学习核心算法-神经网络与卷积网络
│ │ └─01 深度学习核心算法-神经网络与卷积网络.mp4 370.69MB
│ ├─04 直播2：卷积神经网络
│ │ └─01 卷积神经网络.mp4 414.76MB
│ ├─05 直播3：Transformer架构
│ │ └─01 Transformer架构.mp4 365.08MB
│ ├─06 直播4：Transfomer在视觉任务中的应用实例
│ │ └─01 Transfomer在视觉任务中的应用实例.mp4 661.49MB
│ ├─07 直播5：YOLO系列（V7）算法解读
│ │ └─01 YOLO系列（V7）算法解读.mp4 392.53MB
│ ├─08 直播6：分割模型Maskformer系列
│ │ └─01 分割模型Maskformer系列.mp4 570.91MB
│ ├─09 补充：Mask2former源码解读
│ │ ├─01 Backbone获取多层级特征.mp4 27.89MB
│ │ ├─02 多层级采样点初始化构建.mp4 33.82MB
│ │ ├─03 多层级输入特征序列创建方法.mp4 33.72MB
│ │ ├─04 偏移量与权重计算并转换.mp4 37.61MB
│ │ ├─05 Encoder特征构建方法实例.mp4 40.05MB
│ │ ├─06 query要预测的任务解读.mp4 36.21MB
│ │ ├─07 Decoder中的AttentionMask方法.mp4 40.02MB
│ │ ├─08 损失模块输入参数分析.mp4 31.77MB
│ │ ├─09 标签分配策略解读.mp4 33.33MB
│ │ ├─10 正样本筛选损失计算.mp4 32.52MB
│ │ ├─11 标签分类匹配结果分析.mp4 49.34MB
│ │ ├─12 最终损失计算流程.mp4 41.45MB
│ │ └─13 汇总所有损失完成迭代.mp4 28.48MB
│ ├─10 直播7：半监督物体检测
│ │ └─01 半监督物体检测.mp4 606.06MB
│ ├─11 直播8：基于图模型的时间序列预测
│ │ └─01 基于图模型的时间序列预测.mp4 911.17MB
│ ├─12 直播9：图像定位与检索
│ │ └─01 图像定位与检索.mp4 717.88MB
│ ├─13 直播10：近期内容补充
│ │ └─01 近期内容补充.mp4 725.39MB
│ ├─15 直播12：异构图神经网络
│ │ └─01 异构图神经网络.mp4 527.75MB
│ ├─16 直播13：BEV特征空间
│ │ └─01 BEV特征空间.mp4 384.59MB
│ ├─17 补充：BevFormer源码解读
│ │ ├─01 环境配置方法解读.mp4 34.18MB
│ │ ├─02 数据集下载与配置方法.mp4 41.45MB
│ │ ├─03 特征提取以及BEV空间初始化.mp4 33.67MB
│ │ ├─04 特征对齐与位置编码初始化.mp4 33.91MB
│ │ ├─05 Reference初始点构建.mp4 29.37MB
│ │ ├─06 BEV空间与图像空间位置对应.mp4 29.39MB
│ │ ├─07 注意力机制模块计算方法.mp4 30.63MB
│ │ ├─08 BEV空间特征构建.mp4 26.81MB
│ │ ├─09 Decoder要完成的任务分析.mp4 26.51MB
│ │ ├─10 获取当前BEV特征.mp4 28.59MB
│ │ ├─11 Decoder级联校正模块.mp4 33.43MB
│ │ └─12 损失函数与预测可视化.mp4 41.31MB
│ ├─18 直播14：知识蒸馏
│ │ └─01 知识蒸馏.mp4 354.3MB
│ └─19 直播15：六期总结与论文简历
│ └─01 六期总结与论文简历.mp4 289.93MB
├─02 深度学习必备核心算法
│ ├─01 神经网络算法解读
│ │ └─01 神经网络算法解读.mp4 415.3MB
│ ├─02 卷积神经网络算法解读
│ │ └─01 卷积神经网络算法解读.mp4 325.35MB
│ └─03 递归神经网络算法解读
│ └─01 递归神经网络算法解读.mp4 271.86MB
├─03 深度学习核心框架PyTorch
│ ├─01 PyTorch框架介绍与配置安装
│ │ ├─01 PyTorch框架与其他框架区别分析.mp4 28.86MB
│ │ └─02 CPU与GPU版本安装方法解读.mp4 69.6MB
│ ├─02 使用神经网络进行分类任务
│ │ ├─01 数据集与任务概述.mp4 35.62MB
│ │ ├─02 基本模块应用测试.mp4 36.46MB
│ │ ├─03 网络结构定义方法.mp4 43.97MB
│ │ ├─04 数据源定义简介.mp4 29.46MB
│ │ ├─05 损失与训练模块分析.mp4 32.02MB
│ │ ├─06 训练一个基本的分类模型.mp4 42.05MB
│ │ └─07 参数对结果的影响.mp4 39.23MB
│ ├─03 神经网络回归任务-气温预测
│ │ └─01 神经网络回归任务-气温预测.mp4 154.93MB
│ ├─04 卷积网络参数解读分析
│ │ ├─01 输入特征通道分析.mp4 33.7MB
│ │ ├─02 卷积网络参数解读.mp4 24.76MB
│ │ └─03 卷积网络模型训练.mp4 41.99MB
│ ├─05 图像识别模型与训练策略（重点）
│ │ ├─01 任务分析与图像数据基本处理.mp4 31.97MB
│ │ ├─02 数据增强模块.mp4 30.86MB
│ │ ├─03 数据集与模型选择.mp4 36.15MB
│ │ ├─04 迁移学习方法解读.mp4 34.1MB
│ │ ├─05 输出层与梯度设置.mp4 47.39MB
│ │ ├─06 输出类别个数修改.mp4 40.46MB
│ │ ├─07 优化器与学习率衰减.mp4 41.29MB
│ │ ├─08 模型训练方法.mp4 39.99MB
│ │ ├─09 重新训练全部模型.mp4 43.26MB
│ │ └─10 测试结果演示分析.mp4 91.09MB
│ ├─06 DataLoader自定义数据集制作
│ │ ├─01 Dataloader要完成的任务分析.mp4 29.04MB
│ │ ├─02 图像数据与标签路径处理.mp4 37.6MB
│ │ ├─03 Dataloader中需要实现的方法分析.mp4 33.96MB
│ │ └─04 实用Dataloader加载数据并训练模型.mp4 63.88MB
│ ├─07 LSTM文本分类实战
│ │ ├─01 数据集与任务目标分析.mp4 36.03MB
│ │ ├─02 文本数据处理基本流程分析.mp4 38.62MB
│ │ ├─03 命令行参数与DEBUG.mp4 30.07MB
│ │ ├─04 训练模型所需基本配置参数分析.mp4 33.01MB
│ │ ├─05 预料表与字符切分.mp4 25.85MB
│ │ ├─06 字符预处理转换ID.mp4 28.36MB
│ │ ├─07 LSTM网络结构基本定义.mp4 28.87MB
│ │ ├─08 网络模型预测结果输出.mp4 32.55MB
│ │ └─09 模型训练任务与总结.mp4 39.43MB
│ └─08 PyTorch框架Flask部署例子
│ ├─01 基本结构与训练好的模型加载.mp4 17.32MB
│ ├─02 服务端处理与预测函数.mp4 36.32MB
│ └─03 基于Flask测试模型预测结果.mp4 38.8MB
├─04 MMLAB实战系列
│ ├─01 MMCV安装方法
│ │ └─01 MMCV安装方法.mp4 38.52MB
│ ├─02 第一模块：分类任务基本操作
│ │ ├─01 MMCLS问题修正.mp4 18.47MB
│ │ ├─02 准备MMCLS项目.mp4 25.8MB
│ │ ├─03 基本参数配置解读.mp4 26.22MB
│ │ ├─04 各模块配置文件组成.mp4 29.53MB
│ │ ├─05 生成完整配置文件.mp4 18.7MB
│ │ ├─06 根据文件夹定义数据集.mp4 31.27MB
│ │ ├─07 构建自己的数据集.mp4 26.93MB
│ │ └─08 训练自己的任务.mp4 30.98MB
│ ├─03 第一模块：训练结果测试与验证
│ │ ├─01 测试DEMO效果.mp4 18.9MB
│ │ ├─02 测试评估模型效果.mp4 21.51MB
│ │ ├─03 MMCLS中增加一个新的模块.mp4 49.38MB
│ │ ├─04 修改配置文件中的参数.mp4 52.36MB
│ │ ├─05 数据增强流程可视化展示.mp4 29.95MB
│ │ ├─06 Grad-Cam可视化方法.mp4 30.3MB
│ │ ├─07 可视化细节与效果分析.mp4 91.83MB
│ │ ├─08 MMCLS可视化模块应用.mp4 55.84MB
│ │ └─09 模型分析脚本使用.mp4 26.39MB
│ ├─04 第一模块：模型源码DEBUG演示
│ │ ├─01 VIT任务概述.mp4 23.78MB
│ │ ├─02 数据增强模块概述分析.mp4 43.85MB
│ │ ├─03 PatchEmbedding层.mp4 19.28MB
│ │ ├─04 前向传播基本模块.mp4 30.85MB
│ │ └─05 CLS与输出模块.mp4 35.14MB
│ ├─05 第二模块：使用分割模块训练自己的数据集
│ │ ├─01 项目配置基本介绍.mp4 56.78MB
│ │ ├─02 数据集标注与制作方法.mp4 44.01MB
│ │ ├─03 根据预测类别数修改配置文件.mp4 31.28MB
│ │ ├─04 加载预训练模型开始训练.mp4 69.51MB
│ │ └─05 预测DEMO演示.mp4 16.9MB
│ ├─06 第二模块：基于Unet进行各种策略修改
│ │ ├─01 配置文件解读.mp4 25.78MB
│ │ ├─02 编码层模块.mp4 25.48MB
│ │ ├─03 上采样与输出层.mp4 22.82MB
│ │ ├─04 辅助层的作用.mp4 15.46MB
│ │ ├─05 给Unet添加一个neck层.mp4 24.6MB
│ │ ├─06 如何修改参数适配网络结构.mp4 17.29MB
│ │ ├─07 将Unet特征提取模块替换成transformer.mp4 18.19MB
│ │ └─08 VIT模块源码分析.mp4 35.23MB
│ ├─07 第二模块：分割任务CVPR最新Backbone设计及其应用
│ │ ├─01 注册自己的Backbone模块.mp4 26.58MB
│ │ ├─02 配置文件指定.mp4 29.26MB
│ │ ├─03 DEBUG解读Backbone设计.mp4 29.89MB
│ │ ├─04 PatchEmbedding的作用与实现.mp4 33.03MB
│ │ ├─05 卷积位置编码计算方法.mp4 41.9MB
│ │ ├─06 近似Attention模块实现.mp4 65.19MB
│ │ ├─07 完成特征提取与融合模块.mp4 42.11MB
│ │ ├─08 分割输出模块.mp4 40.74MB
│ │ ├─09 全局特征的作用与实现.mp4 44.06MB
│ │ └─10 汇总多层级特征进行输出.mp4 31.84MB
│ ├─08 第三模块：mmdet训练自己的数据任务
│ │ ├─01 数据集标注与标签获取.mp4 25.15MB
│ │ ├─02 COCO数据标注格式.mp4 22.09MB
│ │ ├─03 通过脚本生成COCO数据格式.mp4 29.92MB
│ │ ├─04 配置文件数据增强策略分析.mp4 35.01MB
│ │ ├─05 训练所需配置说明.mp4 44.59MB
│ │ ├─06 模型训练与DEMO演示.mp4 26.63MB
│ │ ├─07 模型测试与可视化分析模块.mp4 58.45MB
│ │ └─08 补充：评估指标.mp4 11.22MB
│ ├─09 第三模块：DeformableDetr物体检测源码分析
│ │ ├─01 特征提取与位置编码.mp4 29.54MB
│ │ ├─02 序列特征展开并叠加.mp4 37.73MB
│ │ ├─03 得到相对位置点编码.mp4 23.07MB
│ │ ├─04 准备Encoder编码层所需全部输入.mp4 28.8MB
│ │ ├─05 编码层中的序列分析.mp4 30.82MB
│ │ ├─06 偏移量offset计算.mp4 35.36MB
│ │ ├─07 偏移量对齐操作.mp4 29.92MB
│ │ ├─08 Encoder层完成特征对齐.mp4 39.83MB
│ │ ├─09 Decoder要完成的操作.mp4 30.18MB
│ │ ├─10 分类与回归输出模块.mp4 38.59MB
│ │ └─11 预测输出结果与标签匹配模块.mp4 34.69MB
│ ├─11 第三模块：DeformableDetr算法解读
│ │ └─01 DeformableDetr算法解读.mp4 540.8MB
│ ├─12 KIE关键信息抽取与视频超分辨率重构
│ │ └─01 KIE关键信息抽取与视频超分辨率重构.mp4 671.2MB
│ ├─13 第四模块：DBNET文字检测
│ │ ├─01 文字检测数据概述与配置文件.mp4 42.83MB
│ │ ├─02 配置文件参数设置.mp4 29.54MB
│ │ ├─03 Neck层特征组合.mp4 24.9MB
│ │ ├─04 损失函数模块概述.mp4 33.39MB
│ │ └─05 损失计算方法.mp4 42.65MB
│ ├─14 第四模块：ANINET文字识别
│ │ ├─01 数据集与环境概述.mp4 41.95MB
│ │ ├─02 配置文件修改方法.mp4 40.89MB
│ │ ├─03 Bakbone模块得到特征.mp4 32.66MB
│ │ ├─04 视觉Transformer模块的作用.mp4 32.87MB
│ │ ├─05 视觉模型中的编码与解码的效果.mp4 40.94MB
│ │ ├─06 文本模型中的结构分析.mp4 29.91MB
│ │ ├─07 迭代修正模块.mp4 29.63MB
│ │ └─08 输出层与损失计算.mp4 40.42MB
│ ├─15 第四模块：KIE基于图模型的关键信息抽取
│ │ ├─01 配置文件以及要完成的任务解读.mp4 35.85MB
│ │ ├─02 KIE数据集格式调整方法.mp4 54.91MB
│ │ ├─03 配置文件与标签要进行处理操作.mp4 38.08MB
│ │ ├─04 边框要计算的特征分析.mp4 27.13MB
│ │ ├─05 标签数据处理与关系特征提取.mp4 43.15MB
│ │ ├─06 特征合并处理.mp4 32.94MB
│ │ ├─07 准备拼接边与点特征.mp4 32.09MB
│ │ └─08 整合得到图模型输入特征.mp4 53.51MB
│ ├─16 第五模块：stylegan2源码解读
│ │ ├─01 要完成的任务与基本思想概述.mp4 42.32MB
│ │ ├─02 得到style特征编码.mp4 48.23MB
│ │ ├─03 特征编码风格拼接.mp4 27.52MB
│ │ ├─04 基础风格特征卷积模块.mp4 39.7MB
│ │ ├─05 上采样得到输出结果.mp4 30.65MB
│ │ └─06 损失函数概述.mp4 20.4MB
│ ├─17 第六模块：BasicVSR++视频超分辨重构源码解读
│ │ ├─01 要完成的任务分析与配置文件.mp4 21.75MB
│ │ ├─02 特征基础提取模块.mp4 32.14MB
│ │ ├─03 光流估计网络模块.mp4 20.18MB
│ │ ├─04 基于光流完成对齐操作.mp4 31.97MB
│ │ ├─05 偏移量计算方法.mp4 24.16MB
│ │ ├─06 双向计算特征对齐.mp4 28.36MB
│ │ ├─07 提特征传递流程分析.mp4 28.12MB
│ │ ├─08 序列传播计算.mp4 30.5MB
│ │ ├─09 准备变形卷积模块的输入.mp4 34.32MB
│ │ ├─10 传播流程整体完成一圈.mp4 48MB
│ │ └─11 完成输出结果.mp4 40.21MB
│ ├─18 第七模块：多模态3D目标检测算法源码解读
│ │ ├─01 环境配置与数据集概述.mp4 40.38MB
│ │ ├─02 数据与标注文件介绍.mp4 30.36MB
│ │ ├─03 基本流程梳理并进入debug模式.mp4 34.44MB
│ │ ├─04 数据与图像特征提取模块.mp4 43.2MB
│ │ ├─05 体素索引位置获取.mp4 47.14MB
│ │ ├─06 体素特征提取方法解读.mp4 27.56MB
│ │ ├─07 体素特征计算方法分析.mp4 50.68MB
│ │ ├─08 全局体素特征提取.mp4 70.15MB
│ │ ├─09 多模态特征融合.mp4 47.5MB
│ │ ├─10 3D卷积特征融合.mp4 41.42MB
│ │ └─11 输出层预测结果.mp4 61.43MB
│ ├─19 第八模块：模型蒸馏应用实例
│ │ ├─01 任务概述与工具使用.mp4 29.51MB
│ │ ├─02 Teacher与Student网络结构定义.mp4 37.76MB
│ │ ├─03 训练T与S得到蒸馏模型.mp4 54.35MB
│ │ ├─04 开始模型训练过程与问题修正.mp4 43.6MB
│ │ ├─05 日志输出与模型分离.mp4 53.46MB
│ │ ├─06 分别得到Teacher与Student模型.mp4 36.15MB
│ │ └─07 实际测试效果演示.mp4 30.76MB
│ ├─20 第八模块：模型剪枝方法概述分析
│ │ ├─01 SuperNet网络结构分析与剪枝概述.mp4 33.41MB
│ │ └─02 搜索匹配到符合计算量的模型并训练.mp4 37.01MB
│ ├─21 第九模块：mmaction行为识别
│ │ └─01 创建自己的行为识别标注数据集.mp4 166.37MB
│ └─22 OCR算法解读
│ └─01 OCR算法解读.mp4 1.22GB
├─05 Opencv图像处理框架实战
│ ├─01 课程简介与环境配置
│ │ ├─01 课程简介.mp4 4.34MB
│ │ ├─02 Python与Opencv配置安装.mp4 27.61MB
│ │ └─03 Notebook与IDE环境.mp4 61.54MB
│ ├─02 图像基本操作
│ │ ├─01 计算机眼中的图像.mp4 24.2MB
│ │ ├─02 视频的读取与处理.mp4 36.28MB
│ │ ├─03 ROI区域.mp4 12.14MB
│ │ ├─04 边界填充.mp4 18.29MB
│ │ └─05 数值计算.mp4 31.9MB
│ ├─03 阈值与平滑处理
│ │ ├─01 图像阈值.mp4 25.24MB
│ │ ├─02 图像平滑处理.mp4 19.46MB
│ │ └─03 高斯与中值滤波.mp4 16.59MB
│ ├─04 图像形态学操作
│ │ ├─01 腐蚀操作.mp4 14.52MB
│ │ ├─02 膨胀操作.mp4 9.43MB
│ │ ├─03 开运算与闭运算.mp4 7.53MB
│ │ ├─04 梯度计算.mp4 5.92MB
│ │ └─05 礼帽与黑帽.mp4 13.69MB
│ ├─05 图像梯度计算
│ │ ├─01 Sobel算子.mp4 21MB
│ │ ├─02 梯度计算方法.mp4 23.42MB
│ │ └─03 scharr与lapkacian算子.mp4 20.8MB
│ ├─06 边缘检测
│ │ ├─01 Canny边缘检测流程.mp4 14.34MB
│ │ ├─02 非极大值抑制.mp4 14.12MB
│ │ └─03 边缘检测效果.mp4 25.54MB
│ ├─07 图像金字塔与轮廓检测
│ │ ├─01 图像金字塔定义.mp4 16.04MB
│ │ ├─02 金字塔制作方法.mp4 20.19MB
│ │ ├─03 轮廓检测方法.mp4 14.59MB
│ │ ├─04 轮廓检测结果.mp4 23.61MB
│ │ ├─05 轮廓特征与近似.mp4 29.42MB
│ │ ├─06 模板匹配方法.mp4 37.35MB
│ │ └─07 匹配效果展示.mp4 17.13MB
│ ├─08 直方图与傅里叶变换
│ │ ├─01 直方图定义.mp4 19.79MB
│ │ ├─02 均衡化原理.mp4 26.01MB
│ │ ├─03 均衡化效果.mp4 21.44MB
│ │ ├─04 傅里叶概述.mp4 29.85MB
│ │ ├─05 频域变换结果.mp4 21.16MB
│ │ └─06 低通与高通滤波.mp4 23.17MB
│ ├─09 项目实战-信用卡数字识别
│ │ ├─01 总体流程与方法讲解.mp4 18.81MB
│ │ ├─02 环境配置与预处理.mp4 25.37MB
│ │ ├─03 模板处理方法.mp4 17.88MB
│ │ ├─04 输入数据处理方法.mp4 22.35MB
│ │ └─05 模板匹配得出识别结果.mp4 34.75MB
│ ├─10 项目实战-文档扫描OCR识别
│ │ ├─01 整体流程演示.mp4 16.02MB
│ │ ├─02 文档轮廓提取.mp4 21.82MB
│ │ ├─03 原始与变换坐标计算.mp4 19.71MB
│ │ ├─04 透视变换结果.mp4 23.95MB
│ │ ├─05 tesseract-ocr安装配置.mp4 28.51MB
│ │ └─06 文档扫描识别效果.mp4 20.73MB
│ ├─11 图像特征-harris
│ │ ├─01 角点检测基本原理.mp4 12.66MB
│ │ ├─02 基本数学原理.mp4 23.94MB
│ │ ├─03 求解化简.mp4 23.69MB
│ │ ├─04 特征归属划分.mp4 33.7MB
│ │ └─05 opencv角点检测效果.mp4 24.19MB
│ ├─12 图像特征-sift
│ │ ├─01 尺度空间定义.mp4 17.54MB
│ │ ├─02 高斯差分金字塔.mp4 17.54MB
│ │ ├─03 特征关键点定位.mp4 39.27MB
│ │ ├─04 生成特征描述.mp4 19.13MB
│ │ ├─05 特征向量生成.mp4 37.06MB
│ │ └─06 opencv中sift函数使用.mp4 23.08MB
│ ├─13 案例实战-全景图像拼接
│ │ ├─01 特征匹配方法.mp4 21.73MB
│ │ ├─02 RANSAC算法.mp4 28.36MB
│ │ ├─03 图像拼接方法.mp4 33.33MB
│ │ └─04 流程解读.mp4 16.25MB
│ ├─14 项目实战-停车场车位识别
│ │ ├─01 任务整体流程.mp4 38.8MB
│ │ ├─02 所需数据介绍.mp4 24.09MB
│ │ ├─03 图像数据预处理.mp4 36.17MB
│ │ ├─04 车位直线检测.mp4 41.21MB
│ │ ├─05 按列划分区域.mp4 37.61MB
│ │ ├─06 车位区域划分.mp4 39.33MB
│ │ ├─07 识别模型构建.mp4 29.78MB
│ │ └─08 基于视频的车位检测.mp4 72.08MB
│ ├─15 项目实战-答题卡识别判卷
│ │ ├─01 整体流程与效果概述.mp4 20.47MB
│ │ ├─02 预处理操作.mp4 17.86MB
│ │ ├─03 填涂轮廓检测.mp4 19.21MB
│ │ └─04 选项判断识别.mp4 35.75MB
│ ├─16 背景建模
│ │ ├─01 背景消除-帧差法.mp4 16.67MB
│ │ ├─02 混合高斯模型.mp4 21.11MB
│ │ ├─03 学习步骤.mp4 24.87MB
│ │ └─04 背景建模实战.mp4 37.02MB
│ ├─17 光流估计
│ │ ├─01 基本概念.mp4 16.77MB
│ │ ├─02 Lucas-Kanade算法.mp4 16.18MB
│ │ ├─03 推导求解.mp4 21.03MB
│ │ └─04 光流估计实战.mp4 49.12MB
│ ├─18 Opencv的DNN模块
│ │ ├─01 dnn模块.mp4 22.33MB
│ │ └─02 模型加载结果输出.mp4 30.31MB
│ ├─19 项目实战-目标追踪
│ │ ├─01 目标追踪概述.mp4 36.05MB
│ │ ├─02 多目标追踪实战.mp4 23.65MB
│ │ ├─03 深度学习检测框架加载.mp4 29.57MB
│ │ ├─04 基于dlib与ssd的追踪.mp4 49.38MB
│ │ ├─05 多进程目标追踪.mp4 20.41MB
│ │ └─06 多进程效率提升对比.mp4 45.48MB
│ ├─20 卷积原理与操作
│ │ ├─01 卷积神经网络的应用.mp4 31.4MB
│ │ ├─02 卷积层解释.mp4 20.01MB
│ │ ├─03 卷积计算过程.mp4 24.74MB
│ │ ├─04 pading与stride.mp4 23.28MB
│ │ ├─05 卷积参数共享.mp4 15.55MB
│ │ ├─06 池化层原理.mp4 14.38MB
│ │ ├─07 卷积效果演示.mp4 18.09MB
│ │ └─08 卷积操作流程.mp4 29.6MB
│ └─21 项目实战-疲劳检测
│ ├─01 关键点定位概述.mp4 20.84MB
│ ├─02 获取人脸关键点.mp4 26.69MB
│ ├─03 定位效果演示.mp4 32.4MB
│ ├─04 闭眼检测.mp4 47.61MB
│ └─05 检测效果.mp4 29.73MB
├─06 综合项目-物体检测经典算法实战
│ ├─01 深度学习经典检测方法概述
│ │ └─02 不同阶段算法优缺点分析.mp4 8.95MB
│ ├─02 YOLO-V1整体思想与网络架构
│ │ └─01 YOLO算法整体思路解读.mp4 12.69MB
│ ├─03 YOLO-V2改进细节详解
│ │ ├─01 V2版本细节升级概述.mp4 11.25MB
│ │ └─06 坐标映射与还原.mp4 8.49MB
│ ├─04 YOLO-V3核心网络模型
│ │ ├─03 经典变换方法对比分析.mp4 9.27MB
│ │ └─07 sotfmax层改进.mp4 8.78MB
│ ├─05 项目实战-基于V3版本进行源码解读（建议直接跑V5版本）
│ │ ├─01 数据与环境配置.mp4 45.92MB
│ │ ├─02 训练参数设置.mp4 17.23MB
│ │ ├─03 COCO图像数据读取与处理.mp4 30.25MB
│ │ ├─04 标签文件读取与处理.mp4 19.05MB
│ │ ├─05 debug模式介绍.mp4 19.8MB
│ │ ├─06 基于配置文件构建网络模型.mp4 29.14MB
│ │ ├─07 路由层与shortcut层的作用.mp4 24.16MB
│ │ ├─08 YOLO层定义解析.mp4 44.67MB
│ │ ├─09 预测结果计算.mp4 32.27MB
│ │ ├─10 网格偏移计算.mp4 24.06MB
│ │ ├─11 模型要计算的损失概述.mp4 17.37MB
│ │ ├─12 标签值格式修改.mp4 20.28MB
│ │ ├─13 坐标相对位置计算.mp4 23.63MB
│ │ ├─14 完成所有损失函数所需计算指标.mp4 26.24MB
│ │ ├─15 模型训练与总结.mp4 56.27MB
│ │ └─16 预测效果展示.mp4 25.13MB
│ ├─06 基于YOLO-V3训练自己的数据集与任务（建议直接跑V5版本）
│ │ ├─01 Labelme工具安装.mp4 12.56MB
│ │ ├─02 数据信息标注.mp4 23.64MB
│ │ ├─03 完成标签制作.mp4 23.63MB
│ │ ├─04 生成模型所需配置文件.mp4 27.42MB
│ │ ├─05 json格式转换成yolo-v3所需输入.mp4 15.62MB
│ │ ├─06 完成输入数据准备工作.mp4 29.35MB
│ │ ├─07 训练代码与参数配置更改.mp4 33.77MB
│ │ └─08 训练模型并测试效果.mp4 26.97MB
│ ├─07 YOLO-V4版本算法解读
│ │ ├─02 V4版本贡献解读.mp4 8.2MB
│ │ └─06 CIOU损失函数定义.mp4 8.89MB
│ ├─08 V5版本项目配置
│ │ ├─01 整体项目概述.mp4 30.59MB
│ │ ├─02 训练自己的数据集方法.mp4 32.01MB
│ │ ├─03 训练数据参数配置.mp4 39.04MB
│ │ └─04 测试DEMO演示.mp4 39.96MB
│ ├─09 V5项目工程源码解读
│ │ ├─01 数据源DEBUG流程解读.mp4 31.25MB
│ │ ├─02 图像数据源配置.mp4 25.15MB
│ │ ├─03 加载标签数据.mp4 19.15MB
│ │ ├─04 Mosaic数据增强方法.mp4 20.36MB
│ │ ├─05 数据四合一方法与流程演示.mp4 30.47MB
│ │ ├─06 getItem构建batch.mp4 24.55MB
│ │ ├─07 网络架构图可视化工具安装.mp4 24.71MB
│ │ ├─08 V5网络配置文件解读.mp4 28.15MB
│ │ ├─09 Focus模块流程分析.mp4 16.16MB
│ │ ├─10 完成配置文件解析任务.mp4 40.98MB
│ │ ├─11 前向传播计算.mp4 22.14MB
│ │ ├─12 BottleneckCSP层计算方法.mp4 23.91MB
│ │ ├─13 SPP层计算细节分析.mp4 20.95MB
│ │ ├─14 Head层流程解读.mp4 21.79MB
│ │ ├─15 上采样与拼接操作.mp4 14.72MB
│ │ ├─16 输出结果分析.mp4 26.86MB
│ │ ├─17 超参数解读.mp4 26.59MB
│ │ ├─18 命令行参数介绍.mp4 31.75MB
│ │ ├─19 训练流程解读.mp4 35.08MB
│ │ ├─20 各种训练策略概述.mp4 29.71MB
│ │ └─21 模型迭代过程.mp4 29.18MB
│ ├─10 V7源码解读
│ │ ├─01 命令行参数介绍.mp4 20.65MB
│ │ ├─02 基本参数作用.mp4 33.81MB
│ │ ├─03 EMA等训练技巧解读.mp4 42.27MB
│ │ ├─04 网络结构配置文件解读.mp4 30.17MB
│ │ ├─05 各模块操作细节分析.mp4 37.93MB
│ │ ├─06 输出层与配置文件其他模块解读.mp4 49.79MB
│ │ ├─07 标签分配策略准备操作.mp4 28.18MB
│ │ ├─08 候选框偏移方法与find3p模块解读.mp4 27.4MB
│ │ ├─09 得到偏移点所在网格位置.mp4 33.88MB
│ │ ├─10 完成BuildTargets模块.mp4 40.91MB
│ │ ├─11 候选框筛选流程分析.mp4 25.01MB
│ │ ├─12 预测值各项指标获取与调整.mp4 36.53MB
│ │ ├─13 GT匹配正样本数量计算.mp4 32.73MB
│ │ ├─14 通过IOU与置信度分配正样本.mp4 48.07MB
│ │ ├─15 损失函数计算方法.mp4 37.06MB
│ │ ├─16 辅助头AUX网络结构配置文件解析.mp4 25.75MB
│ │ ├─17 辅助头损失函数调整.mp4 33.34MB
│ │ ├─18 BN与卷积权重参数融合方法.mp4 41.81MB
│ │ └─19 重参数化多分支合并加速.mp4 34.97MB
│ ├─11 EfficientNet网络
│ │ └─01 EfficientNet网络模型.mp4 406.83MB
│ ├─12 EfficientDet检测算法
│ │ └─01 EfficientDet检测算法.mp4 344.48MB
│ ├─13 基于Transformer的detr目标检测算法
│ │ ├─01 DETR目标检测基本思想解读.mp4 16.06MB
│ │ ├─02 整体网络架构分析.mp4 24.03MB
│ │ ├─03 位置信息初始化query向量.mp4 15.82MB
│ │ ├─04 注意力机制的作用方法.mp4 16.18MB
│ │ └─05 训练过程的策略.mp4 23.74MB
│ └─14 detr目标检测源码解读
│ ├─01 项目环境配置解读.mp4 31.98MB
│ ├─02 数据处理与dataloader.mp4 46.78MB
│ ├─03 位置编码作用分析.mp4 35.67MB
│ ├─04 backbone特征提取模块.mp4 25.74MB
│ ├─05 mask与编码模块.mp4 25.66MB
│ ├─06 编码层作用方法.mp4 32.24MB
│ ├─07 Decoder层操作与计算.mp4 21.6MB
│ ├─08 输出预测结果.mp4 30.35MB
│ └─09 损失函数与预测输出.mp4 31.76MB
├─07 图像分割实战
│ ├─01 图像分割及其损失函数概述
│ │ └─03 MIOU评估标准.mp4 7.38MB
│ ├─05 U2NET显著性检测实战
│ │ ├─01 任务目标与网络整体介绍.mp4 43.02MB
│ │ ├─02 显著性检测任务与目标概述.mp4 49.01MB
│ │ ├─03 编码器模块解读.mp4 30.94MB
│ │ ├─04 解码器输出结果.mp4 21.67MB
│ │ └─05 损失函数与应用效果.mp4 25.53MB
│ ├─09 物体检测框架-MaskRcnn项目介绍与配置
│ │ ├─01 Mask-Rcnn开源项目简介.mp4 75.3MB
│ │ ├─02 开源项目数据集.mp4 33.49MB
│ │ └─03 开源项目数据集.mp4 67.38MB
│ ├─10 MaskRcnn网络框架源码详解
│ │ ├─01 FPN层特征提取原理解读.mp4 31.41MB
│ │ ├─02 FPN网络架构实现解读.mp4 42.03MB
│ │ ├─03 生成框比例设置.mp4 21.09MB
│ │ ├─04 基于不同尺度特征图生成所有框.mp4 25.04MB
│ │ ├─05 RPN层的作用与实现解读.mp4 24.4MB
│ │ ├─06 候选框过滤方法.mp4 12.55MB
│ │ ├─07 Proposal层实现方法.mp4 25.5MB
│ │ ├─08 DetectionTarget层的作用.mp4 19.28MB
│ │ ├─09 正负样本选择与标签定义.mp4 20.59MB
│ │ ├─10 RoiPooling层的作用与目的.mp4 25.22MB
│ │ ├─11 RorAlign操作的效果.mp4 19.39MB
│ │ └─12 整体框架回顾.mp4 22.88MB
│ └─11 基于MASK-RCNN框架训练自己的数据与任务
│ ├─02 使用labelme进行数据与标签标注.mp4 20.99MB
│ ├─03 完成训练数据准备工作.mp4 21.18MB
│ ├─04 maskrcnn源码修改方法.mp4 49.33MB
│ ├─05 基于标注数据训练所需任务.mp4 33.55MB
│ └─06 测试与展示模块.mp4 27.72MB
├─08 行为识别实战
│ ├─01 slowfast算法知识点通俗解读
│ │ ├─01 slowfast核心思想解读.mp4 46.89MB
│ │ ├─02 核心网络结构模块分析.mp4 17.28MB
│ │ ├─03 数据采样曾的作用.mp4 14.05MB
│ │ ├─04 模型网络结构设计.mp4 14.82MB
│ │ └─05 特征融合模块与总结分析.mp4 28.3MB
│ ├─02 slowfast项目环境配置与配置文件
│ │ ├─01 环境基本配置解读.mp4 33.61MB
│ │ ├─02 目录各文件分析.mp4 27.07MB
│ │ ├─03 配置文件作用解读.mp4 37.59MB
│ │ ├─04 测试DEMO演示.mp4 59.29MB
│ │ ├─05 训练所需标签文件说明.mp4 35.7MB
│ │ ├─06 训练所需视频数据准备.mp4 31.91MB
│ │ ├─07 视频数据集切分操作.mp4 28.9MB
│ │ └─08 完成视频分帧操作.mp4 24.24MB
│ ├─03 slowfast源码详细解读
│ │ ├─01 模型所需配置文件参数读取.mp4 24.12MB
│ │ ├─02 数据处理概述.mp4 32.06MB
│ │ ├─03 dataloader数据遍历方法.mp4 34.36MB
│ │ ├─04 数据与标签读取实例.mp4 32.41MB
│ │ ├─05 图像数据所需预处理方法.mp4 42.91MB
│ │ ├─06 slow与fast分别执行采样操作.mp4 42.54MB
│ │ ├─07 分别计算特征图输出结果.mp4 37.36MB
│ │ ├─08 slow与fast特征图拼接操作.mp4 33.44MB
│ │ ├─09 resnetBolock操作.mp4 34.68MB
│ │ └─10 RoiAlign与输出层.mp4 51.65MB
│ ├─04 基于3D卷积的视频分析与动作识别
│ │ ├─01 3D卷积原理解读.mp4 16.86MB
│ │ ├─02 UCF101动作识别数据集简介.mp4 35.7MB
│ │ ├─03 测试效果与项目配置.mp4 41.51MB
│ │ ├─04 视频数据预处理方法.mp4 22.99MB
│ │ ├─05 数据Batch制作方法.mp4 34.49MB
│ │ ├─06 3D卷积网络所涉及模块.mp4 27.67MB
│ │ └─07 训练网络模型.mp4 30.13MB
│ ├─05 视频异常检测算法与元学习
│ │ ├─01 异常检测要解决的问题与数据集介绍.mp4 17.38MB
│ │ ├─02 基本思想与流程分析.mp4 20.71MB
│ │ ├─03 预测与常见问题.mp4 21.86MB
│ │ ├─04 Meta-Learn要解决的问题.mp4 16.72MB
│ │ ├─05 学习能力与参数定义.mp4 11.51MB
│ │ ├─06 如何找到合适的初始化参数.mp4 18.9MB
│ │ └─07 MAML算法流程解读.mp4 22.61MB
│ └─06 视频异常检测CVPR2021论文及其源码解读
│ ├─01 论文概述与环境配置.mp4 19.19MB
│ ├─02 数据集配置与读取.mp4 28.28MB
│ ├─03 模型编码与解码结构.mp4 24.29MB
│ ├─04 注意力机制模块打造.mp4 45.54MB
│ ├─05 损失函数的目的.mp4 50.63MB
│ ├─06 特征图生成.mp4 30.11MB
│ └─07 MetaLearn与输出.mp4 22.05MB
├─09 2022论文必备-Transformer实战系列
│ ├─01 课程介绍
│ │ └─01 课程介绍.mp4 10.88MB
│ ├─02 自然语言处理通用框架BERT原理解读
│ │ ├─01 BERT任务目标概述.mp4 10.11MB
│ │ ├─02 传统解决方案遇到的问题.mp4 19.87MB
│ │ ├─03 注意力机制的作用.mp4 13.08MB
│ │ ├─04 self-attention计算方法.mp4 21.41MB
│ │ ├─05 特征分配与softmax机制.mp4 18.48MB
│ │ ├─06 Multi-head的作用.mp4 17MB
│ │ ├─07 位置编码与多层堆叠.mp4 14.55MB
│ │ ├─08 transformer整体架构梳理.mp4 20.18MB
│ │ ├─09 BERT模型训练方法.mp4 17.76MB
│ │ └─10 训练实例.mp4 19.42MB
│ ├─03 Transformer在视觉中的应用VIT算法
│ │ ├─01 transformer发家史介绍.mp4 12.63MB
│ │ ├─02 对图像数据构建patch序列.mp4 17.96MB
│ │ ├─03 VIT整体架构解读.mp4 18.89MB
│ │ ├─04 CNN遇到的问题与窘境.mp4 17.44MB
│ │ ├─05 计算公式解读.mp4 19.24MB
│ │ ├─06 位置编码与TNT模型.mp4 19.57MB
│ │ └─07 TNT模型细节分析.mp4 22.12MB
│ ├─04 VIT算法模型源码解读
│ │ ├─01 项目配置说明.mp4 34.37MB
│ │ ├─02 输入序列构建方法解读.mp4 21.51MB
│ │ ├─03 注意力机制计算.mp4 20.15MB
│ │ └─04 输出层计算结果.mp4 27.45MB
│ ├─05 swintransformer算法原理解析
│ │ ├─01 swintransformer整体概述.mp4 11.68MB
│ │ ├─02 要解决的问题及其优势分析.mp4 17.43MB
│ │ ├─03 一个block要完成的任务.mp4 13.78MB
│ │ ├─04 获取各窗口输入特征.mp4 15.82MB
│ │ ├─05 基于窗口的注意力机制解读.mp4 24.91MB
│ │ ├─06 窗口偏移操作的实现.mp4 19.45MB
│ │ ├─07 偏移细节分析及其计算量概述.mp4 17.07MB
│ │ ├─08 整体网络架构整合.mp4 16.13MB
│ │ ├─09 下采样操作实现方法.mp4 16.86MB
│ │ └─10 分层计算方法.mp4 16.37MB
│ ├─06 swintransformer源码解读
│ │ ├─01 数据与环境配置解读.mp4 48.62MB
│ │ ├─02 图像数据patch编码.mp4 27.92MB
│ │ ├─03 数据按window进行划分计算.mp4 24.66MB
│ │ ├─04 基础attention计算模块.mp4 21.72MB
│ │ ├─05 窗口位移模块细节分析.mp4 27.77MB
│ │ ├─06 patchmerge下采样操作.mp4 18.59MB
│ │ ├─07 各block计算方法解读.mp4 21.34MB
│ │ └─08 输出层概述.mp4 29.67MB
│ ├─07 基于Transformer的detr目标检测算法
│ │ ├─01 DETR目标检测基本思想解读.mp4 16.02MB
│ │ ├─02 整体网络架构分析.mp4 24MB
│ │ ├─03 位置信息初始化query向量.mp4 15.82MB
│ │ ├─04 注意力机制的作用方法.mp4 16.18MB
│ │ └─05 训练过程的策略.mp4 23.74MB
│ ├─08 detr目标检测源码解读
│ │ ├─01 项目环境配置解读.mp4 31.98MB
│ │ ├─02 数据处理与dataloader.mp4 46.74MB
│ │ ├─03 位置编码作用分析.mp4 35.67MB
│ │ ├─04 backbone特征提取模块.mp4 25.73MB
│ │ ├─05 mask与编码模块.mp4 25.66MB
│ │ ├─06 编码层作用方法.mp4 32.21MB
│ │ ├─07 Decoder层操作与计算.mp4 21.63MB
│ │ └─08 输出预测结果.mp4 30.39MB
│ ├─09 MedicalTrasnformer论文解读
│ │ ├─01 论文整体分析.mp4 18.35MB
│ │ ├─02 核心思想分析.mp4 39.4MB
│ │ ├─03 网络结构计算流程概述.mp4 35.54MB
│ │ ├─04 论文公式计算分析.mp4 36.46MB
│ │ ├─05 位置编码的作用与效果.mp4 35.23MB
│ │ └─06 拓展应用分析.mp4 44.06MB
│ ├─10 MedicalTransformer源码解读
│ │ ├─01 项目环境配置.mp4 19.92MB
│ │ ├─02 医学数据介绍与分析.mp4 45.28MB
│ │ ├─03 基本处理操作.mp4 18.98MB
│ │ ├─04 AxialAttention实现过程.mp4 26.74MB
│ │ ├─05 位置编码向量解读.mp4 20.55MB
│ │ ├─06 注意力计算过程与方法.mp4 39.2MB
│ │ └─07 局部特征提取与计算.mp4 28.49MB
│ ├─11 商汤LoFTR算法解读
│ │ ├─01 特征匹配的应用场景.mp4 55.02MB
│ │ ├─02 特征匹配的基本流程分析.mp4 13.1MB
│ │ ├─03 整体流程梳理分析.mp4 13.7MB
│ │ ├─04 CrossAttention的作用与效果.mp4 13.26MB
│ │ ├─05 transformer构建匹配特征.mp4 26.75MB
│ │ ├─06 粗粒度匹配过程与作用.mp4 21.4MB
│ │ ├─07 特征图拆解操作.mp4 12.16MB
│ │ ├─08 细粒度匹配的作用与方法.mp4 16.68MB
│ │ ├─09 基于期望预测最终位置.mp4 18.81MB
│ │ └─10 总结分析.mp4 26.81MB
│ ├─12 局部特征关键点匹配实战
│ │ ├─01 项目与参数配置解读.mp4 30.33MB
│ │ ├─02 DEMO效果演示.mp4 51.88MB
│ │ ├─03 backbone特征提取模块.mp4 20.14MB
│ │ ├─04 注意力机制的作用与效果分析.mp4 21.99MB
│ │ ├─05 特征融合模块实现方法.mp4 21.37MB
│ │ ├─06 cross关系计算方法实例.mp4 21.14MB
│ │ ├─07 粗粒度匹配过程.mp4 36.34MB
│ │ ├─08 完成基础匹配模块.mp4 45.63MB
│ │ ├─09 精细化调整方法与实例.mp4 31.94MB
│ │ ├─10 得到精细化输出结果.mp4 14.21MB
│ │ └─11 通过期望计算最终输出.mp4 27.08MB
│ ├─13 项目补充-谷歌开源项目BERT源码解读与应用实例
│ │ ├─01 BERT开源项目简介.mp4 33.56MB
│ │ ├─02 项目参数配置.mp4 75.02MB
│ │ ├─03 数据读取模块.mp4 39.33MB
│ │ ├─04 数据预处理模块.mp4 29.63MB
│ │ ├─05 tfrecord制作.mp4 37.7MB
│ │ ├─06 Embedding层的作用.mp4 22.82MB
│ │ ├─07 加入额外编码特征.mp4 31.48MB
│ │ ├─08 加入位置编码特征.mp4 17.18MB
│ │ ├─09 mask机制的作用.mp4 26.77MB
│ │ ├─10 构建QKV矩阵.mp4 38.19MB
│ │ ├─11 完成Transformer模块构建.mp4 30.38MB
│ │ └─12 训练BERT模型.mp4 40.94MB
│ └─14 项目补充-基于BERT的中文情感分析实战
│ ├─01 中文分类数据与任务概述.mp4 47.9MB
│ ├─02 读取处理自己的数据集.mp4 40.67MB
│ └─03 训练BERT中文分类模型.mp4 51.08MB
├─10 图神经网络实战
│ ├─01 图神经网络基础
│ │ ├─01 图神经网络应用领域分析.mp4 21.9MB
│ │ ├─02 图基本模块定义.mp4 9.28MB
│ │ ├─03 邻接矩阵的定义.mp4 12.9MB
│ │ ├─04 GNN中常见任务.mp4 15.63MB
│ │ ├─05 消息传递计算方法.mp4 12.64MB
│ │ └─06 多层GCN的作用.mp4 11.02MB
│ ├─02 图卷积GCN模型
│ │ ├─01 GCN基本模型概述.mp4 11.84MB
│ │ ├─02 图卷积的基本计算方法.mp4 10.43MB
│ │ ├─03 邻接的矩阵的变换.mp4 15.16MB
│ │ └─04 GCN变换原理解读.mp4 16.73MB
│ ├─03 图模型必备神器PyTorch Geometric安装与使用
│ │ ├─01 PyTorch Geometric工具包安装与配置方法.mp4 38.17MB
│ │ ├─02 数据集与邻接矩阵格式.mp4 42.37MB
│ │ ├─03 模型定义与训练方法.mp4 34.02MB
│ │ └─04 文献引用数据集分类案例实战.mp4 39.79MB
│ ├─04 使用PyTorch Geometric构建自己的图数据集
│ │ ├─01 构建数据集基本方法.mp4 11.37MB
│ │ ├─02 数据集与任务背景概述.mp4 16.85MB
│ │ ├─03 数据集基本预处理.mp4 25.19MB
│ │ ├─04 用户行为图结构创建.mp4 28.98MB
│ │ ├─05 数据集创建函数介绍.mp4 27.72MB
│ │ ├─06 网络结构定义模块.mp4 29.65MB
│ │ ├─07 TopkPooling进行下采样任务.mp4 24.17MB
│ │ ├─08 获取全局特征.mp4 20.71MB
│ │ └─09 模型训练与总结.mp4 27.64MB
│ ├─05 图注意力机制与序列图模型
│ │ ├─01 图注意力机制的作用与方法.mp4 13.58MB
│ │ ├─02 邻接矩阵计算图Attention.mp4 17.03MB
│ │ ├─03 序列图神经网络TGCN应用.mp4 10.55MB
│ │ └─04 序列图神经网络细节.mp4 18.98MB
│ ├─06 图相似度论文解读
│ │ ├─01 要完成的任务分析.mp4 36.69MB
│ │ ├─02 基本方法概述解读.mp4 39.08MB
│ │ ├─03 图模型提取全局与局部特征.mp4 34.55MB
│ │ ├─04 NTN模块的作用与效果.mp4 31.42MB
│ │ ├─05 点之间的对应关系计算.mp4 40.46MB
│ │ └─06 结果输出与总结.mp4 51.72MB
│ ├─07 图相似度计算实战
│ │ ├─01 数据集与任务概述.mp4 12.92MB
│ │ ├─02 图卷积特征提取模块.mp4 41.78MB
│ │ ├─03 分别计算不同Batch点的分布.mp4 23.38MB
│ │ ├─04 获得直方图特征结果.mp4 15.63MB
│ │ ├─05 图的全局特征构建.mp4 22.57MB
│ │ ├─06 NTN图相似特征提取.mp4 28.96MB
│ │ └─07 预测得到相似度结果.mp4 13.76MB
│ ├─08 基于图模型的轨迹估计
│ │ ├─01 数据集与标注信息解读.mp4 41.67MB
│ │ ├─02 整体三大模块分析.mp4 45.76MB
│ │ ├─03 特征工程的作用与效果.mp4 29.59MB
│ │ ├─04 传统方法与现在向量空间对比.mp4 40.02MB
│ │ ├─05 输入细节分析.mp4 36.46MB
│ │ ├─06 子图模块构建方法.mp4 32.52MB
│ │ ├─07 特征融合模块分析.mp4 36.86MB
│ │ └─08 VectorNet输出层分析.mp4 57.31MB
│ └─09 图模型轨迹估计实战
│ ├─01 数据与环境配置.mp4 24.55MB
│ ├─02 训练数据准备.mp4 19MB
│ ├─03 Agent特征提取方法.mp4 30.09MB
│ ├─04 DataLoader构建图结构.mp4 22.49MB
│ └─05 SubGraph与Attention模型流程.mp4 27.3MB
├─11 3D点云实战
│ ├─01 3D点云实战 3D点云应用领域分析
│ │ ├─01 点云数据概述.mp4 59.71MB
│ │ ├─02 点云应用领域与发展分析.mp4 130.53MB
│ │ ├─03 点云分割任务.mp4 54.11MB
│ │ ├─04 点云补全任务.mp4 19.85MB
│ │ ├─05 点云检测与配准任务.mp4 70.48MB
│ │ └─06 点云数据特征提取概述与预告.mp4 16.3MB
│ ├─02 3D点云PointNet算法
│ │ ├─01 3D数据应用领域与点云介绍.mp4 26.9MB
│ │ ├─02 点云数据可视化展示.mp4 24.38MB
│ │ ├─03 点云数据特性和及要解决的问题.mp4 25.51MB
│ │ ├─04 PointNet算法出发点解读.mp4 13.91MB
│ │ └─05 PointNet算法网络架构解读.mp4 24.43MB
│ ├─03 PointNet++算法解读
│ │ ├─01 PointNet升级版算法要解决的问题.mp4 17.47MB
│ │ ├─02 最远点采样方法.mp4 16MB
│ │ ├─03 分组Group方法原理解读.mp4 26.2MB
│ │ ├─04 整体流程概述分析.mp4 13.34MB
│ │ ├─05 分类与分割问题解决方案.mp4 17.07MB
│ │ └─06 遇到的问题及改进方法分析.mp4 10.38MB
│ ├─04 Pointnet++项目实战
│ │ ├─01 项目文件概述.mp4 21.66MB
│ │ ├─02 数据读取模块配置.mp4 28.76MB
│ │ ├─03 DEBUG解读网络模型架构.mp4 18.03MB
│ │ ├─04 最远点采样介绍.mp4 14.38MB
│ │ ├─05 采样得到中心点.mp4 23.17MB
│ │ ├─06 组区域划分方法.mp4 18.33MB
│ │ ├─07 实现group操作得到各中心簇.mp4 25.59MB
│ │ ├─08 特征提取模块整体流程.mp4 29.68MB
│ │ ├─09 预测结果输出模块.mp4 29.52MB
│ │ ├─10 分类任务总结.mp4 15.56MB
│ │ ├─11 分割任务数据与配置概述.mp4 31.38MB
│ │ ├─12 分割需要解决的任务概述.mp4 23.57MB
│ │ └─13 上采样完成分割任务.mp4 33.84MB
│ ├─05 点云补全PF-Net论文解读
│ │ ├─01 点云补全要解决的问题.mp4 13.76MB
│ │ ├─02 基本解决方案概述.mp4 15.08MB
│ │ ├─03 整体网络概述.mp4 16.25MB
│ │ ├─04 网络计算流程.mp4 20.59MB
│ │ └─05 输入与计算结果.mp4 41.49MB
│ ├─06 点云补全实战解读
│ │ ├─01 数据与项目配置解读.mp4 31.86MB
│ │ ├─02 待补全数据准备方法.mp4 21.11MB
│ │ ├─03 整体框架概述.mp4 33.98MB
│ │ ├─04 MRE特征提取模块.mp4 28.18MB
│ │ ├─05 分层预测输出模块.mp4 21.72MB
│ │ ├─06 补全点云数据.mp4 24.21MB
│ │ └─07 判别模块.mp4 33.75MB
│ ├─07 点云配准及其案例实战
│ │ ├─01 点云配准任务概述.mp4 13.56MB
│ │ ├─02 配准要完成的目标解读.mp4 14.9MB
│ │ ├─03 训练数据构建.mp4 16.84MB
│ │ ├─04 任务基本流程.mp4 11.95MB
│ │ ├─05 数据源配置方法.mp4 33.23MB
│ │ ├─06 参数计算模块解读.mp4 15.93MB
│ │ ├─07 基于模型预测输出参数.mp4 18.04MB
│ │ ├─08 特征构建方法分析.mp4 25.85MB
│ │ └─09 任务总结.mp4 24.9MB
│ └─08 基础补充-对抗生成网络架构原理与实战解析
│ └─02 GAN网络组成.mp4 9.51MB
├─12 目标追踪与姿态估计实战
│ ├─01 课程介绍
│ │ └─01 课程介绍.mp4 19.96MB
│ ├─02 姿态估计OpenPose系列算法解读
│ │ ├─01 姿态估计要解决的问题分析.mp4 40.29MB
│ │ ├─02 姿态估计应用领域概述.mp4 16.45MB
│ │ ├─03 传统topdown方法的问题.mp4 25.01MB
│ │ ├─04 要解决的两个问题分析.mp4 8.65MB
│ │ ├─05 基于高斯分布预测关键点位置.mp4 21.4MB
│ │ ├─06 各模块输出特征图解读.mp4 13.74MB
│ │ ├─07 PAF向量登场.mp4 10.6MB
│ │ ├─08 PAF标签设计方法.mp4 20.03MB
│ │ ├─09 预测时PAF积分计算方法.mp4 26.24MB
│ │ ├─10 匹配方法解读.mp4 16.19MB
│ │ ├─11 CPM模型特点.mp4 18.68MB
│ │ └─12 算法流程与总结.mp4 29.98MB
│ ├─03 OpenPose算法源码分析
│ │ ├─01 数据集与路径配置解读.mp4 24.77MB
│ │ ├─02 读取图像与标注信息.mp4 35.24MB
│ │ ├─03 关键点与躯干特征图初始化.mp4 23.93MB
│ │ ├─04 根据关键点位置设计关键点标签.mp4 37.72MB
│ │ ├─05 准备构建PAF躯干标签.mp4 20.97MB
│ │ ├─06 各位置点归属判断.mp4 20.56MB
│ │ ├─07 特征图各点累加向量计算.mp4 24.26MB
│ │ ├─08 完成PAF特征图制作.mp4 23.91MB
│ │ ├─09 网络模型一阶段输出.mp4 19.73MB
│ │ └─10 多阶段输出与预测.mp4 34.36MB
│ ├─04 deepsort算法知识点解读
│ │ ├─01 卡尔曼滤波通俗解释.mp4 22.81MB
│ │ ├─02 卡尔曼滤波要完成的任务.mp4 12.89MB
│ │ ├─03 任务本质分析.mp4 15.96MB
│ │ ├─04 基于观测值进行最优估计.mp4 14.77MB
│ │ ├─05 预测与更新操作.mp4 19.57MB
│ │ ├─06 追踪中的状态量.mp4 13.03MB
│ │ ├─07 匈牙利匹配算法概述.mp4 14.85MB
│ │ ├─08 匹配小例子分析.mp4 16.76MB
│ │ ├─09 REID特征的作用.mp4 15.89MB
│ │ ├─10 sort与deepsort建模流程分析.mp4 21.62MB
│ │ ├─11 预测与匹配流程解读.mp4 21.23MB
│ │ └─12 追踪任务流程拆解.mp4 22.99MB
│ ├─05 deepsort源码解读
│ │ ├─01 项目环境配置.mp4 29.18MB
│ │ ├─02 参数与DEMO演示.mp4 29.38MB
│ │ ├─03 针对检测结果初始化track.mp4 34.8MB
│ │ ├─04 对track执行预测操作.mp4 27.22MB
│ │ ├─05 状态量预测结果.mp4 25.47MB
│ │ ├─06 IOU代价矩阵计算.mp4 22.77MB
│ │ ├─07 参数更新操作.mp4 34.58MB
│ │ ├─08 级联匹配模块.mp4 28.61MB
│ │ ├─09 ReID特征代价矩阵计算.mp4 32.2MB
│ │ └─10 匹配结果与总结.mp4 54.81MB
│ ├─06 YOLO-V4版本算法解读
│ │ ├─02 V4版本贡献解读.mp4 8.2MB
│ │ └─06 CIOU损失函数定义.mp4 8.89MB
│ └─08 V5项目工程源码解读
│ └─13 1-SPP层计算细节分析.mp4 20.98MB
├─13 面向深度学习的无人驾驶实战
│ ├─01 深度估计算法原理解读
│ │ ├─01 深度估计效果与应用.mp4 50.28MB
│ │ ├─02 kitti数据集介绍.mp4 64.86MB
│ │ ├─03 使用backbone获取层级特征.mp4 17.08MB
│ │ ├─04 差异特征计算边界信息.mp4 20.9MB
│ │ ├─05 SPP层的作用.mp4 13.01MB
│ │ ├─06 空洞卷积与ASPP.mp4 15.22MB
│ │ ├─07 特征拼接方法分析.mp4 17.51MB
│ │ ├─08 网络coarse-to-fine过程.mp4 20.61MB
│ │ ├─09 权重参数预处理.mp4 22.36MB
│ │ └─10 损失计算.mp4 23.6MB
│ ├─02 深度估计项目实战
│ │ ├─01 项目环境配置解读.mp4 37.03MB
│ │ ├─02 数据与标签定义方法.mp4 50.58MB
│ │ ├─03 数据集dataloader制作.mp4 27.87MB
│ │ ├─04 使用backbone进行特征提取.mp4 30.56MB
│ │ ├─05 计算差异特征.mp4 22.66MB
│ │ ├─06 权重参数标准化操作.mp4 30.64MB
│ │ ├─07 网络结构ASPP层.mp4 35.27MB
│ │ ├─08 特征拼接方法解读.mp4 34.7MB
│ │ ├─09 输出深度估计结果.mp4 18.42MB
│ │ ├─10 损失函数通俗解读.mp4 49.18MB
│ │ └─11 模型DEMO输出结果.mp4 54.45MB
│ ├─03 车道线检测算法与论文解读
│ │ ├─01 数据标签与任务分析.mp4 39.45MB
│ │ ├─02 网络整体框架分析.mp4 23.37MB
│ │ ├─03 输出结果分析.mp4 15.09MB
│ │ ├─04 损失函数计算方法.mp4 21.16MB
│ │ └─05 论文概述分析.mp4 48.2MB
│ ├─04 基于深度学习的车道线检测项目实战
│ │ ├─01 车道数据与标签解读.mp4 43.13MB
│ │ ├─02 项目环境配置演示.mp4 21.52MB
│ │ ├─03 制作数据集dataloader.mp4 39.32MB
│ │ ├─04 车道线标签数据处理.mp4 24.06MB
│ │ ├─05 四条车道线标签位置矩阵.mp4 16.34MB
│ │ ├─06 grid设置方法.mp4 29.68MB
│ │ ├─07 完成数据与标签制作.mp4 18.52MB
│ │ ├─08 算法网络结构解读.mp4 42.15MB
│ │ ├─09 损失函数计算模块分析.mp4 33.3MB
│ │ ├─10 车道线规则损失函数限制.mp4 32.42MB
│ │ └─11 DEMO制作与配置.mp4 31.82MB
│ ├─06 局部特征关键点匹配实战
│ │ ├─02 DEMO效果演示.mp4 51.76MB
│ │ ├─03 backbone特征提取模块.mp4 20.14MB
│ │ ├─04 注意力机制的作用与效果分析.mp4 21.95MB
│ │ ├─05 特征融合模块实现方法.mp4 21.37MB
│ │ ├─06 cross关系计算方法实例.mp4 21.11MB
│ │ ├─09 精细化调整方法与实例.mp4 31.96MB
│ │ └─10 得到精细化输出结果.mp4 14.18MB
│ ├─07 三维重建应用与坐标系基础
│ │ ├─01 三维重建概述分析.mp4 49.67MB
│ │ ├─02 三维重建应用领域概述.mp4 10.83MB
│ │ ├─03 成像方法概述.mp4 13.38MB
│ │ ├─04 相机坐标系.mp4 15.12MB
│ │ ├─05 坐标系转换方法解读.mp4 17.5MB
│ │ ├─06 相机内外参.mp4 14.41MB
│ │ ├─07 通过内外参数进行坐标变换.mp4 13.82MB
│ │ └─08 相机标定简介.mp4 4.21MB
│ ├─08 NeuralRecon算法解读
│ │ ├─01 任务流程分析.mp4 16.53MB
│ │ ├─02 基本框架熟悉.mp4 22.32MB
│ │ ├─03 特征映射方法解读.mp4 27.17MB
│ │ ├─04 片段融合思想.mp4 13.43MB
│ │ └─05 整体架构重构方法.mp4 17.86MB
│ ├─09 NeuralRecon项目环境配置
│ │ ├─01 数据集下载与配置方法.mp4 39.03MB
│ │ ├─02 Scannet数据集内容概述.mp4 26.5MB
│ │ ├─03 TSDF标签生成方法.mp4 39.48MB
│ │ ├─04 ISSUE的作用.mp4 42.05MB
│ │ └─05 完成依赖环境配置.mp4 41.48MB
│ ├─10 NeuralRecon项目源码解读
│ │ ├─01 Backbone得到特征图.mp4 27.37MB
│ │ ├─02 初始化体素位置.mp4 34.07MB
│ │ ├─03 坐标映射方法实现.mp4 20.83MB
│ │ ├─04 得到体素所对应特征图.mp4 40.45MB
│ │ ├─05 插值得到对应特征向量.mp4 24.39MB
│ │ ├─06 得到一阶段输出结果.mp4 29.9MB
│ │ ├─07 完成三个阶段预测结果.mp4 33.57MB
│ │ └─08 项目总结.mp4 72.67MB
│ ├─11 TSDF算法与应用
│ │ ├─01 TSDF整体概述分析.mp4 18.9MB
│ │ ├─02 合成过程DEMO演示.mp4 13.03MB
│ │ ├─03 布局初始化操作.mp4 10.26MB
│ │ ├─04 TSDF计算基本流程解读.mp4 21.16MB
│ │ ├─05 坐标转换流程分析.mp4 24.78MB
│ │ └─06 输出结果融合更新.mp4 20.16MB
│ ├─12 TSDF实战案例
│ │ ├─01 环境配置概述.mp4 24.01MB
│ │ ├─02 初始化与数据读取.mp4 16.33MB
│ │ └─03 计算得到TSDF输出.mp4 30.45MB
│ ├─14 轨迹估计预测实战
│ │ ├─01 数据与环境配置.mp4 24.58MB
│ │ ├─02 训练数据准备.mp4 19MB
│ │ ├─03 Agent特征提取方法.mp4 30.09MB
│ │ ├─04 DataLoader构建图结构.mp4 22.52MB
│ │ └─05 SubGraph与Attention模型流程.mp4 27.3MB
│ └─15 特斯拉无人驾驶解读
│ └─01 特斯拉无人驾驶解读.mp4 409.96MB
├─14 对比学习与多模态任务实战
│ ├─01 对比学习算法与实例
│ │ └─01 对比学习算法与实例.mp4 423.98MB
│ └─04 多模态文字识别
│ └─01 多模态文字识别.mp4 588.84MB
├─15 缺陷检测实战
│ ├─01 课程介绍
│ │ └─01 课程介绍.mp4 19.17MB
│ ├─02 物体检框架YOLO-V4版本算法解读
│ │ ├─02 V4版本贡献解读.mp4 8.2MB
│ │ ├─06 CIOU损失函数定义.mp4 8.89MB
│ │ ├─第一十二章 第十模块：缺陷检测实战
│ │ └─缺陷检测实战
│ │ ├─DeepLab铁质材料缺陷检测与开源项目应用流程.zip 3.58GB
│ │ ├─PyTorch基础
│ │ │ ├─1-PyTorch框架基本处理操作.zip 98.58MB
│ │ │ ├─2-神经网络实战分类与回归任务.zip 15.82MB
│ │ │ └─3-图像识别核心模块实战解读.zip 336.95MB
│ │ ├─Resnet分类实战
│ │ │ └─Resnet.pdf 207.88KB
│ │ ├─第1-4章：YOLOV5缺陷检测
│ │ │ ├─Defective_Insulators.zip 54.69MB
│ │ │ ├─NEU-DET.zip 26.68MB
│ │ │ ├─YOLO5.zip 469.64MB
│ │ │ └─YOLO新版.pdf 3.62MB
│ │ ├─第10章：基于视频流水线的Opnecv缺陷检测项目.zip 13.96MB
│ │ ├─第11-12章：deeplab
│ │ │ ├─DeepLab.pdf 704.25KB
│ │ │ └─DeepLabV3Plus.zip 1.92GB
│ │ ├─第5章：Semi-supervised布料缺陷检测实战.zip 212.33MB
│ │ ├─第6-8章：Opencv各函数使用实例
│ │ │ ├─第一部分notebook课件.zip 7.28MB
│ │ │ └─第二部分notebook课件.zip 1.29MB
│ │ └─第9章：基于Opencv缺陷检测项目实战.zip 11.38MB
│ ├─04 物体检测框架YOLOV5项目工程源码解读
│ │ └─14 Head层流程解读.mp4 21.79MB
│ ├─05 基于YOLOV5的钢材缺陷检测实战
│ │ ├─01 任务需求与项目概述.mp4 12.92MB
│ │ ├─02 数据与标签配置方法.mp4 29.67MB
│ │ ├─03 标签转换格式脚本制作.mp4 23.8MB
│ │ ├─04 各版本模型介绍分析.mp4 24.69MB
│ │ ├─05 项目参数配置.mp4 20.2MB
│ │ ├─06 缺陷检测模型训练.mp4 27.45MB
│ │ └─07 输出结果与项目总结.mp4 34.16MB
│ ├─06 Semi-supervised布料缺陷检测实战
│ │ ├─01 任务目标与流程概述.mp4 41.67MB
│ │ ├─02 论文思想与模型分析.mp4 91.35MB
│ │ ├─03 项目配置解读.mp4 46.12MB
│ │ ├─04 网络流程分析.mp4 25.83MB
│ │ └─05 输出结果展示.mp4 28.25MB
│ ├─07 Opencv图像常用处理方法实例
│ │ ├─06 图像阈值.mp4 25.24MB
│ │ ├─07 图像平滑处理.mp4 19.46MB
│ │ ├─08 高斯与中值滤波.mp4 16.59MB
│ │ ├─10 膨胀操作.mp4 9.43MB
│ │ ├─11 开运算与闭运算.mp4 7.53MB
│ │ └─12 梯度计算.mp4 5.92MB
│ ├─09 Opencv轮廓检测与直方图
│ │ ├─03 轮廓检测方法.mp4 14.63MB
│ │ ├─04 轮廓检测结果.mp4 23.62MB
│ │ ├─05 轮廓特征与近似.mp4 29.38MB
│ │ ├─06 模板匹配方法.mp4 37.29MB
│ │ ├─07 匹配效果展示.mp4 17.08MB
│ │ ├─11 傅里叶概述.mp4 29.85MB
│ │ ├─12 频域变换结果.mp4 21.16MB
│ │ └─13 低通与高通滤波.mp4 23.18MB
│ ├─10 基于Opencv缺陷检测项目实战
│ │ ├─01 任务需求与环境配置.mp4 12.01MB
│ │ ├─02 数据读取与基本处理.mp4 19.81MB
│ │ ├─03 缺陷形态学操作.mp4 19.36MB
│ │ ├─04 整体流程解读.mp4 17.73MB
│ │ └─05 缺陷检测效果演示.mp4 38.95MB
│ ├─11 基于视频流水线的Opencv缺陷检测项目
│ │ ├─01 数据与任务概述.mp4 12.53MB
│ │ ├─02 视频数据读取与轮廓检测.mp4 15.77MB
│ │ ├─03 目标质心计算.mp4 23.52MB
│ │ ├─04 视频数据遍历方法.mp4 22.29MB
│ │ ├─05 缺陷区域提取.mp4 26.53MB
│ │ ├─06 不同类型的缺陷检测方法.mp4 26.19MB
│ │ └─07 检测效果演示.mp4 18.5MB
│ └─14 Deeplab铁质材料缺陷检测与开源项目应用流程
│ ├─01 数据集与任务概述.mp4 23.9MB
│ ├─02 开源项目应用方法.mp4 27.1MB
│ ├─03 github与kaggle中需要注意的点.mp4 30.85MB
│ ├─04 源码的利用方法.mp4 98.83MB
│ ├─04 源码的利用方法_ev.mp4 74.04MB
│ ├─05 数据集制作方法.mp4 58.2MB
│ ├─06 数据路径配置.mp4 41.9MB
│ ├─07 训练模型.mp4 25.05MB
│ └─08 任务总结.mp4 31.72MB
├─16 行人重识别实战
│ ├─01 行人重识别原理及其应用
│ │ ├─01 行人重识别要解决的问题.mp4 14.16MB
│ │ ├─02 挑战与困难分析.mp4 27.88MB
│ │ ├─03 评估标准rank1指标.mp4 10.32MB
│ │ ├─04 map值计算方法.mp4 12.3MB
│ │ ├─05 triplet损失计算实例.mp4 19.97MB
│ │ └─06 Hard-Negative方法应用.mp4 21.02MB
│ ├─02 基于注意力机制的Reld模型论文解读
│ │ ├─01 论文整体思想及注意力机制的作用解读.mp4 40.44MB
│ │ ├─02 空间权重值计算流程分析.mp4 23.32MB
│ │ ├─03 融合空间注意力所需特征.mp4 20.28MB
│ │ └─04 基于特征图的注意力计算.mp4 47.93MB
│ ├─03 基于Attention的行人重识别项目实战
│ │ ├─01 项目环境与数据集配置.mp4 38.8MB
│ │ ├─02 参数配置与整体架构分析.mp4 48.84MB
│ │ ├─03 进入debug模式解读网络计算流程.mp4 21.58MB
│ │ ├─04 获得空间位置点之间的关系.mp4 30.42MB
│ │ ├─05 组合关系特征图.mp4 29.22MB
│ │ ├─06 计算得到位置权重值.mp4 27.12MB
│ │ ├─07 基于特征图的权重计算.mp4 17.98MB
│ │ ├─08 损失函数计算实例解读.mp4 43.56MB
│ │ └─09 训练与测试模块演示.mp4 54.85MB
│ ├─04 AAAI2020顶会算法精讲
│ │ ├─01 论文整体框架概述.mp4 14.22MB
│ │ ├─02 局部特征与全局关系计算方法.mp4 13.35MB
│ │ ├─03 特征分组方法.mp4 12.77MB
│ │ ├─04 GCP模块特征融合方法.mp4 23.56MB
│ │ ├─05 oneVsReset方法实例.mp4 12.67MB
│ │ └─06 损失函数应用位置.mp4 13.73MB
│ ├─05 项目实战-基于行人局部特征融合的再识别实战
│ │ ├─01 项目配置与数据集介绍.mp4 47.39MB
│ │ ├─02 数据源构建方法分析.mp4 31.46MB
│ │ ├─03 dataloader加载顺序解读.mp4 19.41MB
│ │ ├─04 debug模式解读.mp4 46.24MB
│ │ ├─05 网络计算整体流程演示.mp4 21.57MB
│ │ ├─06 特征序列构建.mp4 28.24MB
│ │ ├─07 GCP全局特征提取.mp4 25.93MB
│ │ ├─08 局部特征提取实例.mp4 37.44MB
│ │ ├─09 特征组合汇总.mp4 32.5MB
│ │ ├─10 得到所有分组特征结果.mp4 35.8MB
│ │ ├─11 损失函数与训练过程演示.mp4 30.4MB
│ │ └─12 测试与验证模块.mp4 36.6MB
│ ├─06 旷视研究院最新算法解读（基于图模型）
│ │ ├─01 关键点位置特征构建.mp4 17.62MB
│ │ ├─02 图卷积与匹配的作用.mp4 20.13MB
│ │ ├─03 局部特征热度图计算.mp4 21.04MB
│ │ ├─04 基于图卷积构建人体拓扑关系.mp4 25.4MB
│ │ ├─05 图卷积模块实现方法.mp4 22.74MB
│ │ ├─06 图匹配在行人重识别中的作用.mp4 15.41MB
│ │ └─07 整体算法框架分析.mp4 20.29MB
│ └─07 基于拓扑图的行人重识别项目实战
│ ├─01 数据集与环境配置概述.mp4 35.09MB
│ ├─02 局部特征准备方法.mp4 38.93MB
│ ├─03 得到一阶段热度图结果.mp4 28.59MB
│ ├─04 阶段监督训练.mp4 58.65MB
│ ├─05 初始化图卷积模型.mp4 28.31MB
│ ├─06 mask矩阵的作用.mp4 32.47MB
│ ├─07 邻接矩阵学习与更新.mp4 37.09MB
│ ├─08 基于拓扑结构组合关键点特征.mp4 44.34MB
│ ├─09 图匹配模块计算流程.mp4 48.66MB
│ └─10 整体项目总结.mp4 55.75MB
├─17 对抗生成网络实战
│ ├─01 课程介绍
│ │ └─01 课程介绍.mp4 20.41MB
│ ├─02 对抗生成网络架构原理与实战解析
│ │ ├─01 对抗生成网络通俗解释.mp4 16.09MB
│ │ ├─02 GAN网络组成.mp4 9.51MB
│ │ ├─03 损失函数解释说明.mp4 31.11MB
│ │ ├─04 数据读取模块.mp4 21.88MB
│ │ └─05 生成与判别网络定义.mp4 31.54MB
│ ├─03 基于CycleGan开源项目实战图像合成
│ │ ├─01 CycleGan网络所需数据.mp4 23.17MB
│ │ ├─02 CycleGan整体网络架构.mp4 19MB
│ │ ├─03 PatchGan判别网络原理.mp4 9.52MB
│ │ ├─04 Cycle开源项目简介.mp4 37.84MB
│ │ ├─05 数据读取与预处理操作.mp4 40.45MB
│ │ ├─06 生成网络模块构造.mp4 36.07MB
│ │ ├─07 判别网络模块构造.mp4 14.58MB
│ │ ├─08 损失函数：identity loss计算方法.mp4 27.23MB
│ │ ├─09 生成与判别损失函数指定.mp4 41.18MB
│ │ └─10 额外补充：VISDOM可视化配置.mp4 26.31MB
│ ├─04 stargan论文架构解析
│ │ ├─01 stargan效果演示分析.mp4 22.99MB
│ │ ├─02 网络架构整体思路解读.mp4 22.27MB
│ │ ├─03 建模流程分析.mp4 31.1MB
│ │ ├─04 V1版本存在的问题及后续改进思路.mp4 40.55MB
│ │ ├─05 V2版本在整体网络架构.mp4 55.7MB
│ │ ├─06 编码器训练方法.mp4 45.2MB
│ │ ├─07 损失函数公式解析.mp4 36.49MB
│ │ └─08 训练过程分析.mp4 81.35MB
│ ├─05 stargan项目实战及其源码解读
│ │ ├─01 测试模块效果与实验分析.mp4 24.73MB
│ │ ├─02 项目配置与数据源下载.mp4 15.6MB
│ │ ├─03 测试效果演示.mp4 30.88MB
│ │ ├─04 项目参数解析.mp4 20.98MB
│ │ ├─05 生成器模块源码解读.mp4 34.6MB
│ │ ├─06 所有网络模块构建实例.mp4 34.07MB
│ │ ├─07 数据读取模块分析.mp4 39.59MB
│ │ ├─08 判别器损失计算.mp4 22.69MB
│ │ ├─09 损失计算详细过程.mp4 33.48MB
│ │ └─10 生成模块损失计算.mp4 49.91MB
│ ├─06 基于starganvc2的变声器论文原理解读
│ │ ├─01 论文整体思路与架构解读.mp4 29.67MB
│ │ ├─02 VCC2016输入数据.mp4 15.87MB
│ │ ├─03 语音特征提取.mp4 24.2MB
│ │ ├─04 生成器模型架构分析.mp4 11.7MB
│ │ ├─05 InstanceNorm的作用解读.mp4 15.21MB
│ │ ├─06 AdaIn的目的与效果.mp4 11.13MB
│ │ └─07 判别器模块分析.mp4 86.73MB
│ ├─07 starganvc2变声器项目实战及其源码解读
│ │ ├─01 数据与项目文件解读.mp4 16.61MB
│ │ ├─02 环境配置与工具包安装.mp4 30.25MB
│ │ ├─03 数据预处理与声音特征提取.mp4 61.1MB
│ │ ├─04 生成器构造模块解读.mp4 29.57MB
│ │ ├─05 下采样与上采样操作.mp4 24.51MB
│ │ ├─06 starganvc2版本标签输入分析.mp4 37.39MB
│ │ ├─07 生成器前向传播维度变化.mp4 19.37MB
│ │ ├─08 判别器模块解读.mp4 24.21MB
│ │ ├─09 论文损失函数.mp4 87.19MB
│ │ ├─10 源码损失计算流程.mp4 27.61MB
│ │ └─11 测试模块-生成转换语音.mp4 36.04MB
│ ├─08 图像超分辨率重构实战
│ │ ├─01 论文概述.mp4 42.02MB
│ │ ├─02 网络架构.mp4 71.02MB
│ │ ├─03 数据与环境配置.mp4 21.98MB
│ │ ├─04 数据加载与配置.mp4 28.89MB
│ │ ├─05 生成模块.mp4 35.6MB
│ │ ├─06 判别模块.mp4 31.7MB
│ │ ├─07 VGG特征提取网络.mp4 26.99MB
│ │ ├─08 损失函数与训练.mp4 67.04MB
│ │ └─09 测试模块.mp4 62.4MB
│ └─09 基于GAN的图像补全实战
│ ├─01 论文概述.mp4 71.57MB
│ ├─02 网络架构.mp4 23.41MB
│ ├─03 细节设计.mp4 68.64MB
│ ├─04 论文总结.mp4 111MB
│ ├─05 数据与项目概述.mp4 37.85MB
│ ├─06 参数基本设计.mp4 53.69MB
│ ├─07 网络结构配置.mp4 50.16MB
│ ├─08 网络迭代训练.mp4 70.55MB
│ └─09 测试模块.mp4 34.78MB
├─18 强化学习实战系列
│ ├─01 强化学习简介及其应用
│ │ ├─01 一张图通俗解释强化学习.mp4 12.45MB
│ │ ├─02 强化学习的指导依据.mp4 15.62MB
│ │ ├─03 强化学习AI游戏DEMO.mp4 13.42MB
│ │ ├─04 应用领域简介.mp4 13.86MB
│ │ ├─05 强化学习工作流程.mp4 12.11MB
│ │ └─06 计算机眼中的状态与行为.mp4 16.43MB
│ ├─02 PPO算法与公式推导
│ │ ├─01 基本情况介绍.mp4 21.78MB
│ │ ├─02 与环境交互得到所需数据.mp4 18.47MB
│ │ ├─03 要完成的目标分析.mp4 20.36MB
│ │ ├─04 策略梯度推导.mp4 18.05MB
│ │ ├─05 baseline方法.mp4 14.12MB
│ │ ├─06 OnPolicy与OffPolicy策略.mp4 16.37MB
│ │ ├─07 importance sampling的作用.mp4 18.7MB
│ │ └─08 PPO算法整体思路解析.mp4 20.43MB
│ ├─03 PPO实战-月球登陆器训练实例
│ │ ├─01 Critic的作用与效果.mp4 30.08MB
│ │ ├─02 PPO2版本公式解读.mp4 25.27MB
│ │ ├─03 参数与网络结构定义.mp4 24.8MB
│ │ ├─04 得到动作结果.mp4 21.1MB
│ │ ├─05 奖励获得与计算.mp4 26.23MB
│ │ └─06 参数迭代与更新.mp4 34.91MB
│ ├─04 Q-learning与DQN算法
│ │ ├─01 整体任务流程演示.mp4 17.28MB
│ │ ├─02 探索与action获取.mp4 20.69MB
│ │ ├─03 计算target值.mp4 16.37MB
│ │ ├─04 训练与更新.mp4 24.66MB
│ │ ├─05 算法原理通俗解读.mp4 18.82MB
│ │ ├─06 目标函数与公式解析.mp4 21.25MB
│ │ ├─07 Qlearning算法实例解读.mp4 14.16MB
│ │ ├─08 Q值迭代求解.mp4 18.42MB
│ │ └─09 DQN简介.mp4 11.6MB
│ ├─06 DQN改进与应用技巧
│ │ ├─01 DoubleDqn要解决的问题.mp4 15.79MB
│ │ ├─02 DuelingDqn改进方法.mp4 14.41MB
│ │ ├─03 Dueling整体网络架构分析.mp4 17.33MB
│ │ ├─04 MultiSetp策略.mp4 7.03MB
│ │ └─05 连续动作处理方法.mp4 17.45MB
│ ├─07 Actor-Critic算法分析（A3C）
│ │ ├─01 AC算法回顾与知识点总结.mp4 13.95MB
│ │ ├─02 优势函数解读与分析.mp4 15.51MB
│ │ ├─03 计算流程实例.mp4 13.83MB
│ │ ├─04 A3C整体架构分析.mp4 13.01MB
│ │ └─05 损失函数整理.mp4 17.91MB
│ └─08 用A3C玩转超级马里奥
│ ├─01 整体流程与环境配置.mp4 19.18MB
│ ├─02 启动游戏环境.mp4 24.56MB
│ ├─03 要计算的指标回顾.mp4 26.23MB
│ ├─04 初始化局部模型并加载参数.mp4 23.3MB
│ ├─05 与环境交互得到训练数据.mp4 27.99MB
│ └─06 训练网络模型.mp4 31.62MB
├─19 Openai顶级黑科技算法及其项目实战
│ ├─01 GPT系列生成模型
│ │ └─01 GPT系列.mp4 346.97MB
│ ├─02 GPT建模与预测流程
│ │ ├─01 生成模型可以完成的任务概述.mp4 23.08MB
│ │ ├─02 数据样本生成方法.mp4 53.49MB
│ │ ├─03 训练所需参数解读.mp4 46.15MB
│ │ ├─04 模型训练过程.mp4 41.38MB
│ │ └─05 部署与网页预测展示.mp4 62.81MB
│ ├─03 CLIP系列
│ │ └─01 CLIP系列.mp4 479.43MB
│ ├─04 Diffusion模型解读
│ │ └─01 Diffusion模型解读.mp4 547.16MB
│ ├─05 Dalle2及其源码解读
│ │ └─01 Dalle2源码解读.mp4 462.68MB
│ └─06 ChatGPT
│ └─01 ChatGPT.mp4 307.01MB
├─20 面向医学领域的深度学习实战
│ ├─01 卷积神经网络原理与参数解读
│ │ ├─01 卷积神经网络应用领域.mp4 17MB
│ │ ├─02 卷积的作用.mp4 19.55MB
│ │ ├─03 卷积特征值计算方法.mp4 17.82MB
│ │ ├─04 得到特征图表示.mp4 15.06MB
│ │ ├─05 步长与卷积核大小对结果的影响.mp4 16.54MB
│ │ ├─06 边缘填充方法.mp4 14.44MB
│ │ ├─07 特征图尺寸计算与参数共享.mp4 17.04MB
│ │ ├─08 池化层的作用.mp4 9.77MB
│ │ ├─09 整体网络架构.mp4 13.09MB
│ │ ├─10 VGG网络架构.mp4 15.63MB
│ │ ├─11 残差网络Resnet.mp4 15.69MB
│ │ └─12 感受野的作用.mp4 12.87MB
│ ├─02 PyTorch框架基本处理操作
│ │ ├─01 PyTorch实战课程简介.mp4 17.65MB
│ │ ├─02 PyTorch框架发展趋势简介.mp4 19.2MB
│ │ ├─03 框架安装方法（CPU与GPU版本）.mp4 14.24MB
│ │ ├─04 PyTorch基本操作简介.mp4 21.87MB
│ │ ├─05 自动求导机制.mp4 29.31MB
│ │ ├─06 线性回归DEMO-数据与参数配置.mp4 19.1MB
│ │ ├─07 线性回归DEMO-训练回归模型.mp4 32.78MB
│ │ ├─08 补充：常见tensor格式.mp4 16.99MB
│ │ └─09 补充：Hub模块简介.mp4 46.3MB
│ ├─03 PyTorch框架必备核心模块解读
│ │ ├─01 卷积网络参数定义.mp4 20.39MB
│ │ ├─02 网络流程解读.mp4 28.99MB
│ │ ├─03 Vision模块功能解读.mp4 18.94MB
│ │ ├─04 分类任务数据集定义与配置.mp4 22.08MB
│ │ ├─05 图像增强的作用.mp4 13.31MB
│ │ ├─06 数据预处理与数据增强模块.mp4 27.17MB
│ │ ├─07 Batch数据制作.mp4 34.46MB
│ │ ├─08 迁移学习的目标.mp4 10MB
│ │ ├─09 迁移学习策略.mp4 13.51MB
│ │ ├─10 加载训练好的网络模型.mp4 39.52MB
│ │ ├─11 优化器模块配置.mp4 20.43MB
│ │ ├─12 实现训练模块.mp4 27.46MB
│ │ ├─13 训练结果与模型保存.mp4 33.86MB
│ │ ├─14 加载模型对测试数据进行预测.mp4 43.29MB
│ │ ├─15 额外补充-Resnet论文解读.mp4 82.12MB
│ │ └─16 额外补充-Resnet网络架构解读.mp4 15.63MB
│ ├─04 基于Resnet的医学数据集分类实战
│ │ ├─01 医学疾病数据集介绍.mp4 15.89MB
│ │ ├─02 Resnet网络架构原理分析.mp4 20.7MB
│ │ ├─03 dataloader加载数据集.mp4 46.8MB
│ │ ├─04 Resnet网络前向传播.mp4 26.21MB
│ │ ├─05 残差网络的shortcut操作.mp4 34.86MB
│ │ ├─06 特征图升维与降采样操作.mp4 19.69MB
│ │ └─07 网络整体流程与训练演示.mp4 51.41MB
│ ├─05 图像分割及其损失函数概述
│ │ ├─01 语义分割与实例分割概述.mp4 15.95MB
│ │ ├─02 分割任务中的目标函数定义.mp4 15.36MB
│ │ └─03 MIOU评估标准.mp4 7.38MB
│ ├─06 Unet系列算法讲解
│ │ ├─01 Unet网络编码与解码过程.mp4 15.21MB
│ │ ├─02 网络计算流程.mp4 13.01MB
│ │ ├─03 Unet升级版本改进.mp4 12.23MB
│ │ └─04 后续升级版本介绍.mp4 14.43MB
│ ├─07 unet医学细胞分割实战
│ │ ├─01 医学细胞数据集介绍与参数配置.mp4 46.02MB
│ │ ├─02 数据增强工具.mp4 52.29MB
│ │ ├─03 Debug模式演示网络计算流程.mp4 33.61MB
│ │ ├─04 特征融合方法演示.mp4 21.25MB
│ │ ├─05 迭代完成整个模型计算任务.mp4 23.97MB
│ │ └─06 模型效果验证.mp4 35.4MB
│ ├─08 deeplab系列算法
│ │ ├─01 deeplab分割算法概述.mp4 12.26MB
│ │ ├─02 空洞卷积的作用.mp4 14.22MB
│ │ ├─03 感受野的意义.mp4 14.85MB
│ │ ├─04 SPP层的作用.mp4 15.64MB
│ │ ├─05 ASPP特征融合策略.mp4 11.13MB
│ │ └─06 deeplabV3Plus版本网络架构.mp4 19.02MB
│ ├─09 基于deeplabV3+版本进行VOC分割实战
│ │ ├─01 PascalVoc数据集介绍.mp4 49.32MB
│ │ ├─02 项目参数与数据集读取.mp4 46.37MB
│ │ ├─03 网络前向传播流程.mp4 24.29MB
│ │ ├─04 ASPP层特征融合.mp4 37.64MB
│ │ └─05 分割模型训练.mp4 26.01MB
│ ├─10 基于deeplab的心脏视频数据诊断分析
│ │ ├─01 数据集与任务概述.mp4 27.87MB
│ │ ├─02 项目基本配置参数.mp4 26.18MB
│ │ ├─03 任务流程解读.mp4 55.78MB
│ │ ├─04 文献报告分析.mp4 91.69MB
│ │ ├─05 补充：视频数据源特征处理方法概述.mp4 20.94MB
│ │ └─06 补充：R(2plus1)D处理方法分析.mp4 14.63MB
│ ├─11 YOLO系列物体检测算法原理解读
│ │ ├─01 检测任务中阶段的意义.mp4 12.98MB
│ │ ├─02 不同阶段算法优缺点分析.mp4 8.95MB
│ │ ├─03 IOU指标计算.mp4 9.83MB
│ │ ├─04 评估所需参数计算.mp4 20.94MB
│ │ ├─05 map指标计算.mp4 17.04MB
│ │ ├─06 YOLO算法整体思路解读.mp4 12.69MB
│ │ ├─07 检测算法要得到的结果.mp4 11.73MB
│ │ ├─08 整体网络架构解读.mp4 25.48MB
│ │ ├─09 位置损失计算.mp4 16.36MB
│ │ ├─10 置信度误差与优缺点分析.mp4 23.08MB
│ │ ├─11 V2版本细节升级概述.mp4 11.22MB
│ │ ├─12 网络结构特点.mp4 12.99MB
│ │ ├─13 架构细节解读.mp4 15.85MB
│ │ ├─14 基于聚类来选择先验框尺寸.mp4 20.68MB
│ │ ├─15 偏移量计算方法.mp4 23.07MB
│ │ ├─16 坐标映射与还原.mp4 8.52MB
│ │ ├─17 感受野的作用.mp4 22.28MB
│ │ ├─18 特征融合改进.mp4 16.21MB
│ │ ├─19 V3版本改进概述.mp4 14.95MB
│ │ ├─20 多scale方法改进与特征融合.mp4 14.56MB
│ │ ├─21 经典变换方法对比分析.mp4 9.27MB
│ │ ├─22 残差连接方法解读.mp4 15.89MB
│ │ ├─23 整体网络模型架构分析.mp4 10.54MB
│ │ ├─24 先验框设计改进.mp4 10.8MB
│ │ ├─25 sotfmax层改进.mp4 8.78MB
│ │ ├─26 V4版本整体概述.mp4 13.01MB
│ │ ├─27 V4版本贡献解读.mp4 8.2MB
│ │ ├─28 数据增强策略分析.mp4 19.93MB
│ │ ├─29 DropBlock与标签平滑方法.mp4 16.23MB
│ │ ├─30 损失函数遇到的问题.mp4 12.28MB
│ │ ├─31 CIOU损失函数定义.mp4 8.89MB
│ │ ├─32 NMS细节改进.mp4 12.85MB
│ │ ├─33 SPP与CSP网络结构.mp4 12.87MB
│ │ ├─34 SAM注意力机制模块.mp4 18.63MB
│ │ ├─35 PAN模块解读.mp4 18.36MB
│ │ └─36 激活函数与整体架构总结.mp4 16.17MB
│ ├─12 基于YOLO5细胞检测实战
│ │ ├─01 任务与细胞数据集介绍.mp4 34.32MB
│ │ ├─02 模型与算法配置参数解读.mp4 30.75MB
│ │ ├─03 网络训练流程演示.mp4 32.31MB
│ │ ├─04 效果评估与展示.mp4 22.48MB
│ │ └─05 细胞检测效果演示.mp4 30.65MB
│ ├─13 知识图谱原理解读
│ │ ├─01 知识图谱通俗解读.mp4 16.25MB
│ │ ├─02 知识图谱在搜索引擎中的应用.mp4 20.74MB
│ │ ├─03 知识图谱在医疗领域应用实例.mp4 65.42MB
│ │ ├─04 金融与推荐领域的应用.mp4 17.14MB
│ │ ├─05 数据获取分析.mp4 27.15MB
│ │ ├─06 数据关系抽取分析.mp4 21.3MB
│ │ ├─07 常用NLP技术点分析.mp4 18.19MB
│ │ ├─08 graph-embedding的作用与效果.mp4 21.37MB
│ │ ├─09 金融领域图编码实例.mp4 10.15MB
│ │ ├─10 视觉领域图编码实例.mp4 17.12MB
│ │ └─11 图谱知识融合与总结分析.mp4 19.22MB
│ ├─14 Neo4j数据库实战
│ │ ├─01 Neo4j图数据库介绍.mp4 36.75MB
│ │ ├─02 Neo4j数据库安装流程演示.mp4 21.06MB
│ │ ├─03 可视化例子演示.mp4 33.67MB
│ │ ├─04 创建与删除操作演示.mp4 20.28MB
│ │ └─05 数据库更改查询操作演示.mp4 21.4MB
│ ├─15 基于知识图谱的医药问答系统实战
│ │ ├─01 项目概述与整体架构分析.mp4 25.49MB
│ │ ├─02 医疗数据介绍及其各字段含义.mp4 85.49MB
│ │ ├─03 任务流程概述.mp4 24.83MB
│ │ ├─04 环境配置与所需工具包安装.mp4 24.23MB
│ │ ├─05 提取数据中的关键字段信息.mp4 43.56MB
│ │ ├─06 创建关系边.mp4 28.73MB
│ │ ├─07 打造医疗知识图谱模型.mp4 41.8MB
│ │ ├─08 加载所有实体数据.mp4 27.31MB
│ │ ├─09 实体关键词字典制作.mp4 24.13MB
│ │ └─10 完成对话系统构建.mp4 28.65MB
│ ├─16 词向量模型与RNN网络架构
│ │ ├─01 词向量模型通俗解释.mp4 17.35MB
│ │ ├─02 模型整体框架.mp4 23.56MB
│ │ ├─03 训练数据构建.mp4 13.87MB
│ │ ├─04 CBOW与Skip-gram模型.mp4 20.1MB
│ │ ├─05 负采样方案.mp4 24.2MB
│ │ └─06 额外补充-RNN网络模型解读.mp4 21.08MB
│ └─17 医学糖尿病数据命名实体识别
│ ├─01 数据与任务介绍.mp4 17.2MB
│ ├─02 整体模型架构.mp4 12.01MB
│ ├─03 数据-标签-语料库处理.mp4 28.87MB
│ ├─04 输入样本填充补齐.mp4 26.49MB
│ ├─05 训练网络模型.mp4 30.07MB
│ └─06 医疗数据集（糖尿病）实体识别.mp4 67.87MB
├─21 深度学习模型部署与剪枝优化实战
│ ├─01 AIoT人工智能物联网之认识 jetson nano
│ │ ├─01 jetson nano 硬件介绍.mp4 20.82MB
│ │ ├─02 jetson nano 刷机.mp4 16.01MB
│ │ ├─03 jetson nano 系统安装过程.mp4 89.8MB
│ │ ├─04 感受nano的GPU算力.mp4 67.16MB
│ │ └─05 安装使用摄像头csi usb.mp4 47.55MB
│ ├─02 AIoT人工智能物联网之AI 实战
│ │ ├─01 jetson-inference 入门.mp4 43.86MB
│ │ ├─02 docker 的安装使用.mp4 32.63MB
│ │ ├─03 docker中运行分类模型.mp4 141.34MB
│ │ ├─04 训练自己的目标检测模型准备.mp4 56.12MB
│ │ ├─05 训练出自己目标识别模型a.mp4 101.63MB
│ │ ├─06 训练出自己目标识别模型b.mp4 67.93MB
│ │ └─07 转换出onnx模型，并使用.mp4 437.24MB
│ ├─03 AIoT人工智能物联网之NVIDIA TAO 实用级的训练神器
│ │ ├─01 NVIDIA TAO介绍和安装.mp4 75.5MB
│ │ ├─02 NVIDIA TAO数据准备和环境设置.mp4 46.33MB
│ │ ├─03 NVIDIA TAO数据转换.mp4 146.44MB
│ │ ├─04 NVIDIA TAO预训练模型和训练a.mp4 73.65MB
│ │ ├─05 NVIDIA TAO预训练模型和训练b.mp4 13.54MB
│ │ ├─06 NVIDIA TAO预训练模型和训练c..mp4 32.06MB
│ │ └─07 TAO 剪枝在训练推理验证.mp4 143.98MB
│ ├─04 AIoT人工智能物联网之deepstream
│ │ ├─01 deepstream 介绍安装.mp4 79.02MB
│ │ ├─02 deepstream HelloWorld.mp4 48.33MB
│ │ ├─03 GStreamer RTP和RTSP1.mp4 85.36MB
│ │ ├─04 GStreamer RTP和RTSP2.mp4 111.14MB
│ │ ├─05 python实现RTP和RTSP.mp4 75.31MB
│ │ ├─06 deepstream推理.mp4 111.38MB
│ │ └─07 deepstream集成yolov4.mp4 108.51MB
│ ├─05 tensorRT视频
│ │ ├─01 源码【内有百度云地址，自取】.txt 75B
│ │ ├─01 说在前面.mp4 27.34MB
│ │ ├─02 学习工具环境的介绍，自动环境配置.mp4 32.91MB
│ │ ├─03 cuda驱动API，课程概述和清单.mp4 14.36MB
│ │ ├─04 cuda驱动API，初始化和检查的理解，CUDA错误检查习惯.mp4 54.35MB
│ │ ├─05 cuda驱动API，上下文管理设置，以及其作用.mp4 36.25MB
│ │ ├─06 cuda驱动API，使用驱动API进行内存分配.mp4 16.29MB
│ │ ├─07 cuda运行时API，课程概述和清单.mp4 10.72MB
│ │ ├─08 cuda运行时API，第一个运行时程序，hello-cuda.mp4 17.07MB
│ │ ├─09 cuda运行时API，内存的学习，pinnedmemory，内存效率问题.mp4 39.69MB
│ │ ├─10 cuda运行时API，流的学习，异步任务的管理.mp4 32.67MB
│ │ ├─11 cuda运行时API，核函数的定义和使用.mp4 115.42MB
│ │ ├─12 cuda运行时API，共享内存的学习.mp4 39.35MB
│ │ ├─13 cuda运行时API，使用cuda核函数加速warpaffine.mp4 45.75MB
│ │ ├─14 cuda运行时API，使用cuda核函数加速yolov5的后处理.mp4 122.15MB
│ │ ├─15 cuda运行时API，错误处理的理解以及错误的传播特性.mp4 25.83MB
│ │ ├─16 tensorRT基础，课程概述清单.mp4 26.84MB
│ │ ├─17 tensorRT基础，第一个trt程序，实现模型编译的过程.mp4 41.94MB
│ │ ├─18 tensorRT基础，实现模型的推理过程.mp4 40.09MB
│ │ ├─19 tensorRT基础，模型推理时动态shape的具体实现要点.mp4 36.76MB
│ │ ├─20 tensorRT基础，onnx文件及其结构的学习，编辑修改onnx.mkv.mp4 80.14MB
│ │ ├─21 tensorRT基础，实际模型上onnx文件的各种操作.mp4 227.02MB
│ │ ├─22 tensorRT基础，正确导出onnx的介绍，使得onnx问题尽量少.mp4 24.99MB
│ │ ├─23 tensorRT基础，学习使用onnx解析器来读取onnx文件，使用onnx-tensorrt源代码.mp4 89.32MB
│ │ ├─24 tensorRT基础，学习从下载onnx-tensorrt到配置好并运行起来全过程.mp4 115.59MB
│ │ ├─25 tensorRT基础，学习第一个插件的编写.mp4 141.2MB
│ │ ├─26 tensorRT基础，对插件过程进行封装，并实现更容易的插件开发.mp4 80.33MB
│ │ ├─27 tensorRT基础，学习编译int8模型，对模型进行int8量化.mp4 118.27MB
│ │ ├─28 tensorRT高级，课程概述和清单.mp4 32.3MB
│ │ ├─29 tensorRT高级，第一个完整的分类器程序.mp4 82.98MB
│ │ ├─30 tensorRT高级，学习yolov5目标检测项目的代码修改、模型导出、编译到推理过程，没有封装.mp4 144.19MB
│ │ ├─31 tensorRT高级，学习UNet场景分割项目的代码修改、模型导出、编译到推理过程，没有封装.mp4 283.67MB
│ │ ├─32 tensorRT高级，学习alphapose姿态检测项目的代码修改、模型导出、编译到推理过程，没有封装.mp4 385.47MB
│ │ ├─33 tensorRT高级，学习如何处理mmdetection框架下yolox模型的导出，并使得正常推理出来.mp4 303.16MB
│ │ ├─34 tensorRT高级，学习如何使用onnxruntime进行onnx的模型推理过程.mp4 63.09MB
│ │ ├─35 tensorRT高级，学习如何使用openvino进行onnx的模型推理过程.mp4 49.51MB
│ │ ├─36 tensorRT高级，学习深度学习中涉及的线程知识.mp4 54.28MB
│ │ ├─37 tensorRT高级，学习模型部署时常用的生产者消费者模型，以及future、promise、condition_variable.mkv.mp4 137.02MB
│ │ ├─38 tensorRT高级，学习使用RAII资源获取即初始化配合接口模式对代码进行有效封装.mp4 125.43MB
│ │ ├─39 tensorRT高级，学习RAII 接口模式下的生产者消费者以及多Batch的实现.mp4 129.41MB
│ │ ├─40 tensorRT高级，封装之，模型编译过程封装，简化模型编译代码.mp4 82.12MB
│ │ ├─41 tensorRT高级，封装之，内存管理的封装，内存的复用.mp4 39.71MB
│ │ ├─42 tensorRT高级，封装之，tensor张量的封装，索引计算，内存标记以及自动复制.mp4 118.52MB
│ │ ├─43 tensorRT高级，封装之，infer推理的封装，输入输出tensor的关联.mp4 50.57MB
│ │ ├─44 tensorRT高级，封装之，基于生产者消费者实现的yolov5封装.mp4 80.56MB
│ │ ├─45 tensorRT高级，封装之，终极封装形态，以及考虑的问题.mp4 234.61MB
│ │ ├─46 tensorRT高级，调试方法、思想讨论.mp4 87.75MB
│ │ ├─47 tensorRT高级，自动驾驶案例项目self-driving-道路分割分析.mp4 173.54MB
│ │ ├─48 tensorRT高级，自动驾驶案例项目self-driving-深度估计分析.mp4 99.57MB
│ │ ├─49 tensorRT高级，自动驾驶案例项目self-driving-车道线检测分析.mp4 239.77MB
│ │ └─50 tensorRT高级，学习使用pybind11为python开发扩展模块.mp4 91.77MB
│ ├─06 pyTorch框架部署实践
│ │ ├─01 所需基本环境配置.mp4 16.18MB
│ │ ├─02 模型加载与数据预处理.mp4 28.03MB
│ │ ├─03 接收与预测模块实现.mp4 28.56MB
│ │ ├─04 效果实例演示.mp4 31.64MB
│ │ ├─05 课程简介.mp4 6.52MB
│ │ └─第一十九章 深度学习模型部署与剪枝优化实战
│ │ ├─Docker使用命令.zip 7.83MB
│ │ ├─Mobilenet.pdf 2.41MB
│ │ ├─mobilenetv3.py 7.31KB
│ │ ├─pytorch-slimming.zip 356.43MB
│ │ ├─PyTorch模型部署实例.zip 102.8KB
│ │ ├─TensorFlow-serving.zip 2.96MB
│ │ ├─YOLO部署实例.zip 876.45MB
│ │ └─剪枝算法.pdf 504.02KB
│ ├─07 YOLO-V3物体检测部署实例
│ │ ├─01 项目所需配置文件介绍.mp4 18.91MB
│ │ ├─02 加载参数与模型权重.mp4 26.94MB
│ │ ├─03 数据预处理.mp4 40.35MB
│ │ └─04 返回线性预测结果.mp4 32.57MB
│ ├─08 docker实例演示
│ │ ├─01 docker简介.mp4 12.14MB
│ │ ├─02 docker安装与配置.mp4 36.85MB
│ │ ├─03 阿里云镜像配置.mp4 20.05MB
│ │ ├─04 基于docker配置pytorch环境.mp4 28.39MB
│ │ ├─05 安装演示环境所需依赖.mp4 25.13MB
│ │ ├─06 复制所需配置到容器中.mp4 21.71MB
│ │ └─07 上传与下载配置好的项目.mp4 36.19MB
│ ├─09 tensorflow-serving实战
│ │ ├─01 tf-serving项目获取与配置.mp4 23.18MB
│ │ ├─02 加载并启动模型服务.mp4 23.15MB
│ │ ├─03 测试模型部署效果.mp4 32.59MB
│ │ ├─04 fashion数据集获取.mp4 27.32MB
│ │ └─05 加载fashion模型启动服务.mp4 28.23MB
│ ├─10 模型剪枝-Network Slimming算法分析
│ │ ├─01 论文算法核心框架概述.mp4 15.27MB
│ │ ├─02 BatchNorm要解决的问题.mp4 15.14MB
│ │ ├─03 BN的本质作用.mp4 17.66MB
│ │ ├─04 额外的训练参数解读.mp4 16.15MB
│ │ └─05 稀疏化原理与效果.mp4 19.09MB
│ ├─11 模型剪枝-Network Slimming实战解读
│ │ ├─01 整体案例流程解读.mp4 25.4MB
│ │ ├─02 加入L1正则化来进行更新.mp4 20.53MB
│ │ ├─03 剪枝模块介绍.mp4 23.63MB
│ │ ├─04 筛选需要的特征图.mp4 27.92MB
│ │ ├─05 剪枝后模型参数赋值.mp4 36.69MB
│ │ └─06 微调完成剪枝模型.mp4 33.71MB
│ └─12 Mobilenet三代网络模型架构
│ ├─01 模型剪枝分析.mp4 17.37MB
│ ├─02 常见剪枝方法介绍.mp4 19.86MB
│ ├─03 mobilenet简介.mp4 7.5MB
│ ├─04 经典卷积计算量与参数量分析.mp4 11.52MB
│ ├─05 深度可分离卷积的作用与效果.mp4 12.73MB
│ ├─06 参数与计算量的比较.mp4 31.98MB
│ ├─07 V1版本效果分析.mp4 19.62MB
│ ├─08 V2版本改进以及Relu激活函数的问题.mp4 15.45MB
│ ├─09 倒残差结构的作用.mp4 14.38MB
│ ├─10 V2整体架构与效果分析.mp4 8.36MB
│ ├─11 V3版本网络架构分析.mp4 9.57MB
│ ├─12 SE模块作用与效果解读.mp4 25.55MB
│ └─13 代码实现mobilenetV3网络架构.mp4 47.02MB
├─22 自然语言处理必备神器Huggingface系列实战
│ ├─01 Huggingface与NLP介绍解读
│ │ └─01 Huggingface与NLP介绍解读.mp4 133.52MB
│ ├─02 Transformer工具包基本操作实例解读
│ │ ├─01 工具包与任务整体介绍.mp4 24.29MB
│ │ ├─02 NLP任务常规流程分析.mp4 23.34MB
│ │ ├─03 文本切分方法实例解读.mp4 34.52MB
│ │ ├─04 AttentionMask配套使用方法.mp4 32.73MB
│ │ ├─05 数据集与模型.mp4 34.75MB
│ │ ├─06 数据Dataloader封装.mp4 45.42MB
│ │ ├─07 模型训练所需配置参数.mp4 32.04MB
│ │ └─08 模型训练DEMO.mp4 51.52MB
│ ├─03 transformer原理解读
│ │ └─01 transformer原理解读.mp4 302.11MB
│ ├─04 BERT系列算法解读
│ │ ├─01 BERT模型训练方法解读.mp4 20.74MB
│ │ ├─02 ALBERT基本定义.mp4 31.85MB
│ │ ├─03 ALBERT中的简化方法解读.mp4 36.68MB
│ │ ├─04 RoBerta模型训练方法解读.mp4 22.65MB
│ │ └─05 DistilBert模型解读.mp4 13.97MB
│ ├─05 文本标注工具与NER实例
│ │ ├─01 文本标注工具Doccano配置方法.mp4 27.66MB
│ │ ├─02 命名实体识别任务标注方法实例.mp4 29.99MB
│ │ ├─03 标注导出与BIO处理.mp4 30.65MB
│ │ ├─04 标签处理并完成对齐操作.mp4 32.66MB
│ │ ├─05 预训练模型加载与参数配置.mp4 34.16MB
│ │ └─06 模型训练与输出结果预测.mp4 35.58MB
│ ├─06 文本预训练模型构建实例
│ │ ├─01 预训练模型效果分析.mp4 27.07MB
│ │ ├─02 文本数据截断处理.mp4 38.12MB
│ │ └─03 预训练模型自定义训练.mp4 83.34MB
│ ├─07 GPT系列算法
│ │ ├─01 GPT系列算法概述.mp4 21.8MB
│ │ ├─02 GPT三代版本分析.mp4 25.04MB
│ │ ├─03 GPT初代版本要解决的问题.mp4 26.62MB
│ │ ├─04 GPT第二代版本训练策略.mp4 22.54MB
│ │ ├─05 采样策略与多样性.mp4 22.15MB
│ │ ├─06 GPT3的提示与生成方法.mp4 58.77MB
│ │ ├─07 应用场景CODEX分析.mp4 31.1MB
│ │ └─08 DEMO应用演示.mp4 72.72MB
│ ├─08 GPT训练与预测部署流程
│ │ └─1-11 节额外补充：GPT建模与预测流程
│ │ └─ChinesePretrainedModels.zip 1.62GB
│ ├─09 文本摘要建模
│ │ ├─01 中文商城评价数据处理方法.mp4 53.68MB
│ │ ├─02 模型训练与测试结果.mp4 83.07MB
│ │ ├─03 文本摘要数据标注方法.mp4 44.45MB
│ │ ├─04 训练自己标注的数据并测试.mp4 22.74MB
│ │ └─1-12 节额外补充：文本摘要建模
│ │ └─Summarization.zip 2.04GB
│ ├─10 图谱知识抽取实战
│ │ ├─01 应用场景概述分析.mp4 66.44MB
│ │ ├─02 数据标注格式样例分析.mp4 51.38MB
│ │ ├─03 数据处理与读取模块.mp4 31.6MB
│ │ ├─04 实体抽取模块分析.mp4 37.16MB
│ │ ├─05 标签与数据结构定义方法.mp4 39.88MB
│ │ ├─06 模型构建与计算流程.mp4 35.87MB
│ │ ├─07 网络模型前向计算方法.mp4 26.18MB
│ │ └─08 关系抽取模型训练.mp4 33.54MB
│ └─11 补充Huggingface数据集制作方法实例
│ ├─01 数据结构分析.mp4 46.28MB
│ ├─02 Huggingface中的预处理实例.mp4 67.48MB
│ └─03 数据处理基本流程.mp4 62.47MB
├─23 自然语言处理通用框架-BERT实战
│ ├─01 自然语言处理通用框架BERT原理解读
│ │ ├─01 BERT课程简介.mp4 21.55MB
│ │ ├─02 BERT任务目标概述.mp4 10.07MB
│ │ ├─03 传统解决方案遇到的问题.mp4 19.87MB
│ │ ├─04 注意力机制的作用.mp4 13.08MB
│ │ ├─05 self-attention计算方法.mp4 21.41MB
│ │ ├─06 特征分配与softmax机制.mp4 18.48MB
│ │ ├─07 Multi-head的作用.mp4 17MB
│ │ ├─08 位置编码与多层堆叠.mp4 14.55MB
│ │ ├─09 transformer整体架构梳理.mp4 20.18MB
│ │ ├─10 BERT模型训练方法.mp4 17.79MB
│ │ └─11 训练实例.mp4 19.42MB
│ ├─02 谷歌开源项目BERT源码解读与应用实例
│ │ ├─01 BERT开源项目简介.mp4 33.52MB
│ │ ├─02 项目参数配置.mp4 75.01MB
│ │ ├─03 数据读取模块.mp4 39.33MB
│ │ ├─04 数据预处理模块.mp4 29.63MB
│ │ ├─05 tfrecord数据源制作.mp4 37.7MB
│ │ ├─06 Embedding层的作用.mp4 22.79MB
│ │ ├─07 加入额外编码特征.mp4 31.48MB
│ │ ├─08 加入位置编码特征.mp4 17.18MB
│ │ ├─09 mask机制的作用.mp4 26.77MB
│ │ ├─10 构建QKV矩阵.mp4 38.23MB
│ │ ├─11 完成Transformer模块构建.mp4 30.38MB
│ │ └─12 训练BERT模型.mp4 40.91MB
│ ├─03 项目实战-基于BERT的中文情感分析实战
│ │ ├─01 中文分类数据与任务概述.mp4 47.93MB
│ │ ├─02 读取处理自己的数据集.mp4 40.67MB
│ │ └─03 训练BERT中文分类模型.mp4 51.07MB
│ ├─04 项目实战-基于BERT的中文命名实体识别识别实战
│ │ ├─01 命名实体识别数据分析与任务目标.mp4 25.14MB
│ │ ├─02 NER标注数据处理与读取.mp4 51.73MB
│ │ └─03 构建BERT与CRF模型.mp4 48.72MB
│ ├─06 必备基础-掌握Tensorflow如何实现word2vec模型
│ │ ├─01 数据与任务流程.mp4 36.6MB
│ │ ├─02 数据清洗.mp4 21.21MB
│ │ ├─03 batch数据制作.mp4 38MB
│ │ ├─04 网络训练.mp4 37.77MB
│ │ └─05 可视化展示.mp4 31MB
│ └─07 必备基础知识点-RNN网络架构与情感分析应用实例
│ ├─02 NLP应用领域与任务简介.mp4 27.14MB
│ ├─03 项目流程解读.mp4 34.01MB
│ ├─04 加载词向量特征.mp4 24.99MB
│ ├─05 正负样本数据读取.mp4 30.76MB
│ ├─06 构建LSTM网络模型.mp4 37MB
│ ├─07 训练与测试效果.mp4 71MB
│ └─08 LSTM情感分析.mp4 460.22MB
├─24 自然语言处理经典案例实战
│ ├─01 NLP常用工具包实战
│ │ ├─01 Python字符串处理.mp4 32.38MB
│ │ ├─02 正则表达式基本语法.mp4 26.35MB
│ │ ├─03 正则常用符号.mp4 30.76MB
│ │ ├─04 常用函数介绍.mp4 31.78MB
│ │ ├─05 NLTK工具包简介.mp4 24.56MB
│ │ ├─06 停用词过滤.mp4 22.19MB
│ │ ├─07 词性标注.mp4 28.95MB
│ │ ├─08 数据清洗实例.mp4 36.17MB
│ │ ├─09 Spacy工具包.mp4 36.94MB
│ │ ├─10 名字实体匹配.mp4 17.58MB
│ │ ├─11 恐怖袭击分析.mp4 33.51MB
│ │ ├─12 统计分析结果.mp4 38.12MB
│ │ ├─13 结巴分词器.mp4 22.95MB
│ │ └─14 词云展示.mp4 72.84MB
│ ├─02 商品信息可视化与文本分析
│ │ ├─01 在线商城商品数据信息概述.mp4 27.31MB
│ │ ├─02 商品类别划分方式.mp4 30.38MB
│ │ ├─03 商品类别可视化展示.mp4 33.33MB
│ │ ├─04 商品描述长度对价格的影响分析.mp4 27.75MB
│ │ ├─05 关键词的词云可视化展示.mp4 45.18MB
│ │ ├─06 基于tf-idf提取关键词信息.mp4 27.52MB
│ │ ├─07 通过降维进行可视化展示.mp4 30.92MB
│ │ └─08 聚类分析与主题模型展示.mp4 48.53MB
│ ├─03 贝叶斯算法
│ │ ├─01 贝叶斯算法概述.mp4 10.25MB
│ │ ├─02 贝叶斯推导实例.mp4 11.08MB
│ │ ├─03 贝叶斯拼写纠错实例.mp4 17.59MB
│ │ ├─04 垃圾邮件过滤实例.mp4 21.07MB
│ │ └─05 贝叶斯实现拼写检查器.mp4 33.53MB
│ ├─04 新闻分类任务实战
│ │ ├─01 文本分析与关键词提取.mp4 18.07MB
│ │ ├─02 相似度计算.mp4 17.52MB
│ │ ├─03 新闻数据与任务简介.mp4 30.56MB
│ │ ├─04 TF-IDF关键词提取.mp4 44.01MB
│ │ ├─05 LDA建模.mp4 26.23MB
│ │ └─06 基于贝叶斯算法进行新闻分类.mp4 46.71MB
│ ├─05 HMM隐马尔科夫模型
│ │ ├─01 马尔科夫模型.mp4 14.28MB
│ │ ├─02 隐马尔科夫模型基本出发点.mp4 15.05MB
│ │ ├─03 组成与要解决的问题.mp4 12.13MB
│ │ ├─04 暴力求解方法.mp4 21.02MB
│ │ ├─05 复杂度计算.mp4 12.42MB
│ │ ├─06 前向算法.mp4 28.2MB
│ │ ├─07 前向算法求解实例.mp4 27.1MB
│ │ ├─08 Baum-Welch算法.mp4 20.76MB
│ │ ├─09 参数求解.mp4 13.68MB
│ │ └─10 维特比算法.mp4 34.25MB
│ ├─06 HMM工具包实战
│ │ ├─01 hmmlearn工具包.mp4 16.18MB
│ │ ├─02 工具包使用方法.mp4 48MB
│ │ ├─03 中文分词任务.mp4 11.17MB
│ │ └─04 实现中文分词.mp4 27.71MB
│ ├─07 语言模型
│ │ ├─01 开篇.mp4 7.56MB
│ │ ├─02 语言模型.mp4 8.33MB
│ │ ├─03 N-gram模型.mp4 12.62MB
│ │ ├─04 词向量.mp4 12.6MB
│ │ ├─05 神经网络模型.mp4 14.99MB
│ │ ├─06 Hierarchical Softmax.mp4 14.55MB
│ │ ├─07 CBOW模型实例.mp4 17.33MB
│ │ ├─08 CBOW求解目标.mp4 8.2MB
│ │ ├─09 锑度上升求解.mp4 15.56MB
│ │ └─10 负采样模型.mp4 9.77MB
│ ├─08 使用Gemsim构建词向量
│ │ ├─01 使用Gensim库构造词向量.mp4 14.84MB
│ │ ├─02 维基百科中文数据处理.mp4 34.3MB
│ │ ├─03 Gensim构造word2vec模型.mp4 19.17MB
│ │ └─04 测试模型相似度结果.mp4 17.75MB
│ ├─09 基于word2vec的分类任务
│ │ ├─01 影评情感分类.mp4 43.97MB
│ │ ├─02 基于词袋模型训练分类器.mp4 26.8MB
│ │ ├─03 准备word2vec输入数据.mp4 23.42MB
│ │ └─04 使用gensim构建word2vec词向量（新）.mp4 54.58MB
│ ├─10 NLP-文本特征方法对比
│ │ ├─01 任务概述.mp4 30.59MB
│ │ ├─02 词袋模型.mp4 23.2MB
│ │ ├─03 词袋模型分析.mp4 53.16MB
│ │ ├─04 TFIDF模型.mp4 35.64MB
│ │ ├─05 word2vec词向量模型.mp4 40.9MB
│ │ └─06 深度学习模型.mp4 31.08MB
│ ├─11 NLP-相似度模型
│ │ ├─01 任务概述.mp4 10.63MB
│ │ ├─02 数据展示.mp4 17.04MB
│ │ ├─03 正负样本制作.mp4 28.71MB
│ │ ├─04 数据预处理.mp4 29.06MB
│ │ ├─05 网络模型定义.mp4 39.2MB
│ │ ├─06 基于字符的训练.mp4 40.91MB
│ │ └─07 基于句子的相似度训练.mp4 29.18MB
│ ├─12 LSTM情感分析
│ │ ├─01 RNN网络架构.mp4 18.07MB
│ │ ├─02 LSTM网络架构.mp4 16.64MB
│ │ ├─03 案例：使用LSTM进行情感分类.mp4 28.37MB
│ │ ├─04 情感数据集处理.mp4 32.21MB
│ │ └─05 基于word2vec的LSTM模型.mp4 47.24MB
│ ├─13 机器人写唐诗
│ │ ├─01 任务概述与环境配置.mp4 11.25MB
│ │ ├─02 参数配置.mp4 20.54MB
│ │ ├─03 数据预处理模块.mp4 31.88MB
│ │ ├─04 batch数据制作.mp4 25.87MB
│ │ ├─05 RNN模型定义.mp4 16.6MB
│ │ ├─06 完成训练模块.mp4 25.3MB
│ │ ├─07 训练唐诗生成模型.mp4 10.34MB
│ │ └─08 测试唐诗生成效果.mp4 19.61MB
│ └─14 对话机器人
│ ├─01 效果演示.mp4 24.2MB
│ ├─02 参数配置与数据加载.mp4 37.67MB
│ ├─03 数据处理.mp4 31.8MB
│ ├─04 词向量与投影.mp4 29.2MB
│ ├─05 seq网络.mp4 23.67MB
│ └─06 网络训练.mp4 28.48MB
├─25 知识图谱实战系列
│ ├─04 使用python操作neo4j实例
│ │ ├─01 使用Py2neo建立连接.mp4 31.38MB
│ │ ├─02 提取所需的指标信息.mp4 35.68MB
│ │ ├─03 在图中创建实体.mp4 30.48MB
│ │ └─04 根据给定实体创建关系.mp4 36.17MB
│ ├─06 文本关系抽取实践
│ │ ├─01 关系抽取要完成的任务演示与分析.mp4 13.83MB
│ │ ├─02 LTP工具包概述介绍.mp4 35.51MB
│ │ ├─03 pyltp安装与流程演示.mp4 30.13MB
│ │ ├─04 得到分词与词性标注结果.mp4 33.37MB
│ │ ├─05 依存句法概述.mp4 22.06MB
│ │ ├─06 句法分析结果整理.mp4 28.07MB
│ │ ├─07 语义角色构建与分析.mp4 39.63MB
│ │ └─08 设计规则完成关系抽取.mp4 38.22MB
│ └─07 金融平台风控模型实践
│ ├─01 竞赛任务目标.mp4 18.72MB
│ ├─02 图模型信息提取.mp4 23.51MB
│ ├─03 节点权重特征提取(PageRank).mp4 28.38MB
│ ├─04 deepwalk构建图顶点特征.mp4 42.22MB
│ ├─05 各项统计特征.mp4 40.57MB
│ ├─06 app安装特征.mp4 33.73MB
│ └─07 图中联系人特征.mp4 55.96MB
├─26 语音识别实战系列
│ ├─01 seq2seq序列网络模型
│ │ ├─01 序列网络模型概述分析.mp4 15.35MB
│ │ ├─02 工作原理概述.mp4 7.46MB
│ │ ├─03 注意力机制的作用.mp4 12.54MB
│ │ ├─04 加入attention的序列模型整体架构.mp4 17.99MB
│ │ └─05 TeacherForcing的作用与训练策略.mp4 13.92MB
│ ├─02 LAS模型语音识别实战
│ │ ├─01 数据源与环境配置.mp4 23.62MB
│ │ ├─02 语料表制作方法.mp4 18.49MB
│ │ ├─03 制作json标注数据.mp4 28.78MB
│ │ ├─04 声音数据处理模块解读.mp4 43.67MB
│ │ ├─05 Pack与Pad操作解析.mp4 26.11MB
│ │ ├─06 编码器模块整体流程.mp4 22.3MB
│ │ ├─07 加入注意力机制.mp4 24.02MB
│ │ ├─08 计算得到每个输出的attention得分.mp4 26.56MB
│ │ └─09 解码器与训练过程演示.mp4 31.69MB
│ ├─05 语音分离ConvTasnet模型
│ │ ├─01 语音分离任务分析.mp4 7.28MB
│ │ ├─02 经典语音分离模型概述.mp4 14.87MB
│ │ ├─03 DeepClustering论文解读.mp4 12.76MB
│ │ ├─04 TasNet编码器结构分析.mp4 32.49MB
│ │ ├─05 DW卷积的作用与效果.mp4 8.89MB
│ │ └─06 基于Mask得到分离结果.mp4 14.08MB
│ ├─06 ConvTasnet语音分离实战
│ │ ├─01 数据准备与环境配置.mp4 56.94MB
│ │ ├─02 训练任务所需参数介绍.mp4 20.58MB
│ │ ├─03 DataLoader定义.mp4 25.84MB
│ │ ├─04 采样数据特征编码.mp4 28.11MB
│ │ ├─05 编码器特征提取.mp4 40.11MB
│ │ ├─06 构建更大的感受区域.mp4 37.09MB
│ │ ├─07 解码得到分离后的语音.mp4 35.34MB
│ │ └─08 测试模块所需参数.mp4 32.68MB
│ └─07 语音合成tacotron最新版实战
│ ├─01 语音合成项目所需环境配置.mp4 34.64MB
│ ├─02 所需数据集介绍.mp4 32.55MB
│ ├─03 路径配置与整体流程解读.mp4 46.09MB
│ ├─04 Dataloader构建数据与标签.mp4 52.87MB
│ ├─05 编码层要完成的任务.mp4 33.31MB
│ ├─06 得到编码特征向量.mp4 20.52MB
│ ├─07 解码器输入准备.mp4 24.83MB
│ ├─08 解码器流程梳理.mp4 30.63MB
│ ├─09 注意力机制应用方法.mp4 37.26MB
│ ├─10 得到加权的编码向量.mp4 38.05MB
│ ├─11 模型输出结果.mp4 39.78MB
│ └─12 损失函数与预测.mp4 34.73MB
├─27 推荐系统实战系列
│ ├─01 推荐系统介绍及其应用
│ │ ├─01 1-推荐系统通俗解读.mp4 14.61MB
│ │ ├─02 2-推荐系统发展简介.mp4 19.2MB
│ │ ├─03 3-应用领域与多方位评估指标.mp4 20.16MB
│ │ ├─04 4-任务流程与挑战概述.mp4 21.92MB
│ │ ├─05 5-常用技术点分析.mp4 13.79MB
│ │ └─06 6-与深度学习的结合.mp4 19.13MB
│ ├─02 协同过滤与矩阵分解
│ │ ├─01 1-协同过滤与矩阵分解简介.mp4 8.95MB
│ │ ├─02 2-基于用户与商品的协同过滤.mp4 15.68MB
│ │ ├─03 3-相似度计算与推荐实例.mp4 12.15MB
│ │ ├─04 4-矩阵分解的目的与效果.mp4 17.31MB
│ │ ├─05 5-矩阵分解中的隐向量.mp4 20.13MB
│ │ ├─06 6-目标函数简介.mp4 10.78MB
│ │ ├─07 7-隐式情况分析.mp4 11.62MB
│ │ └─08 8-Embedding的作用.mp4 8.92MB
│ ├─03 音乐推荐系统实战
│ │ ├─01 1-音乐推荐任务概述.mp4 55.21MB
│ │ ├─02 2-数据集整合.mp4 42.97MB
│ │ ├─03 3-基于物品的协同过滤.mp4 48.36MB
│ │ ├─04 4-物品相似度计算与推荐.mp4 52.54MB
│ │ ├─05 5-SVD矩阵分解.mp4 24.92MB
│ │ └─06 6-基于矩阵分解的音乐推荐.mp4 64.03MB
│ ├─05 基于知识图谱的电影推荐实战
│ │ ├─01 1-知识图谱推荐系统效果演示.mp4 17.15MB
│ │ ├─02 2-kaggle电影数据集下载与配置.mp4 47.01MB
│ │ ├─03 3-图谱需求与任务流程解读.mp4 19.96MB
│ │ ├─04 4-项目所需环境配置安装.mp4 35.82MB
│ │ ├─05 5-构建用户电影知识图谱.mp4 43.41MB
│ │ ├─06 6-图谱查询与匹配操作.mp4 14.8MB
│ │ └─07 7-相似度计算与推荐引擎构建.mp4 28.44MB
│ ├─06 点击率估计FM与DeepFM算法
│ │ ├─01 1-CTR估计及其经典方法概述.mp4 16.9MB
│ │ ├─02 2-高维特征带来的问题.mp4 9.92MB
│ │ ├─03 3-二项式特征的作用与挑战.mp4 10.08MB
│ │ ├─04 4-二阶公式推导与化简.mp4 17.27MB
│ │ ├─05 5-FM算法解析.mp4 16.31MB
│ │ ├─06 6-DeepFm整体架构解读.mp4 12.37MB
│ │ ├─07 7-输入层所需数据样例.mp4 10.97MB
│ │ └─08 8-Embedding层的作用与总结.mp4 17.03MB
│ ├─07 DeepFM算法实战
│ │ ├─01 1-数据集介绍与环境配置.mp4 41.08MB
│ │ ├─02 2-广告点击数据预处理实例.mp4 36.84MB
│ │ ├─03 3-数据处理模块Embedding层.mp4 24.61MB
│ │ ├─04 4-Index与Value数据制作.mp4 20.82MB
│ │ ├─05 5-一阶权重参数设计.mp4 23.78MB
│ │ ├─06 6-二阶特征构建方法.mp4 20.9MB
│ │ ├─07 7-特征组合方法实例分析.mp4 31.05MB
│ │ ├─08 8-完成FM模块计算.mp4 15.58MB
│ │ └─09 9-DNN模块与训练过程.mp4 28.36MB
│ ├─08 推荐系统常用工具包演示
│ │ ├─01 1-环境配置与数据集介绍.mp4 24.97MB
│ │ ├─02 2-电影数据集预处理分析.mp4 27.96MB
│ │ ├─03 3-surprise工具包基本使用.mp4 27.38MB
│ │ ├─04 4-模型测试集结果.mp4 25.09MB
│ │ └─05 5-评估指标概述.mp4 46.55MB
│ ├─09 基于文本数据的推荐实例
│ │ ├─01 1-数据与环境配置介绍.mp4 13.11MB
│ │ ├─02 2-数据科学相关数据介绍.mp4 24.27MB
│ │ ├─03 3-文本数据预处理.mp4 29.04MB
│ │ ├─04 4-TFIDF构建特征矩阵.mp4 22.22MB
│ │ ├─05 5-矩阵分解演示.mp4 21.76MB
│ │ ├─06 6-LDA主题模型效果演示.mp4 38.49MB
│ │ └─07 7-推荐结果分析.mp4 34.39MB
│ ├─10 基本统计分析的电影推荐
│ │ ├─01 1-电影数据与环境配置.mp4 52.41MB
│ │ ├─02 2-数据与关键词信息展示.mp4 44.81MB
│ │ ├─03 3-关键词云与直方图展示.mp4 42.15MB
│ │ ├─04 4-特征可视化.mp4 33.15MB
│ │ ├─05 5-数据清洗概述.mp4 49.36MB
│ │ ├─06 6-缺失值填充方法.mp4 33.95MB
│ │ ├─07 7-推荐引擎构造.mp4 36.11MB
│ │ ├─08 8-数据特征构造.mp4 26.41MB
│ │ └─09 9-得出推荐结果.mp4 37.29MB
│ └─11 补充-基于相似度的酒店推荐系统
│ ├─01 1-酒店数据与任务介绍.mp4 18.15MB
│ ├─02 2-文本词频统计.mp4 25.41MB
│ ├─03 3-ngram结果可视化展示.mp4 41.4MB
│ ├─04 4-文本清洗.mp4 27.26MB
│ ├─05 5-相似度计算.mp4 37.12MB
│ └─06 6-得出推荐结果.mp4 44.93MB
├─28 AI课程所需安装软件教程
│ └─01 AI课程所需安装软件教程.mp4 15.43MB
├─29 额外补充
│ └─01 通用创新点
│ ├─01 ACMIX（卷积与注意力融合）.mp4 62.29MB
│ ├─02 GCnet(全局特征融合).mp4 50.75MB
│ ├─03 Coordinate_attention.mp4 55MB
│ ├─04 SPD（可替换下采样）.mp4 30.77MB
│ ├─05 SPP改进.mp4 11.79MB
│ ├─06 mobileOne(加速).mp4 28.63MB
│ ├─07 Deformable(替换selfAttention).mp4 31.59MB
│ ├─08 ProbAttention(采样策略).mp4 17.12MB
│ ├─09 CrossAttention融合特征.mp4 14.17MB
│ ├─10 Attention额外加入先验知识.mp4 6.07MB
│ ├─11 结合GNN构建局部特征.mp4 20.33MB
│ ├─12 损失函数约束项.mp4 7.04MB
│ ├─13 自适应可学习参数.mp4 11.57MB
│ ├─14 Coarse2Fine大框架.mp4 27.93MB
│ ├─15 只能机器学习模型时凑工作量（特征工程）.mp4 5.12MB
│ ├─16 自己数据集如何发的好(要开源).mp4 30.35MB
│ ├─17 可变形卷积加入方法.mp4 19.64MB
│ └─18 在源码中加入各种注意力机制方法.mp4 91.89MB
├─目录.txt -1.#INDB
└─资料
├─1.第一章 直播回放
│ ├─1-1 节开班典礼
│ │ └─咕泡唐宇迪人工智能【第六期】学习路线图.pdf 34.83MB
│ ├─1-10 节直播7：半监督物体检测
│ │ └─mmdetection-3.x.zip 35.6MB
│ ├─1-11 节直播8：基于图模型的时间序列预测
│ │ ├─2110.05357.pdf 880.7KB
│ │ ├─raindrop-AAAI22.pdf 10.58MB
│ │ └─Raindrop-main.rar 89.66MB
│ ├─1-12 节直播9：图像定位与检索
│ │ ├─CosPlace-main.zip 190.53MB
│ │ └─small.zip 4.48GB
│ ├─1-13 节直播10：近期内容补充
│ │ ├─Informer_huggingface.zip 37.03MB
│ │ └─YOLOV7.pdf 1.88MB
│ ├─1-14 节直播11文本生成GPT系列
│ │ └─ChatGPT
│ │ └─GPT系列.pdf 1.81MB
│ ├─1-15 节直播12：异构图神经网络
│ │ ├─HeterogeneousGraph.zip 1.89MB
│ │ ├─异构图.pdf 1017.27KB
│ │ └─异构图神经网络.pdf 3.06MB
│ ├─1-16 节直播13：BEV特征空间
│ │ └─BEV.pdf 998.21KB
│ ├─1-17 节补充：BevFormer源码解读
│ │ └─bevformer.zip 5.12GB
│ ├─1-18 节直播14：知识蒸馏
│ │ ├─Decoupled Knowledge Distillation.pdf 1.98MB
│ │ ├─Reinforced Multi-Teacher Selection for Knowledge Distillation.pdf 1.02MB
│ │ └─蒸馏.pdf 1.46MB
│ ├─1-3 节直播1：深度学习核心算法-神经网络与卷积网络
│ │ └─神经网络.pdf 6.31MB
│ ├─1-4 节卷积神经网络
│ │ └─卷积神经网络.pdf 2.59MB
│ ├─1-5 节直播3：Transformer架构
│ │ └─transformer.pdf 1.99MB
│ ├─1-6 节直播4：Transfomer在视觉任务中的应用实例
│ │ ├─transformer课件.pdf 1.16MB
│ │ └─VIT算法模型源码解读.zip 942.22MB
│ ├─1-7 节直播5：YOLO系列（V7）算法解读
│ │ ├─YOLOV7.pdf 1.69MB
│ │ └─Yolov7结构图.pptx 44.45KB
│ ├─1-8 节直播6：分割模型Maskformer系列
│ │ ├─mask2former.pdf 2.97MB
│ │ └─maskformer.pdf 1.51MB
│ └─1-9 节补充：Mask2former源码解读
│ └─mask2former(mmdetection).zip 192.38MB
├─10.第一十章 图神经?络实战 -1.#INDB
├─11.第一十一章 3D点云实战
│ ├─第1节：3D点云应用领域分析
│ │ ├─激光雷达.mp4 8.14MB
│ │ └─点云.pdf 1.14MB
│ ├─第2节：3D点云PointNet算法
│ │ ├─CloudCompare.zip 68.07MB
│ │ └─PointNet++.pdf 1.72MB
│ ├─第3节：PointNet++算法解读
│ │ └─PointNet++.pdf 1.72MB
│ ├─第4节：Pointnet++项目实战
│ │ └─Pointnet2.zip 2.33GB
│ ├─第5节：点云补全PF-Net论文解读
│ │ ├─2003.00410.pdf 4.02MB
│ │ └─点云补全.pdf 596.42KB
│ ├─第6节：点云补全实战解读
│ │ └─PF-Net-Point-Fractal-Network.zip 646.12MB
│ ├─第7节：点云配准及其案例实战
│ │ ├─2003.13479.pdf 1.64MB
│ │ ├─RPMNet.zip 447.43MB
│ │ └─点云匹配.pdf 552.85KB
│ └─第8节：基础补充-对抗生成网络架构原理与实战解析
│ └─第八章：对抗生成网络架构原理与实战解析.zip 35.28MB
├─12.第一十二章 ?标追踪与姿态估计实战 -1.#INDB
├─13.第一十三章 ?向深度学习的??驾驶实战 -1.#INDB
├─14.第一十四章 对比学习与多模态任务实战
│ ├─ANINET源码解读
│ │ └─mmocr-main.zip 381.72MB
│ ├─CLIP系列
│ │ ├─CLIP.zip 679.35KB
│ │ └─CLIP及其应用.pdf 1.94MB
│ ├─多模态3D目标检测算法源码解读
│ │ └─mmdetection3d-1.0.0rc0.zip 395.05MB
│ ├─多模态文字识别
│ │ ├─ABINET.pdf 1.24MB
│ │ └─DBNET.pdf 3.83MB
│ └─对比学习算法与实例
│ ├─trainCLIP.py 1.56KB
│ └─对比学习.pdf 1.96MB
├─15.第一十五章 缺陷检测实战
│ ├─DeepLab铁质材料缺陷检测与开源项目应用流程.zip 3.58GB
│ ├─PyTorch基础
│ │ ├─1-PyTorch框架基本处理操作.zip 98.58MB
│ │ ├─2-神经网络实战分类与回归任务.zip 15.82MB
│ │ └─3-图像识别核心模块实战解读.zip 336.95MB
│ ├─Resnet分类实战
│ │ └─Resnet.pdf 207.88KB
│ ├─第1-4章：YOLOV5缺陷检测
│ │ ├─Defective_Insulators.zip 54.69MB
│ │ ├─NEU-DET.zip 26.68MB
│ │ ├─YOLO5.zip 469.64MB
│ │ └─YOLO新版.pdf 3.62MB
│ ├─第10章：基于视频流水线的Opnecv缺陷检测项目.zip 13.96MB
│ ├─第11-12章：deeplab
│ │ ├─DeepLab.pdf 704.25KB
│ │ └─DeepLabV3Plus.zip 1.92GB
│ ├─第5章：Semi-supervised布料缺陷检测实战.zip 212.33MB
│ ├─第6-8章：Opencv各函数使用实例
│ │ ├─第一部分notebook课件.zip 7.28MB
│ │ └─第二部分notebook课件.zip 1.29MB
│ └─第9章：基于Opencv缺陷检测项目实战.zip 11.38MB
├─16.第一十六章 ??重识别实战 -1.#INDB
├─17.第一十七章 对抗?成?络实战 -1.#INDB
├─18.第一十八章 强化学习实战系列
│ ├─第1节：强化学习简介及其应用.pdf 738.65KB
│ ├─第2节：PPO算法与公式推导.pdf 899.22KB
│ ├─第3节：策略梯度实战-月球登陆器训练实例.zip 4.34MB
│ ├─第4节：DQN算法.pdf 1.43MB
│ ├─第5节：DQN算法实例演示.zip 1.98KB
│ ├─第7节：Actor-Critic算法分析(A3C).pdf 560.29KB
│ └─第8节：A3C算法玩转超级马里奥.zip 97.62MB
├─19.第一十九章 Openai顶级黑科技算法及其项目实战
│ ├─1 节GPT系列生成模型
│ │ ├─GPT.zip 1.25GB
│ │ └─GPT系列.pdf 1.25MB
│ ├─2 节GPT建模与预测流程
│ │ └─ChinesePretrainedModels.zip 1.62GB
│ ├─3 节CLIP系列
│ │ ├─CLIP.zip 679.35KB
│ │ └─CLIP及其应用.pdf 1.8MB
│ ├─4 节Diffusion模型解读
│ │ └─annotated_diffusion.ipynb 4.45MB
│ ├─5 节Dalle2及其源码解读
│ │ ├─DALLE2-pytorch-main.zip 4.21MB
│ │ └─dalle2.pdf 40.92MB
│ └─6 节ChatGPT
│ └─GPT系列.pdf 1.81MB
├─2.第二章 深度学习必备核?算法 -1.#INDB
├─20.第二十章 面向医学领域的深度学习实战
│ ├─1-神经网络算法PPT
│ │ └─深度学习.pdf 9.93MB
│ ├─10-基于deeplab的心脏视频数据诊断分析
│ │ └─基于deeplab的心脏视频数据诊断分析.zip 748.28MB
│ ├─11-YOLO系列物体检测算法原理解读
│ │ ├─YOLO.pdf 2.05MB
│ │ └─YOLOv4.pdf 3.84MB
│ ├─12-基于YOLO5细胞检测实战
│ │ └─基于YOLO5细胞检测实战.zip 584.81MB
│ ├─13-知识图谱原理解读
│ │ └─知识图谱.pdf 2.14MB
│ ├─14-Neo4j数据库实战
│ │ └─NEO4J.pdf 268KB
│ ├─15-基于知识图谱的医药问答系统实战
│ │ ├─医药问答.zip 15.81MB
│ │ └─配置与安装.pdf 102.29KB
│ ├─16-词向量模型与RNN网络架构.zip 2.15MB
│ ├─17-医学糖尿病数据命名实体识别
│ │ ├─eclipse-命名实体识别.zip 18.19MB
│ │ └─notebook-瑞金.zip 4.96MB
│ ├─2-PyTorch框架基本处理操作.zip 98.58MB
│ ├─3-PyTorch框架必备核心模块解读.zip 336.95MB
│ ├─4-基于Resnet的医学数据集分类实战
│ │ └─Resnet.pdf 207.88KB
│ ├─5-图像分割及其损失函数概述
│ │ └─深度学习分割任务.pdf 1.14MB
│ ├─6-Unet系列算法讲解
│ │ └─深度学习分割任务.pdf 1.14MB
│ ├─7-unet医学细胞分割实战
│ │ ├─unet++.zip 409.6MB
│ │ └─新建文件夹
│ ├─8-deeplab系列算法
│ │ └─DeepLab.pdf 704.25KB
│ └─9-基于deeplabV3+版本进行VOC分割实战
│ └─DeepLabV3Plus.zip 1.92GB
├─21.第二十一章 深度学习模型部署与剪枝优化实战
│ ├─Docker使用命令.zip 7.83MB
│ ├─Mobilenet.pdf 2.41MB
│ ├─mobilenetv3.py 7.31KB
│ ├─pytorch-slimming.zip 356.43MB
│ ├─PyTorch模型部署实例.zip 102.8KB
│ ├─TensorFlow-serving.zip 2.96MB
│ ├─tensorRT
│ │ ├─tensorRT课程PPT
│ │ │ ├─1.说在前面.pdf 715.12KB
│ │ │ ├─10.tensorrt-integrate.pdf 1.81MB
│ │ │ ├─2.介绍.pdf 386.65KB
│ │ │ ├─3.cuda-driver-课程概述.pdf 493.56KB
│ │ │ ├─4.cuda-driver.pdf 370.14KB
│ │ │ ├─5.cuda-runtime-课程概述.pdf 528.71KB
│ │ │ ├─6.cuda-runtime.pdf 2.35MB
│ │ │ ├─7.tensorrt-basic-课程概述.pdf 1MB
│ │ │ ├─8.tensorrt-basic.pdf 761.65KB
│ │ │ ├─9.tensorrt-integrate-课程概述.pdf 2.39MB
│ │ │ ├─video-series.mp4 4.61MB
│ │ │ ├─video1-get-env.mp4 2.93MB
│ │ │ └─video1-get-templ.mp4 16.13MB
│ │ └─tensorRT课程代码
│ │ ├─cuda-driver-api.tar.gz 764.03KB
│ │ ├─cuda-runtime-api.tar.gz 25.16MB
│ │ ├─tensorrt-basic.tar.gz 14.9MB
│ │ └─tensorrt-integrate.tar.gz 1.93GB
│ ├─YOLO部署实例.zip 876.45MB
│ ├─剪枝算法.pdf 504.02KB
│ └─嵌入式AI
│ ├─第一章 认识 jetson nano
│ │ ├─1.1 jetson nano 硬件介绍.pdf 895.04KB
│ │ ├─1.2 jetson nano 刷机.pdf 503.86KB
│ │ ├─1.2b jetson nano 系统安装过程.pdf 802.23KB
│ │ ├─1.3 感受nano的GPU算力.pdf 118.11KB
│ │ ├─1.4 安装使用摄像头csi usb.pdf 163.17KB
│ │ └─1software
│ │ ├─balenaEtcher-Setup-1.7.9.exe 138.76MB
│ │ ├─code_1.71.2-1663189619_arm64.deb 71.46MB
│ │ ├─csiCamera.py 1002B
│ │ ├─SDCardFormatterv5_WinEN.zip 6.13MB
│ │ └─usbCamera.py 183B
│ ├─第三章 NVIDIA TAO 实用级的训练神器
│ │ ├─3.1NVIDIA TAO介绍和安装.pdf 570.97KB
│ │ ├─3.2NVIDIA TAO数据准备和环境设置.pdf 785.88KB
│ │ ├─3.3NVIDIA TAO数据转换.pdf 936.63KB
│ │ ├─3.4NVIDIA TAO预训练模型和训练.pdf 858.8KB
│ │ └─3.5TAO 剪枝在训练推理验证.pdf 791.99KB
│ ├─第二章 AI 实战
│ │ ├─2.1 jetson-inference 入门.pdf 115.24KB
│ │ ├─2.2 docker 的安装使用.pdf 395.69KB
│ │ ├─2.3 docker中运行分类模型.pdf 124.5KB
│ │ ├─2.4 训练自己的目标检测模型准备.pdf 300.13KB
│ │ ├─2.5 训练出自己目标识别模型.pdf 1.13MB
│ │ ├─2.6 转换出onnx模型，并使用.pdf 95.28KB
│ │ ├─2software
│ │ │ ├─csiCamera.py 1002B
│ │ │ ├─jetson-inference.zip 557.41MB
│ │ │ ├─mobilenet-v1-ssd-mp-0_675.pth 36.24MB
│ │ │ ├─networks
│ │ │ │ ├─bvlc_googlenet.caffemodel 51.05MB
│ │ │ │ ├─googlenet.prototxt 35.02KB
│ │ │ │ ├─googlenet_noprob.prototxt 34.94KB
│ │ │ │ ├─SSD-Mobilenet-v1.tar.gz 24.19MB
│ │ │ │ └─SSD-Mobilenet-v2.tar.gz 59.61MB
│ │ │ └─usbCamera.py 159B
│ │ └─时间统计.xlsx 9.57KB
│ └─第四章 deepstream
│ ├─4.1 deepstream 介绍安装.pdf 620.52KB
│ ├─4.2 deepstream HelloWorld.pdf 711.55KB
│ ├─4.3 GStreamer RTP和RTSP.pdf 1.46MB
│ ├─4.4 python实现RTP和RTSP.pdf 648.17KB
│ ├─4.5 deepstream推理.pdf 815.11KB
│ ├─4.6 deepstream集成yolov4.pdf 822.46KB
│ └─software
│ ├─Accelerated_GStreamer_User_Guide.pdf 1.08MB
│ ├─camera_gstreamer_code_rtp.py 2.12KB
│ ├─camera_gstreamer_code_rtsp_out.py 2.07KB
│ ├─EasyPlayer-RTSP-Win-V3.0.19.0515.zip 16.31MB
│ ├─gstreamer-1.0-msvc-x86_64-1.20.4.msi 104.38MB
│ ├─rtspCameraH264.py 725B
│ └─rtspVideoH264.py 717B
├─22.第二十二章 自然语言处理必备神器Huggingface系列实战
│ ├─第一章：Huggingface与NLP介绍解读
│ │ └─Huggingface初识.pptx 168.85KB
│ ├─第七章：GPT系列算法
│ │ └─GPT系列.pdf 1.37MB
│ ├─第三章：transformer原理解读
│ │ └─transformer.pdf 1.99MB
│ ├─第九章：文本摘要建模
│ │ ├─Summarization.ipynb 287.84KB
│ │ └─Summarization.zip 2.04GB
│ ├─第二章：Transformer工具包基本操作实例解读
│ │ ├─1-Transformers.zip 383.62MB
│ │ └─2-Finetuning.zip 2.05GB
│ ├─第五章：文本标注工具与NER实例
│ │ └─ner.zip 121.6MB
│ ├─第八章：GPT训练与预测部署流程
│ │ └─GPT.zip 1.25GB
│ ├─第六章：文本预训练模型构建实例
│ │ └─Mask Language Model.ipynb 51.29KB
│ ├─第十一章：补充Huggingface数据集制作方法实例
│ │ └─数据格式转换.zip 89.44MB
│ ├─第十章：图谱知识抽取实战
│ │ └─CMeKG.zip 1.32GB
│ └─第四章：BERT系列算法解读
│ └─BERT系列.pdf 969.92KB
├─23.第二十三章 ?然语?处理通?框架-BERT实战 -1.#INDB
├─24.第二十四章 ?然语?处理经典案例实战 -1.#INDB
├─25.第二十五章 知识图谱实战系列
│ ├─第1.2节：知识图谱介绍及其应用领域分析
│ │ └─知识图谱.pdf 2.14MB
│ ├─第3节：Neo4j数据库实战
│ │ └─NEO4J.pdf 268KB
│ ├─第4节：使用python操作neo4j实例
│ │ └─python操作neo4j.zip 25.53KB
│ ├─第5节：基于知识图谱的医药问答系统实战
│ │ ├─医药问答.zip 15.81MB
│ │ └─配置与安装.pdf 102.29KB
│ ├─第6节：文本关系抽取实践
│ │ └─关系抽取.zip 740.57MB
│ ├─第7节：金融平台风控模型实践
│ │ └─贷款风控特征工程.zip 1.95GB
│ └─第8节：医学糖尿病数据命名实体识别
│ ├─eclipse-命名实体识别.zip 18.19MB
│ └─notebook-瑞金.zip 4.96MB
├─26.第二十六章 语?识别实战系列 -1.#INDB
├─27.第二十七章 推荐系统实战系列
│ ├─第10节：基于统计分析的电影推荐
│ │ └─电影推荐.zip 10.05MB
│ ├─第11节：补充-基于相似度的酒店推荐系统.zip 1.81MB
│ ├─第1节：推荐系统介绍.pdf 1.5MB
│ ├─第2节：协同过滤与矩阵分解.pdf 974.68KB
│ ├─第3节：音乐推荐系统实战
│ │ └─Python实现音乐推荐系统
│ │ ├─.ipynb_checkpoints
│ │ │ └─推荐系统-checkpoint.ipynb 344.85KB
│ │ ├─1.png 45.33KB
│ │ ├─2.png 30.4KB
│ │ ├─3.png 42.96KB
│ │ ├─4.png 12KB
│ │ ├─5.png 3.61KB
│ │ ├─6.png 60.31KB
│ │ ├─7.png 77.29KB
│ │ ├─8.png 68.76KB
│ │ ├─recommendation_engines.py 13.66KB
│ │ ├─Recommenders.py 9.23KB
│ │ ├─song_playcount_df.csv 8.47MB
│ │ ├─track_metadata.db 711.61MB
│ │ ├─track_metadata_df_sub.csv 5.94MB
│ │ ├─train_triplets.txt 2.8GB
│ │ ├─triplet_dataset_sub_song.csv 648.3MB
│ │ ├─user_playcount_df.csv 44.14MB
│ │ ├─__pycache__
│ │ │ └─Recommenders.cpython-36.pyc 4.97KB
│ │ ├─推荐系统.ipynb 363.54KB
│ │ └─老版.ipynb 344.85KB
│ ├─第4节：Neo4j数据库实例
│ │ └─NEO4J.pdf 268KB
│ ├─第5节：基于知识图谱的电影推荐实战.zip 160.61MB
│ ├─第6节：FM与DeepFM算法.pdf 759.61KB
│ ├─第7节：DeepFM算法实战.zip 1.16MB
│ ├─第8节：推荐系统常用工具包演示.zip 129.35MB
│ └─第9节：基于文本数据的推荐实例.zip 254.77MB
├─28.第二十八章 AI课程所需安装软件教程
│ ├─Anaconda3-2020.07-Windows-x86_64.exe 467.49MB
│ ├─cuda_11.3.0_465.89_win10.exe 2.68GB
│ ├─mmcv_full-1.4.7-cp38-cp38-win_amd64.whl 12.75MB
│ ├─notepadplusplus-8-4.exe 4.28MB
│ ├─pycharm-community-2022.1.2.exe 378.78MB
│ ├─torch-1.10.0+cu113-cp38-cp38-win_amd64.whl 2.27GB
│ ├─torchvision-0.11.0+cu113-cp38-cp38-win_amd64.whl 3.04MB
│ └─VisualStudioSetup.exe 1.6MB
├─29.第二十九章 额外补充
│ ├─ACMIX(卷积与注意力结合)
│ │ ├─2111.14556.pdf 1.46MB
│ │ ├─common.py 12KB
│ │ ├─yolo.py 12.63KB
│ │ ├─yolov5s_acmix.yaml 1.45KB
│ │ └─源码实现.txt 4.9KB
│ ├─ConvNeXt
│ │ ├─2201.03545.pdf 816.93KB
│ │ ├─common.py 15.35KB
│ │ ├─yolo.py 12.89KB
│ │ ├─yolov5s_convnextB.yaml 1.37KB
│ │ ├─源码.txt 3.39KB
│ │ └─源码链接.txt 44B
│ ├─Coordinate_attention
│ │ ├─common.py 7.2KB
│ │ ├─Hou_Coordinate_Attention_for_Efficient_Mobile_Network_Design_CVPR_2021_paper.pdf 1.3MB
│ │ ├─yolo.py 12.12KB
│ │ ├─yolov5s_Coordinate_attention.yaml 1.49KB
│ │ └─源码实现.txt 2.38KB
│ ├─gc(2).py 5.67KB
│ ├─gc.py 5.67KB
│ ├─GCNET(全局特征融合)
│ │ ├─1904.11492.pdf 3.43MB
│ │ ├─gc.py 5.67KB
│ │ ├─yolo.py 12.44KB
│ │ └─yolov5s_cb2d.yaml 1.35KB
│ ├─mobileone(提速)
│ │ ├─2206.04040.pdf 7.83MB
│ │ ├─common.py 19.92KB
│ │ ├─yolo.py 13.05KB
│ │ ├─yolov5s_mobileone.yaml 1.41KB
│ │ └─源码实现.txt 4.63KB
│ ├─SPD-Conv
│ │ ├─common.py 4.91KB
│ │ ├─SPD-Conv论文.pdf 4.53MB
│ │ ├─yolo.py 11.93KB
│ │ ├─yolov5s.yaml 1.42KB
│ │ ├─yolov5s_spd.yaml 1.6KB
│ │ └─源码实现.txt 307B
│ └─SPPCSPC(替换SPP)
│ └─源码.txt 878B
├─3.第三章 深度学习核?框架PyTorch -1.#INDB
├─4.第四章 MMLAB实战系列
│ ├─DeformableDetr算法解读
│ │ └─可变形DETR.pdf 4.5MB
│ ├─KIE关键信息抽取与视频超分辨率重构
│ │ ├─BasicVSR++.pdf 13.04MB
│ │ ├─KIE.pdf 2.27MB
│ │ └─spynet.pdf 5.8MB
│ ├─mask2former(mmdetection).zip 192.38MB
│ ├─ner.zip 121.6MB
│ ├─OCR算法解读
│ │ ├─ABINET.pdf 1.24MB
│ │ └─DBNET.pdf 3.83MB
│ ├─第一模块：mmclassification-master.zip 912MB
│ ├─第七模块：mmdetection3d-1.0.0rc0.zip 395.05MB
│ ├─第三模块：mmdetection-master.zip 1.46GB
│ ├─第九模块：mmaction2-master.zip 827.76MB
│ ├─第二模块：mmsegmentation-0.20.2.zip 2.8GB
│ ├─第二模块：MPViT-main.zip 924.77MB
│ ├─第五模块：mmgeneration-master.zip 746.81MB
│ ├─第八模块：mmrazor-模型蒸馏.zip 1GB
│ ├─第六模块：mmediting-master.zip 107.78MB
│ └─第四模块：mmocr-main.zip 381.72MB
├─5.第五章 Opencv图像处理框架实战
│ ├─源码资料
│ │ ├─第10节：项目实战-文档扫描OCR识别.zip 44.94MB
│ │ ├─第13节：案例实战-全景图像拼接.zip 829.49KB
│ │ ├─第14节：项目实战-停车场车位识别.zip 111.34MB
│ │ ├─第15节：项目实战-答题卡识别判卷.zip 3.07MB
│ │ ├─第18节：Opencv的DNN模块.zip 49.62MB
│ │ ├─第19节：项目实战-目标追踪.zip 125.33MB
│ │ ├─第20节：卷积原理与操作.zip 24.47KB
│ │ ├─第21节：人脸关键点定位.zip 69.75MB
│ │ ├─第21节：项目实战-疲劳检测.zip 74.15MB
│ │ └─第9节：项目实战-信用卡数字识别.zip 548.1KB
│ └─课件
│ ├─第11-12节notebook课件.zip 52.05MB
│ ├─第16-17节notebook课件.zip 9.37MB
│ └─第2-8节课件
│ ├─第2-7节notebook课件.zip 7.28MB
│ └─第8节notebook课件.zip 1.29MB
├─6.第六章 综合项?-物体检测经典算法实战 -1.#INDB
├─7.第七章 图像分割实战
│ ├─f112c9fda85536ee3eba662c9043e683.bat 70B
│ ├─mask-rcnn.pdf 989.98KB
│ ├─MaskRcnn网络框架源码详解.zip 1.14GB
│ ├─PyTorch框架基本处理操作.zip 98.58MB
│ ├─R(2+1)D网络.pdf 507.15KB
│ ├─图像识别核心模块实战解读.zip 336.95MB
│ ├─基于MASK-RCNN框架训练自己的数据与任务.zip 439.38MB
│ ├─基于Resnet的医学数据集分类实战
│ │ └─Resnet.pdf 207.88KB
│ ├─第1节：图像分割算法
│ │ └─深度学习分割任务.pdf 1.14MB
│ ├─第2节：卷积网络
│ │ └─深度学习.pdf 9.93MB
│ ├─第3节：Unet系列算法讲解
│ │ └─深度学习分割任务.pdf 1.14MB
│ ├─第4节：unet医学细胞分割实战
│ │ ├─unet++.zip 409.6MB
│ │ └─新建文件夹
│ ├─第5节：U-2-Net.zip 636.25MB
│ ├─第6节：deeplab系列算法
│ │ └─DeepLab.pdf 704.25KB
│ ├─第7节：基于deeplabV3+版本进行VOC分割实战
│ │ └─DeepLabV3Plus.zip 1.92GB
│ └─第8节：基于deeplab的心脏视频数据诊断分析
│ └─基于deeplab的心脏视频数据诊断分析.zip 748.28MB
├─8.第八章 行为识别实战
│ ├─1-slowfast算法知识点通俗解读.pdf 572.31KB
│ ├─4-基于3D卷积的视频分析与动作识别.zip 845.84MB
│ ├─5-视频异常检测算法与元学习.pdf 1.15MB
│ ├─6-视频异常检测CVPR2021论文及其源码解读.zip 243.75MB
│ ├─slowfast-add
│ │ ├─avademo.zip 2.08GB
│ │ └─download
│ │ ├─-5KQ66BBWC4.mkv 251.05MB
│ │ ├─-5KQ66BBWC4.mkv.1 251.05MB
│ │ ├─1j20qq1JyX4.mp4 240.53MB
│ │ ├─ava_annotations
│ │ │ ├─ava_train_v2.1.csv 35.11MB
│ │ │ ├─ava_train_v2.2.csv 39.22MB
│ │ │ ├─ava_val_v2.2.csv 11.05MB
│ │ │ └─person_box_67091280_iou90
│ │ │ ├─ava_action_list_v2.1_for_activitynet_2018.pbtxt 2.59KB
│ │ │ ├─ava_detection_test_boxes_and_labels.csv 14.63MB
│ │ │ ├─ava_detection_train_boxes_and_labels_include_negative.csv 52.2MB
│ │ │ ├─ava_detection_train_boxes_and_labels_include_negative_v2.1.csv 52.2MB
│ │ │ ├─ava_detection_train_boxes_and_labels_include_negative_v2.2.csv 53.28MB
│ │ │ ├─ava_detection_val_boxes_and_labels.csv 7.58MB
│ │ │ ├─ava_detection_val_for_training_boxes_and_labels_include_negative.csv 14.93MB
│ │ │ ├─ava_detection_val_for_training_boxes_and_labels_include_negative_v2.1.csv 14.93MB
│ │ │ ├─ava_detection_val_for_training_boxes_and_labels_include_negative_v2.2.csv 15.16MB
│ │ │ ├─ava_train_predicted_boxes.csv 52.2MB
│ │ │ ├─ava_train_v2.1.csv 35.11MB
│ │ │ ├─ava_val_excluded_timestamps_v2.1.csv 629B
│ │ │ ├─ava_val_predicted_boxes.csv 7.58MB
│ │ │ ├─ava_val_v2.1.csv 9.94MB
│ │ │ ├─test.csv 198.39MB
│ │ │ ├─train.csv 358.14MB
│ │ │ └─val.csv 98.31MB
│ │ ├─train.csv 1.48MB
│ │ ├─val.csv 1.54MB
│ │ ├─_145Aa_xkuE.mp4 313.33MB
│ │ └─_Ca3gOdOHxU.mp4 516.8MB
│ ├─slowfast论文.pdf 1.45MB
│ ├─基础补充-PyTorch框架基本处理操作.zip 98.58MB
│ ├─基础补充-PyTorch框架必备核心模块解读.zip 336.95MB
│ └─基础补充-Resnet模型及其应用实例
│ └─Resnet.pdf 207.88KB
└─9.第九章 2022论?必备-Transformer实战系列 -1.#INDB
感谢分享
人工智能深度学习
感谢分享~
感谢分享
感谢分享
学习一下人工智能方向
感谢分享
感谢分享，正在自学AI
感谢分享
谢谢
学习，谢谢！
谢谢分享
感谢分享，转战AI，学习
学习，谢谢！
感谢分享
谢谢
感谢分享
感谢分享
感谢分享
感谢分享
感谢分享
感谢分享
谢谢楼主，学习学习。
谢谢分享！！！
感谢分享
感谢分享
感谢分享
感谢分享
感谢分享
谢谢分享
感谢分享
感谢分享
谢谢分享。
感谢分享
感谢分享
谢谢分享！！！
十分感谢
感谢分享
感谢分享
不错的人工智能教程
感谢分享
感谢分享
感谢分享
感谢分享
感谢分享
感谢分享
了解看看
感谢分享
感谢分享