路飞-206-人工智能-深度学习之-PyTorch框架项目实战
深度学习框架-PyTorch实战课程旨在帮助同学们快速掌握PyTorch框架核心模块使用方法与项目应用实例，让同学们熟练使用PyTorch框架进行项目开发。课程内容全部以实战为导向，基于当下计算机视觉与自然语言处理中经典项目进行实例讲解，通过Debug模式详解项目中每一行代码的作用与效果，整体风格通俗易懂，提供全部课程所属课件。
课程大纲
全部展开128小节17:33:29
-
PyTorch框架基本处理操作
可试听9小节1:13:34-
1.1 PyTorch实战课程简介
预览04:53 -
1.2 PyTorch框架发展趋势简介
预览08:25 -
1.3 框架安装方法（CPU与GPU版本）
预览05:13 -
1.4 PyTorch基本操作简介
预览09:25 -
1.5 自动求导机制
10:59 -
1.6 线性回归DEMO.数据与参数配置
08:56 -
1.7 线性回归DEMO.训练回归模型
10:08 -
1.8 常见tensor格式
07:10 -
1.9 Hub模块简介
08:25
-
-
神经网络实战分类与回归任务
6小节0:54:27-
2.1 气温数据集与任务介绍
06:42 -
2.2 按建模顺序构建完成网络架构
11:38 -
2.3 简化代码训练网络模型
11:04 -
2.4 分类任务概述
05:12 -
2.5 构建分类网络模型
09:40 -
2.6 DataSet模块介绍与应用方法
10:11
-
-
卷积神经网络原理与参数解读
12小节1:25:18-
3.1 卷积神经网络应用领域
07:25 -
3.2 卷积的作用
09:23 -
3.3 卷积特征值计算方法
08:07 -
3.4 得到特征图表示
06:59 -
3.5 步长与卷积核大小对结果的影响
08:11 -
3.6 边缘填充方法
06:30 -
3.7 特征图尺寸计算与参数共享
07:02 -
3.8 池化层的作用
05:38 -
3.9 整体网络架构
06:20 -
3.10 VGG网络架构
06:16 -
3.11 残差网络Resnet
07:41 -
3.12 感受野的作用
05:46
-
-
图像识别核心模块实战解读
7小节0:49:17-
4.1 卷积网络参数定义
07:21 -
4.2 网络流程解读
07:26 -
4.3 Vision模块功能解读
05:10 -
4.4 分类任务数据集定义与配置
06:27 -
4.5 图像增强的作用
04:51 -
4.6 数据预处理与数据增强模块
09:25 -
4.7 Batch数据制作
08:37
-
-
迁移学习的作用与应用实例
9小节1:14:59-
5.1 迁移学习的目标
05:31 -
5.2 迁移学习策略
07:11 -
5.3 加载训练好的网络模型
09:54 -
5.4 优化器模块配置
05:14 -
5.5 实现训练模块
08:15 -
5.6 训练结果与模型保存
09:31 -
5.7 加载模型对测试数据进行预测
09:10 -
5.8 额外补充.Resnet论文解读
11:47 -
5.9 额外补充.Resnet网络架构解读
08:26
-
-
递归神经网络与词向量原理解读
6小节0:51:00-
6.1 RNN网络架构解读
11:27 -
6.2 词向量模型通俗解释
08:14 -
6.3 模型整体框架
10:09 -
6.4 训练数据构建
05:10 -
6.5 CBOW与Skipgram模型
08:20 -
6.6 负采样方案
07:40
-
-
新闻数据集文本分类实战
8小节1:12:40-
7.1 任务目标与数据简介
07:18 -
7.2 RNN模型所需输入格式解析
06:54 -
7.3 项目配置参数设置
10:26 -
7.4 新闻数据读取与预处理方法
08:07 -
7.5 训练LSTM文本分类模型
08:55 -
7.6 Tensorboardx可视化展示模块搭建
09:16 -
7.7 CNN应用于文本任务原理解析
10:46 -
7.8 网络模型架构与效果展示
10:58
-
-
对抗生成网络架构原理与实战解析
5小节0:40:49-
8.1 对抗生成网络通俗解释
08:25 -
8.2 GAN网络组成
05:14 -
8.3 损失函数解释说明
10:05 -
8.4 数据读取模块
08:26 -
8.5 生成与判别网络定义
08:39
-
-
基于CycleGan开源项目实战图像合成
10小节1:22:57-
9.1 CycleGan网络所需数据
06:50 -
9.2 CycleGan整体网络架构
10:03 -
9.3 PatchGan判别网络原理
04:40 -
9.4 Cycle开源项目简介
07:07 -
9.5 数据读取与预处理操作
10:17 -
9.6 生成网络模块构造
12:12 -
9.7 判别网络模块构造
05:02 -
9.8 损失函数：identity loss计算方法
09:12 -
9.9 生成与判别损失函数指定
11:40 -
9.10 额外补充：VISDOM可视化配置
05:54
-
-
OCR文字识别原理
7小节0:50:54-
10.1 OCR文字识别要完成的任务
06:29 -
10.2 CTPN文字检测网络概述
08:05 -
10.3 序列网络的作用
09:20 -
10.4 输出结果含义解析
07:09 -
10.5 CTPN细节概述
09:06 -
10.6 CRNN识别网络架构
06:16 -
10.7 CTC模块的作用
04:29
-
-
OCR文字识别项目实战
8小节0:57:04-
11.1 OCR文字检测识别项目效果展示
04:20 -
11.2 训练数据准备与环境配置
06:49 -
11.3 检测模块候选框生成
08:06 -
11.4 候选框标签制作
08:23 -
11.5 整体网络所需模块
04:55 -
11.6 网络架构各模块完成的任务解读
08:38 -
11.7 CRNN识别模块所需数据与标签
05:12 -
11.8 识别模块网络架构解读
10:41
-
-
基于3D卷积的视频分析与动作识别
7小节0:58:34-
12.1 3D卷积原理解读
07:43 -
12.2 UCF101动作识别数据集简介
06:02 -
12.3 测试效果与项目配置
12:01 -
12.4 视频数据预处理方法
07:24 -
12.5 数据Batch制作方法
09:02 -
12.6 3D卷积网络所涉及模块
07:50 -
12.7 训练网络模型
08:32
-
-
自然语言处理通用框架BERT原理解读
11小节1:36:04-
13.1 BERT课程简介
04:59 -
13.2 BERT任务目标概述
05:27 -
13.3 传统解决方案遇到的问题
11:09 -
13.4 注意力机制的作用
06:57 -
13.5 selfattention计算方法
11:25 -
13.6 特征分配与softmax机制
09:20 -
13.7 Multihead的作用
09:09 -
13.8 位置编码与多层堆叠
07:17 -
13.9 transformer整体架构梳理
10:57 -
13.10 BERT模型训练方法
09:37 -
13.11 训练实例
09:47
-
-
谷歌开源项目BERT源码解读与应用实例
12小节1:50:52-
14.1 BERT开源项目简介
07:35 -
14.2 项目参数配置
12:08 -
14.3 数据读取模块
07:40 -
14.4 数据预处理模块
09:37 -
14.5 tfrecord制作
11:35 -
14.6 Embedding层的作用
07:29 -
14.7 加入额外编码特征
09:22 -
14.8 加入位置编码特征
05:12 -
14.9 mask机制
08:49 -
14.10 构建QKV矩阵
12:38 -
14.11 完成Transformer模块构建
09:56 -
14.12 训练BERT模型
08:51
-
-
基于PyTorch实战BERT模型
4小节0:27:57-
15.1 项目配置与环境概述
06:52 -
15.2 数据读取与预处理
05:45 -
15.3 网络结构定义
07:01 -
15.4 训练网络模型
08:19
-
-
PyTorch框架实战模板解读
7小节1:07:03-
16.1 项目模板各模块概述
08:43 -
16.2 各模块配置参数解析
09:15 -
16.3 数据读取与预处理模块功能解读
11:45 -
16.4 模型架构模块
06:46 -
16.5 训练模块功能
11:22 -
16.6 训练结果可视化展示模块
07:19 -
16.7 模块应用与BenckMark解读
11:53
-
试看地址：https://pan.baidu.com/s/1jjn4B0l_4dmXvR3HUbIc1Q?pwd=1913
