#原创

AI人工智能深度学习系统班6期

课程介绍

课程来自于 AI人工智能深度学习系统班6期

文件目录

00 资料

1.第一章 直播回放

1-9 节补充：Mask2former源码解读

mask2former(mmdetection) .zip

1-15 节直播12：异构图神经网络

异构图神经网络 .pdf

异构图 .pdf

HeterogeneousGraph .zip

1-14 节直播11文本生成GPT系列

ChatGPT

GPT系列 .pdf

1-10 节直播7：半监督物体检测

mmdetection-3.x .zip

1-12 节直播9：图像定位与检索

small .zip

CosPlace-main .zip

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

1-6 节直播4：Transfomer在视觉任务中的应用实例

transformer课件 .pdf

VIT算法模型源码解读 .zip

1-17 节补充：BevFormer源码解读

bevformer .zip

1-18 节直播14：知识蒸馏

蒸馏 .pdf

Decoupled Knowledge Distillation .pdf

Reinforced Multi-Teacher Selection for Knowledge Distillation .pdf

1-5 节直播3：Transformer架构

transformer .pdf

1-16 节直播13：BEV特征空间

BEV .pdf

1-11 节直播8：基于图模型的时间序列预测

Raindrop-main .rar

raindrop-AAAI22 .pdf

2110.05357 .pdf

1-4 节卷积神经网络

卷积神经网络 .pdf

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

1-7 节直播5：YOLO系列（V7）算法解读

Yolov7结构图 .pptx

YOLOV7 .pdf

1-8 节直播6：分割模型Maskformer系列

maskformer .pdf

mask2former .pdf

1-13 节直播10：近期内容补充

Informer_huggingface .zip

YOLOV7 .pdf

2.第二章 深度学习必备核⼼算法

课件

词向量模型资料

NLP核心模型-word2vec .zip

卷积神经网络 .pdf

深度学习 .pdf

3.第三章 深度学习核⼼框架PyTorch

flask预测 .zip

第二,三章：神经网络实战分类与回归任务 .zip

第四章：卷积网络参数解读 .zip

第五章：图像识别模型与训练策略（重点） .zip

第六章：DataLoader自定义数据集制作 .zip

第七章：LSTM文本分类实战 .zip

第八章：对抗生成网络架构原理与实战解析 .zip

4.第四章 MMLAB实战系列

DeformableDetr算法解读

可变形DETR .pdf

OCR算法解读

ABINET .pdf

DBNET .pdf

KIE关键信息抽取与视频超分辨率重构

BasicVSR++ .pdf

KIE .pdf

spynet .pdf

ner .zip

第一模块：mmclassification-master .zip

第二模块：mmsegmentation-0.20.2 .zip

mask2former(mmdetection) .zip

第二模块：MPViT-main .zip

第三模块：mmdetection-master .zip

第四模块：mmocr-main .zip

第五模块：mmgeneration-master .zip

第六模块：mmediting-master .zip

第七模块：mmdetection3d-1.0.0rc0 .zip

第八模块：mmrazor-模型蒸馏 .zip

第九模块：mmaction2-master .zip

5.第五章 Opencv图像处理框架实战

源码资料

第9节：项目实战-信用卡数字识别 .zip

第10节：项目实战-文档扫描OCR识别 .zip

第13节：案例实战-全景图像拼接 .zip

第14节：项目实战-停车场车位识别 .zip

第15节：项目实战-答题卡识别判卷 .zip

第18节：Opencv的DNN模块 .zip

第19节：项目实战-目标追踪 .zip

第20节：卷积原理与操作 .zip

第21节：项目实战-疲劳检测 .zip

第21节：人脸关键点定位 .zip

课件

第2-8节课件

第2-7节notebook课件 .zip

第8节notebook课件 .zip

第11-12节notebook课件 .zip

第16-17节notebook课件 .zip

6.第六章 综合项⽬-物体检测经典算法实战

YOLO系列（PyTorch）

COCO-DATA

COCO数据集 .txt

训练自己的数据集

构建自己的数据集 .pdf

json2yolo .py

YOLO新版 .pdf

NEU-DET .zip

PyTorch-YOLOv3 .zip

YOLO5 .zip

detr目标检测源码解读 .zip

物体检测 .pdf

CenterNet .pdf

EfficientDet .zip

EfficientNet .pdf

EfficientDet .pdf

json2yolo .py

yolov7-main .zip

第十二章：基于Transformer的detr目标检测算法 .pdf

7.第七章 图像分割实战

基于Resnet的医学数据集分类实战

Resnet .pdf

基于Resnet的医学数据集分类实战 .zip

基于MASK-RCNN框架训练自己的数据与任务 .zip

图像识别核心模块实战解读 .zip

mask-rcnn .pdf

MaskRcnn网络框架源码详解 .zip

PyTorch框架基本处理操作 .zip

第1节：图像分割算法

深度学习分割任务 .pdf

第2节：卷积网络

深度学习 .pdf

R(2+1)D网络 .pdf

第3节：Unet系列算法讲解

深度学习分割任务 .pdf

第4节：unet医学细胞分割实战

unet++ .zip

第5节：U-2-Net .zip

第6节：deeplab系列算法

DeepLab .pdf

第7节：基于deeplabV3+版本进行VOC分割实战

DeepLabV3Plus .zip

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

f112c9fda85536ee3eba662c9043e683 .bat

8.第八章 行为识别实战

基础补充-Resnet模型及其应用实例

Resnet .pdf

基于Resnet的医学数据集分类实战 .zip

slowfast-add

download

ava_annotations

ava_train_v2.2 .csv

ava_train_v2.1 .csv

ava_val_v2.2 .csv

person_box_67091280_iou90

test .csv

ava_detection_val_boxes_and_labels .csv

train .csv

ava_detection_test_boxes_and_labels .csv

val .csv

ava_detection_val_for_training_boxes_and_labels_include_negative .csv

ava_detection_train_boxes_and_labels_include_negative .csv

ava_train_v2.1 .csv

ava_action_list_v2.1_for_activitynet_2018 .pbtxt

ava_val_v2.1 .csv

ava_detection_val_for_training_boxes_and_labels_include_negative_v2.2 .csv

ava_detection_train_boxes_and_labels_include_negative_v2.2 .csv

ava_val_excluded_timestamps_v2.1 .csv

train .csv

val .csv

1j20qq1JyX4 .mp4

_Ca3gOdOHxU .mp4

-5KQ66BBWC4.mkv .1

_145Aa_xkuE .mp4

avademo .zip

基础补充-PyTorch框架必备核心模块解读 .zip

基础补充-PyTorch框架基本处理操作 .zip

slowfast论文 .pdf

1-slowfast算法知识点通俗解读 .pdf

4-基于3D卷积的视频分析与动作识别 .zip

5-视频异常检测算法与元学习 .pdf

6-视频异常检测CVPR2021论文及其源码解读 .zip

9.第九章 2022论⽂必备-Transformer实战系列

transformer系列

基础补充-Resnet模型及其应用实例

基于Resnet的医学数据集分类实战 .zip

Resnet .pdf

谷歌开源项目BERT源码解读与应用实例

BERT开源项目及数据 .zip

transformer论文 .pdf

Medical-Transformer .zip

第一章：transformer原理解读

BERT .pdf

第二章：Transformer在视觉中的应用VIT算法 .pdf

第三章：VIT算法模型源码解读 .zip

第四章：swintransformer算法原理解析 .pdf

第五章：swintransformer源码解读 .zip

第六章：基于Transformer的detr目标检测算法 .pdf

第七章：detr目标检测源码解读 .zip

第九章：项目补充-基于BERT的中文情感分析实战

BERT中文情感分类开源项目 .zip

第十一，十二章

Loftr .pdf

LoFTR .zip

2104.00680 .pdf

10.第一十章 图神经⽹络实战

第一章：图神经网络基础

图神经网络 .pdf

第二章：图卷积GCN模型

图卷积 .pdf

3-图模型必备神器PyTorch Geometric安装与使用

工具包使用 .zip

4-使用PyTorch Geometric构建自己的图数据集

创建自己的数据集 .zip

5-图注意力机制与序列图模型

Temporal Graph Neural Networks .pdf

图注意力机制 .pdf

时间序列TGCN .zip

6-图相似度论文解读

1808.05689 .pdf

7-图相似度计算实战

Extended-SimGNN .zip

8-基于图模型的轨迹估计

数据集Demo .mp4

轨迹轨迹 .pdf

9-图模型轨迹估计实战

Vector .zip

11.第一十一章 3D点云实战

第1节：3D点云应用领域分析

点云 .pdf

激光雷达 .mp4

第2节：3D点云PointNet算法

PointNet++ .pdf

CloudCompare .zip

第3节：PointNet++算法解读

PointNet++ .pdf

第4节：Pointnet++项目实战

Pointnet2 .zip

第5节：点云补全PF-Net论文解读

点云补全 .pdf

2003.00410 .pdf

第6节：点云补全实战解读

PF-Net-Point-Fractal-Network .zip

第7节：点云配准及其案例实战

点云匹配 .pdf

RPMNet .zip

2003.13479 .pdf

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

12.第一十二章 ⽬标追踪与姿态估计实战

基础补充-Resnet模型及其应用实例

Resnet .pdf

基于Resnet的医学数据集分类实战 .zip

基础补充-PyTorch框架必备核心模块解读 .zip

基础补充-PyTorch框架基本处理操作 .zip

第一章：姿态估计OpenPose系列算法解读 .pdf

第二章：OpenPose算法源码分析 .zip

第三章：Deepsort算法知识点解读 .pdf

第四章：Deepsort源码解读 .zip

第五六七章：YOLO目标检测

训练自己的数据集

构建自己的数据集 .pdf

json2yolo .py

COCO-DATA

COCO数据集 .txt

YOLO新版 .pdf

NEU-DET .zip

YOLO5 .zip

13.第一十三章 ⾯向深度学习的⽆⼈驾驶实战

1.深度估计算法解读

深度估计 .pdf

Monocular_Depth_Estimation_Using_Laplacian_Pyramid-Based_Depth_Residuals .pdf

2.深度估计项目实战

LapDepth .zip

3-车道线检测算法与论文解读

基于深度学习的车道线检测 .pdf

4-基于深度学习的车道线检测项目实战

Lane-Detection .zip

5-商汤LoFTR算法解读

Loftr .pdf

2104.00680 .pdf

6-局部特征关键点匹配实战

LoFTR .zip

7-三维重建应用与坐标系基础

三维重建 .pdf

8-NeuralRecon算法解读

NeuralRecon .pdf

三维重建 .pdf

10-NeuralRecon项目源码解读

NeuralRecon

train_demo .zip

data .py

all_tsdf_9 .zip

11-TSDF算法与应用

TSDF .pdf

12-TSDF实战案例

TSDF实例

tsdf-fusion-python-master .zip

13-轨迹估计算法与论文解读

无人驾驶 .pdf

14-轨迹估计预测实战

Vector .zip

15-特斯拉无人驾驶解读

Tesla无人驾驶 .pdf

14.第一十四章 对比学习与多模态任务实战

CLIP系列

CLIP及其应用 .pdf

CLIP .zip

多模态文字识别

DBNET .pdf

ABINET .pdf

ANINET源码解读

mmocr-main .zip

对比学习算法与实例

trainCLIP .py

对比学习 .pdf

多模态3D目标检测算法源码解读

mmdetection3d-1.0.0rc0 .zip

15.第一十五章 缺陷检测实战

PyTorch基础

1-PyTorch框架基本处理操作 .zip

2-神经网络实战分类与回归任务 .zip

3-图像识别核心模块实战解读 .zip

Resnet分类实战

Resnet .pdf

基于Resnet的医学数据集分类实战 .zip

DeepLab铁质材料缺陷检测与开源项目应用流程 .zip

第1-4章：YOLOV5缺陷检测

NEU-DET .zip

Defective_Insulators .zip

YOLO新版 .pdf

YOLO5 .zip

第5章：Semi-supervised布料缺陷检测实战 .zip

第6-8章：Opencv各函数使用实例

第一部分notebook课件 .zip

第二部分notebook课件 .zip

第9章：基于Opencv缺陷检测项目实战 .zip

第10章：基于视频流水线的Opnecv缺陷检测项目 .zip

第11-12章：deeplab

DeepLab .pdf

DeepLabV3Plus .zip

16.第一十六章 ⾏⼈重识别实战

第1节：行人重识别原理及其应用

行人重识别 .pdf

第2节：基于注意力机制的ReId模型论文解读

Relation-Aware Global Attention .pdf

第3节：基于Attention的行人重识别项目实战

Relation-Aware-Global-Attention-Networks .zip

第4节：经典会议算法精讲（特征融合）

Relation Network for Person Re-identification .pdf

第5节：项目实战-基于行人局部特征融合的再识别实战

Relation Network for Person Re-identification .zip

第6节：旷视研究院最新算法解读（基于图模型）

Wang_High-Order_Information_Matters_Learning_Relation_and_Topology_for_Occluded_Person_CVPR_2020_paper .pdf

第7节：基于拓扑图的行人重识别项目实战

基于图模型的ReID(旷视) .zip

17.第一十七章 对抗⽣成⽹络实战

static .zip

cyclegan .pdf

第2节：对抗生成网络架构原理与实战解析 .zip

第3节：基于CycleGan开源项目实战图像合成 .zip

第4节：stargan论文架构解析

stargan .pdf

1912.01865 .pdf

第5节：stargan项目实战及其源码解读 .zip

第6节：基于starganvc2的变声器论文原理解读

stargan-vc2 .pdf

1907.12279 .pdf

第7节：starganvc2变声器项目实战及其源码解读 .zip

第8节：图像超分辨率重构实战

srgan超分辨率重构 .zip

srdata .zip

第9节：基于GAN的图像补全实战

图像补全人脸数据 .zip

glcic图像补全 .zip

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

第2节：PPO算法与公式推导 .pdf

第3节：策略梯度实战-月球登陆器训练实例 .zip

第4节：DQN算法 .pdf

第5节：DQN算法实例演示 .zip

第7节：Actor-Critic算法分析(A3C) .pdf

第8节：A3C算法玩转超级马里奥 .zip

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

GPT系列 .pdf

2 节GPT建模与预测流程

ChinesePretrainedModels .zip

3 节CLIP系列

CLIP及其应用 .pdf

CLIP .zip

4 节Diffusion模型解读

annotated_diffusion .ipynb

5 节Dalle2及其源码解读

dalle2 .pdf

DALLE2-pytorch-main .zip

6 节ChatGPT

GPT系列 .pdf

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

2-PyTorch框架基本处理操作 .zip

3-PyTorch框架必备核心模块解读 .zip

4-基于Resnet的医学数据集分类实战

基于Resnet的医学数据集分类实战 .zip

Resnet .pdf

5-图像分割及其损失函数概述

深度学习分割任务 .pdf

6-Unet系列算法讲解

深度学习分割任务 .pdf

7-unet医学细胞分割实战

unet++ .zip

8-deeplab系列算法

DeepLab .pdf

9-基于deeplabV3+版本进行VOC分割实战

DeepLabV3Plus .zip

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

11-YOLO系列物体检测算法原理解读

YOLO .pdf

YOLOv4 .pdf

12-基于YOLO5细胞检测实战

基于YOLO5细胞检测实战 .zip

13-知识图谱原理解读

知识图谱 .pdf

14-Neo4j数据库实战

NEO4J .pdf

15-基于知识图谱的医药问答系统实战

医药问答 .zip

配置与安装 .pdf

16-词向量模型与RNN网络架构 .zip

17-医学糖尿病数据命名实体识别

notebook-瑞金 .zip

eclipse-命名实体识别 .zip

21.第二十一章 深度学习模型部署与剪枝优化实战

tensorRT

tensorRT课程PPT

video-series .mp4

1.说在前面 .pdf

video1-get-templ .mp4

video1-get-env .mp4

2.介绍 .pdf

3.cuda-driver-课程概述 .pdf

4.cuda-driver .pdf

5.cuda-runtime-课程概述 .pdf

6.cuda-runtime .pdf

7.tensorrt-basic-课程概述 .pdf

8.tensorrt-basic .pdf

9.tensorrt-integrate-课程概述 .pdf

10.tensorrt-integrate .pdf

tensorRT课程代码

tensorrt-integrate.tar .gz

tensorrt-basic.tar .gz

cuda-runtime-api.tar .gz

cuda-driver-api.tar .gz

嵌入式AI

第一章 认识 jetson nano

1software

csiCamera .py

usbCamera .py

code_1.71.2-1663189619_arm64 .deb

balenaEtcher-Setup-1.7.9 .exe

SDCardFormatterv5_WinEN .zip

1.2 jetson nano 刷机 .pdf

1.4 安装使用摄像头csi usb .pdf

1.1 jetson nano 硬件介绍 .pdf

1.2b jetson nano 系统安装过程 .pdf

1.3 感受nano的GPU算力 .pdf

第二章 AI 实战

时间统计 .xlsx

2software

networks

googlenet .prototxt

bvlc_googlenet .caffemodel

googlenet_noprob .prototxt

SSD-Mobilenet-v1.tar .gz

SSD-Mobilenet-v2.tar .gz

jetson-inference .zip

csiCamera .py

usbCamera .py

mobilenet-v1-ssd-mp-0_675 .pth

2.2 docker 的安装使用 .pdf

2.4 训练自己的目标检测模型准备 .pdf

2.3 docker中运行分类模型 .pdf

2.5 训练出自己目标识别模型 .pdf

2.6 转换出onnx模型，并使用 .pdf

2.1 jetson-inference 入门 .pdf

第三章 NVIDIA TAO 实用级的训练神器

3.2NVIDIA TAO数据准备和环境设置 .pdf

3.5TAO 剪枝在训练推理验证 .pdf

3.1NVIDIA TAO介绍和安装 .pdf

3.4NVIDIA TAO预训练模型和训练 .pdf

3.3NVIDIA TAO数据转换 .pdf

第四章 deepstream

software

Accelerated_GStreamer_User_Guide .pdf

camera_gstreamer_code_rtsp_out .py

camera_gstreamer_code_rtp .py

gstreamer-1.0-msvc-x86_64-1.20.4 .msi

EasyPlayer-RTSP-Win-V3.0.19.0515 .zip

rtspCameraH264 .py

rtspVideoH264 .py

4.2 deepstream HelloWorld .pdf

4.6 deepstream集成yolov4 .pdf

4.5 deepstream推理 .pdf

4.3 GStreamer RTP和RTSP .pdf

4.1 deepstream 介绍安装 .pdf

4.4 python实现RTP和RTSP .pdf

pytorch-slimming .zip

Docker使用命令 .zip

剪枝算法 .pdf

YOLO部署实例 .zip

PyTorch模型部署实例 .zip

TensorFlow-serving .zip

Mobilenet .pdf

mobilenetv3 .py

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

第二章：Transformer工具包基本操作实例解读

1-Transformers .zip

2-Finetuning .zip

第三章：transformer原理解读

transformer .pdf

第四章：BERT系列算法解读

BERT系列 .pdf

第五章：文本标注工具与NER实例

ner .zip

第六章：文本预训练模型构建实例

Mask Language Model .ipynb

第七章：GPT系列算法

GPT系列 .pdf

第八章：GPT训练与预测部署流程

GPT .zip

第九章：文本摘要建模

Summarization .ipynb

Summarization .zip

第十章：图谱知识抽取实战

CMeKG .zip

第十一章：补充Huggingface数据集制作方法实例

数据格式转换 .zip

23.第二十三章 ⾃然语⾔处理通⽤框架-BERT实战

课后作业

第八模块：BERT作业 .pdf

课件、源码

BERT开源项目及数据 .zip

BERT .zip

第1节：BERT课件 .pdf

NLP核心模型-word2vec .zip

第2节：谷歌开源项目BERT源码解读与应用实例 .zip

第3节：项目实战-基于BERT的中文情感分析实战 .zip

第4节：项目实战-基于BERT的中文命名实体识别实战 .zip

第5节：必备基知识点-word2vec模型通俗解读 .zip

第6节：必备基础-掌握Tensorflow如何实现word2vec模型 .zip

第7节：必备基础知识点-RNN网络架构与情感分析应用实例 .zip

第8节：医学糖尿病数据命名实体识别 .zip

24.第二十四章 ⾃然语⾔处理经典案例实战

课后作业

data .txt

第八模块：NLP实战(1) .pdf

NLP常用工具包

Python-自然语言处理工具包(1) .zip

源码、数据集等

2：商品信息与文本可视化

商品可视化展示与文本处理 .zip

3：贝叶斯算法

5-贝叶斯算法 .pdf

4：贝叶斯算法-新闻分类任务

贝叶斯Python文本分析

搜狗新闻语料

test .txt

val .txt

train .txt

Python文本分析 .zip

5-6：HMM实战

HMM案例实战

HMM

__pycache__

get_hmm_param.cpython-36 .pyc

data.cpython-36 .pyc

hmm_start .py

data .py

get_hmm_param .py

hmm实践 .ipynb

时间序列 .ipynb

data2 .csv

隐马尔科夫模型（课件）

HMM .pdf

8-9：word2vec词向量实战

Word2Vec

gensim训练model .zip

Gensim-代码 .zip

word2vec .zip

tensorflow-word2vec .zip

10：NLP方法对比

自然语言处理-特征提取方法对比 .zip

11-14：基于Tensorflow的项目实战

唐诗生成

LSTM .zip

poem .zip

LSTM情感分析

LSTM .zip

LSTM .ipynb

问答机器人

QA问答 .zip

对话问答机器人

chatbot .zip

NLP-文本相似度

文本相似度 .zip

课件

贝叶斯算法 .pdf

RNN与LSTM .pdf

tensorflow-RNN .pdf

Python文本分析 .pdf

5-贝叶斯算法 .pdf

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

第3节：Neo4j数据库实战

NEO4J .pdf

第4节：使用python操作neo4j实例

python操作neo4j .zip

第5节：基于知识图谱的医药问答系统实战

医药问答 .zip

配置与安装 .pdf

第6节：文本关系抽取实践

关系抽取 .zip

第7节：金融平台风控模型实践

贷款风控特征工程 .zip

第8节：医学糖尿病数据命名实体识别

eclipse-命名实体识别 .zip

notebook-瑞金 .zip

26.第二十六章 语⾳识别实战系列

论文

Conv-TasNet论文 .pdf

tacotron2论文 .pdf

stargancv2论文 .pdf

PPT

语音分离 .pdf

stargan-vc2 .pdf

seq2seq .pdf

语音合成-tacotron2 .pdf

语音识别LAS模型 .zip

语音分离Conv-TasNet .zip

变声器pytorch-StarGAN-VC2 .zip

语音合成tacotron2实战 .zip

27.第二十七章 推荐系统实战系列

第1节：推荐系统介绍 .pdf

第2节：协同过滤与矩阵分解 .pdf

第3节：音乐推荐系统实战

Python实现音乐推荐系统

__pycache__

Recommenders.cpython-36 .pyc

.ipynb_checkpoints

推荐系统-checkpoint .ipynb

track_metadata .db

triplet_dataset_sub_song .csv

track_metadata_df_sub .csv

Recommenders .py

推荐系统 .ipynb

train_triplets .txt

老版 .ipynb

song_playcount_df .csv

recommendation_engines .py

user_playcount_df .csv

第4节：Neo4j数据库实例

NEO4J .pdf

第5节：基于知识图谱的电影推荐实战 .zip

第6节：FM与DeepFM算法 .pdf

第7节：DeepFM算法实战 .zip

第8节：推荐系统常用工具包演示 .zip

第9节：基于文本数据的推荐实例 .zip

第10节：基于统计分析的电影推荐

电影推荐 .zip

第11节：补充-基于相似度的酒店推荐系统 .zip

28.第二十八章 AI课程所需安装软件教程

torchvision-0.11.0+cu113-cp38-cp38-win_amd64 .whl

VisualStudioSetup .exe

torch-1.10.0+cu113-cp38-cp38-win_amd64 .whl

mmcv_full-1.4.7-cp38-cp38-win_amd64 .whl

Anaconda3-2020.07-Windows-x86_64 .exe

notepadplusplus-8-4 .exe

cuda_11.3.0_465.89_win10 .exe

pycharm-community-2022.1.2 .exe

29.第二十九章 额外补充

SPPCSPC(替换SPP)

源码 .txt

SPD-Conv

SPD-Conv论文 .pdf

common .py

源码实现 .txt

yolo .py

yolov5s .yaml

yolov5s_spd .yaml

ConvNeXt

源码 .txt

common .py

源码链接 .txt

yolo .py

yolov5s_convnextB .yaml

2201.03545 .pdf

mobileone(提速)

源码实现 .txt

common .py

yolo .py

yolov5s_mobileone .yaml

2206.04040 .pdf

GCNET(全局特征融合)

yolo .py

gc .py

yolov5s_cb2d .yaml

1904.11492 .pdf

Coordinate_attention

源码实现 .txt

yolo .py

common .py

yolov5s_Coordinate_attention .yaml

Hou_Coordinate_Attention_for_Efficient_Mobile_Network_Design_CVPR_2021_paper .pdf

ACMIX(卷积与注意力结合)

源码实现 .txt

yolo .py

common .py

yolov5s_acmix .yaml

2111.14556 .pdf

gc(2) .py

01 直播课回放

01 开班典礼

01 开班典礼 .mp4

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

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

04 直播2：卷积神经网络

01 卷积神经网络 .mp4

05 直播3：Transformer架构

01 Transformer架构 .mp4

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

07 直播5：YOLO系列（V7）算法解读

01 YOLO系列（V7）算法解读 .mp4

08 直播6：分割模型Maskformer系列

01 分割模型Maskformer系列 .mp4

09 补充：Mask2former源码解读

01 Backbone获取多层级特征 .mp4

02 多层级采样点初始化构建 .mp4

03 多层级输入特征序列创建方法 .mp4

04 偏移量与权重计算并转换 .mp4

05 Encoder特征构建方法实例 .mp4

06 query要预测的任务解读 .mp4

07 Decoder中的AttentionMask方法 .mp4

08 损失模块输入参数分析 .mp4

09 标签分配策略解读 .mp4

10 正样本筛选损失计算 .mp4

11 标签分类匹配结果分析 .mp4

12 最终损失计算流程 .mp4

13 汇总所有损失完成迭代 .mp4

10 直播7：半监督物体检测

01 半监督物体检测 .mp4

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

12 直播9：图像定位与检索

01 图像定位与检索 .mp4

13 直播10：近期内容补充

01 近期内容补充 .mp4

14 直播11：文本生成GPT系列

01 文本生成GPT系列 .mp4

15 直播12：异构图神经网络

01 异构图神经网络 .mp4

16 直播13：BEV特征空间

01 BEV特征空间 .mp4

17 补充：BevFormer源码解读

01 环境配置方法解读 .mp4

02 数据集下载与配置方法 .mp4

03 特征提取以及BEV空间初始化 .mp4

04 特征对齐与位置编码初始化 .mp4

05 Reference初始点构建 .mp4

06 BEV空间与图像空间位置对应 .mp4

07 注意力机制模块计算方法 .mp4

08 BEV空间特征构建 .mp4

09 Decoder要完成的任务分析 .mp4

10 获取当前BEV特征 .mp4

11 Decoder级联校正模块 .mp4

12 损失函数与预测可视化 .mp4

18 直播14：知识蒸馏

01 知识蒸馏 .mp4

19 直播15：六期总结与论文简历

01 六期总结与论文简历 .mp4

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

02 卷积神经网络算法解读

01 卷积神经网络算法解读 .mp4

03 递归神经网络算法解读

01 递归神经网络算法解读 .mp4

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

02 CPU与GPU版本安装方法解读 .mp4

02 使用神经网络进行分类任务

01 数据集与任务概述 .mp4

02 基本模块应用测试 .mp4

03 网络结构定义方法 .mp4

04 数据源定义简介 .mp4

05 损失与训练模块分析 .mp4

06 训练一个基本的分类模型 .mp4

07 参数对结果的影响 .mp4

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

04 卷积网络参数解读分析

01 输入特征通道分析 .mp4

02 卷积网络参数解读 .mp4

03 卷积网络模型训练 .mp4

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

02 数据增强模块 .mp4

03 数据集与模型选择 .mp4

04 迁移学习方法解读 .mp4

05 输出层与梯度设置 .mp4

06 输出类别个数修改 .mp4

07 优化器与学习率衰减 .mp4

08 模型训练方法 .mp4

09 重新训练全部模型 .mp4

10 测试结果演示分析 .mp4

06 DataLoader自定义数据集制作

01 Dataloader要完成的任务分析 .mp4

02 图像数据与标签路径处理 .mp4

03 Dataloader中需要实现的方法分析 .mp4

04 实用Dataloader加载数据并训练模型 .mp4

07 LSTM文本分类实战

01 数据集与任务目标分析 .mp4

02 文本数据处理基本流程分析 .mp4

03 命令行参数与DEBUG .mp4

04 训练模型所需基本配置参数分析 .mp4

05 预料表与字符切分 .mp4

06 字符预处理转换ID .mp4

07 LSTM网络结构基本定义 .mp4

08 网络模型预测结果输出 .mp4

09 模型训练任务与总结 .mp4

08 PyTorch框架Flask部署例子

01 基本结构与训练好的模型加载 .mp4

02 服务端处理与预测函数 .mp4

03 基于Flask测试模型预测结果 .mp4

04 MMLAB实战系列

01 MMCV安装方法

01 MMCV安装方法 .mp4

02 第一模块：分类任务基本操作

01 MMCLS问题修正 .mp4

02 准备MMCLS项目 .mp4

03 基本参数配置解读 .mp4

04 各模块配置文件组成 .mp4

05 生成完整配置文件 .mp4

06 根据文件夹定义数据集 .mp4

07 构建自己的数据集 .mp4

08 训练自己的任务 .mp4

03 第一模块：训练结果测试与验证

01 测试DEMO效果 .mp4

02 测试评估模型效果 .mp4

03 MMCLS中增加一个新的模块 .mp4

04 修改配置文件中的参数 .mp4

05 数据增强流程可视化展示 .mp4

06 Grad-Cam可视化方法 .mp4

07 可视化细节与效果分析 .mp4

08 MMCLS可视化模块应用 .mp4

09 模型分析脚本使用 .mp4

04 第一模块：模型源码DEBUG演示

01 VIT任务概述 .mp4

02 数据增强模块概述分析 .mp4

03 PatchEmbedding层 .mp4

04 前向传播基本模块 .mp4

05 CLS与输出模块 .mp4

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

02 数据集标注与制作方法 .mp4

03 根据预测类别数修改配置文件 .mp4

04 加载预训练模型开始训练 .mp4

05 预测DEMO演示 .mp4

06 第二模块：基于Unet进行各种策略修改

01 配置文件解读 .mp4

02 编码层模块 .mp4

03 上采样与输出层 .mp4

04 辅助层的作用 .mp4

05 给Unet添加一个neck层 .mp4

06 如何修改参数适配网络结构 .mp4

07 将Unet特征提取模块替换成transformer .mp4

08 VIT模块源码分析 .mp4

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

02 配置文件指定 .mp4

03 DEBUG解读Backbone设计 .mp4

04 PatchEmbedding的作用与实现 .mp4

05 卷积位置编码计算方法 .mp4

06 近似Attention模块实现 .mp4

07 完成特征提取与融合模块 .mp4

08 分割输出模块 .mp4

09 全局特征的作用与实现 .mp4

10 汇总多层级特征进行输出 .mp4

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

02 COCO数据标注格式 .mp4

03 通过脚本生成COCO数据格式 .mp4

04 配置文件数据增强策略分析 .mp4

05 训练所需配置说明 .mp4

06 模型训练与DEMO演示 .mp4

07 模型测试与可视化分析模块 .mp4

08 补充：评估指标 .mp4

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

02 序列特征展开并叠加 .mp4

03 得到相对位置点编码 .mp4

04 准备Encoder编码层所需全部输入 .mp4

05 编码层中的序列分析 .mp4

06 偏移量offset计算 .mp4

07 偏移量对齐操作 .mp4

08 Encoder层完成特征对齐 .mp4

09 Decoder要完成的操作 .mp4

10 分类与回归输出模块 .mp4

11 预测输出结果与标签匹配模块 .mp4

10 补充：Mask2former源码解读

01 Backbone获取多层级特征 .mp4

02 多层级采样点初始化构建 .mp4

03 多层级输入特征序列创建方法 .mp4

04 偏移量与权重计算并转换 .mp4

05 Encoder特征构建方法实例 .mp4

06 query要预测的任务解读 .mp4

07 Decoder中的AttentionMask方法 .mp4

08 损失模块输入参数分析 .mp4

09 标签分配策略解读 .mp4

10 正样本筛选损失计算 .mp4

11 标签分类匹配结果分析 .mp4

12 最终损失计算流程 .mp4

13 汇总所有损失完成迭代 .mp4

11 第三模块：DeformableDetr算法解读

01 DeformableDetr算法解读 .mp4

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

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

02 配置文件参数设置 .mp4

03 Neck层特征组合 .mp4

04 损失函数模块概述 .mp4

05 损失计算方法 .mp4

14 第四模块：ANINET文字识别

01 数据集与环境概述 .mp4

02 配置文件修改方法 .mp4

03 Bakbone模块得到特征 .mp4

04 视觉Transformer模块的作用 .mp4

05 视觉模型中的编码与解码的效果 .mp4

06 文本模型中的结构分析 .mp4

07 迭代修正模块 .mp4

08 输出层与损失计算 .mp4

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

02 KIE数据集格式调整方法 .mp4

03 配置文件与标签要进行处理操作 .mp4

04 边框要计算的特征分析 .mp4

05 标签数据处理与关系特征提取 .mp4

06 特征合并处理 .mp4

07 准备拼接边与点特征 .mp4

08 整合得到图模型输入特征 .mp4

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

02 得到style特征编码 .mp4

03 特征编码风格拼接 .mp4

04 基础风格特征卷积模块 .mp4

05 上采样得到输出结果 .mp4

06 损失函数概述 .mp4

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

02 特征基础提取模块 .mp4

03 光流估计网络模块 .mp4

04 基于光流完成对齐操作 .mp4

05 偏移量计算方法 .mp4

06 双向计算特征对齐 .mp4

07 提特征传递流程分析 .mp4

08 序列传播计算 .mp4

09 准备变形卷积模块的输入 .mp4

10 传播流程整体完成一圈 .mp4

11 完成输出结果 .mp4

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

02 数据与标注文件介绍 .mp4

03 基本流程梳理并进入debug模式 .mp4

04 数据与图像特征提取模块 .mp4

05 体素索引位置获取 .mp4

06 体素特征提取方法解读 .mp4

07 体素特征计算方法分析 .mp4

08 全局体素特征提取 .mp4

09 多模态特征融合 .mp4

10 3D卷积特征融合 .mp4

11 输出层预测结果 .mp4

19 第八模块：模型蒸馏应用实例

01 任务概述与工具使用 .mp4

02 Teacher与Student网络结构定义 .mp4

03 训练T与S得到蒸馏模型 .mp4

04 开始模型训练过程与问题修正 .mp4

05 日志输出与模型分离 .mp4

06 分别得到Teacher与Student模型 .mp4

07 实际测试效果演示 .mp4

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

02 搜索匹配到符合计算量的模型并训练 .mp4

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

22 OCR算法解读

01 OCR算法解读 .mp4

23 额外补充-在源码中加入各种注意力机制方法

01 在源码中加入各种注意力机制方法 .mp4

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

02 Python与Opencv配置安装 .mp4

03 Notebook与IDE环境 .mp4

02 图像基本操作

01 计算机眼中的图像 .mp4

02 视频的读取与处理 .mp4

03 ROI区域 .mp4

04 边界填充 .mp4

05 数值计算 .mp4

03 阈值与平滑处理

01 图像阈值 .mp4

02 图像平滑处理 .mp4

03 高斯与中值滤波 .mp4

04 图像形态学操作

01 腐蚀操作 .mp4

02 膨胀操作 .mp4

03 开运算与闭运算 .mp4

04 梯度计算 .mp4

05 礼帽与黑帽 .mp4

05 图像梯度计算

01 Sobel算子 .mp4

02 梯度计算方法 .mp4

03 scharr与lapkacian算子 .mp4

06 边缘检测

01 Canny边缘检测流程 .mp4

02 非极大值抑制 .mp4

03 边缘检测效果 .mp4

07 图像金字塔与轮廓检测

01 图像金字塔定义 .mp4

02 金字塔制作方法 .mp4

03 轮廓检测方法 .mp4

04 轮廓检测结果 .mp4

05 轮廓特征与近似 .mp4

06 模板匹配方法 .mp4

07 匹配效果展示 .mp4

08 直方图与傅里叶变换

01 直方图定义 .mp4

02 均衡化原理 .mp4

03 均衡化效果 .mp4

04 傅里叶概述 .mp4

05 频域变换结果 .mp4

06 低通与高通滤波 .mp4

09 项目实战-信用卡数字识别

01 总体流程与方法讲解 .mp4

02 环境配置与预处理 .mp4

03 模板处理方法 .mp4

04 输入数据处理方法 .mp4

05 模板匹配得出识别结果 .mp4

10 项目实战-文档扫描OCR识别

01 整体流程演示 .mp4

02 文档轮廓提取 .mp4

03 原始与变换坐标计算 .mp4

04 透视变换结果 .mp4

05 tesseract-ocr安装配置 .mp4

06 文档扫描识别效果 .mp4

11 图像特征-harris

01 角点检测基本原理 .mp4

02 基本数学原理 .mp4

03 求解化简 .mp4

04 特征归属划分 .mp4

05 opencv角点检测效果 .mp4

12 图像特征-sift

01 尺度空间定义 .mp4

02 高斯差分金字塔 .mp4

03 特征关键点定位 .mp4

04 生成特征描述 .mp4

05 特征向量生成 .mp4

06 opencv中sift函数使用 .mp4

13 案例实战-全景图像拼接

01 特征匹配方法 .mp4

02 RANSAC算法 .mp4

03 图像拼接方法 .mp4

04 流程解读 .mp4

14 项目实战-停车场车位识别

01 任务整体流程 .mp4

02 所需数据介绍 .mp4

03 图像数据预处理 .mp4

04 车位直线检测 .mp4

05 按列划分区域 .mp4

06 车位区域划分 .mp4

07 识别模型构建 .mp4

08 基于视频的车位检测 .mp4

15 项目实战-答题卡识别判卷

01 整体流程与效果概述 .mp4

02 预处理操作 .mp4

03 填涂轮廓检测 .mp4

04 选项判断识别 .mp4

16 背景建模

01 背景消除-帧差法 .mp4

02 混合高斯模型 .mp4

03 学习步骤 .mp4

04 背景建模实战 .mp4

17 光流估计

01 基本概念 .mp4

02 Lucas-Kanade算法 .mp4

03 推导求解 .mp4

04 光流估计实战 .mp4

18 Opencv的DNN模块

01 dnn模块 .mp4

02 模型加载结果输出 .mp4

19 项目实战-目标追踪

01 目标追踪概述 .mp4

02 多目标追踪实战 .mp4

03 深度学习检测框架加载 .mp4

04 基于dlib与ssd的追踪 .mp4

05 多进程目标追踪 .mp4

06 多进程效率提升对比 .mp4

20 卷积原理与操作

01 卷积神经网络的应用 .mp4

02 卷积层解释 .mp4

03 卷积计算过程 .mp4

04 pading与stride .mp4

05 卷积参数共享 .mp4

06 池化层原理 .mp4

07 卷积效果演示 .mp4

08 卷积操作流程 .mp4

21 项目实战-疲劳检测

01 关键点定位概述 .mp4

02 获取人脸关键点 .mp4

03 定位效果演示 .mp4

04 闭眼检测 .mp4

05 检测效果 .mp4

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

01 检测任务中阶段的意义 .mp4

02 不同阶段算法优缺点分析 .mp4

03 IOU指标计算 .mp4

04 评估所需参数计算 .mp4

05 map指标计算 .mp4

02 YOLO-V1整体思想与网络架构

01 YOLO算法整体思路解读 .mp4

02 检测算法要得到的结果 .mp4

03 整体网络架构解读 .mp4

04 位置损失计算 .mp4

05 置信度误差与优缺点分析 .mp4

03 YOLO-V2改进细节详解

01 V2版本细节升级概述 .mp4

02 网络结构特点 .mp4

03 架构细节解读 .mp4

04 基于聚类来选择先验框尺寸 .mp4

05 偏移量计算方法 .mp4

06 坐标映射与还原 .mp4

07 感受野的作用 .mp4

08 特征融合改进 .mp4

04 YOLO-V3核心网络模型

01 V3版本改进概述 .mp4

02 多scale方法改进与特征融合 .mp4

03 经典变换方法对比分析 .mp4

04 残差连接方法解读 .mp4

05 整体网络模型架构分析 .mp4

06 先验框设计改进 .mp4

07 sotfmax层改进 .mp4

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

02 训练参数设置 .mp4

03 COCO图像数据读取与处理 .mp4

04 标签文件读取与处理 .mp4

05 debug模式介绍 .mp4

06 基于配置文件构建网络模型 .mp4

07 路由层与shortcut层的作用 .mp4

08 YOLO层定义解析 .mp4

09 预测结果计算 .mp4

10 网格偏移计算 .mp4

11 模型要计算的损失概述 .mp4

12 标签值格式修改 .mp4

13 坐标相对位置计算 .mp4

14 完成所有损失函数所需计算指标 .mp4

15 模型训练与总结 .mp4

16 预测效果展示 .mp4

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

02 数据信息标注 .mp4

03 完成标签制作 .mp4

04 生成模型所需配置文件 .mp4

05 json格式转换成yolo-v3所需输入 .mp4

06 完成输入数据准备工作 .mp4

07 训练代码与参数配置更改 .mp4

08 训练模型并测试效果 .mp4

07 YOLO-V4版本算法解读

01 V4版本整体概述 .mp4

02 V4版本贡献解读 .mp4

03 数据增强策略分析 .mp4

04 DropBlock与标签平滑方法 .mp4

05 损失函数遇到的问题 .mp4

06 CIOU损失函数定义 .mp4

07 NMS细节改进 .mp4

08 SPP与CSP网络结构 .mp4

09 SAM注意力机制模块 .mp4

10 PAN模块解读 .mp4

11 激活函数与整体架构总结 .mp4

08 V5版本项目配置

01 整体项目概述 .mp4

02 训练自己的数据集方法 .mp4

03 训练数据参数配置 .mp4

04 测试DEMO演示 .mp4

09 V5项目工程源码解读

01 数据源DEBUG流程解读 .mp4

02 图像数据源配置 .mp4

03 加载标签数据 .mp4

04 Mosaic数据增强方法 .mp4

05 数据四合一方法与流程演示 .mp4

06 getItem构建batch .mp4

07 网络架构图可视化工具安装 .mp4

08 V5网络配置文件解读 .mp4

09 Focus模块流程分析 .mp4

10 完成配置文件解析任务 .mp4

11 前向传播计算 .mp4

12 BottleneckCSP层计算方法 .mp4

13 SPP层计算细节分析 .mp4

14 Head层流程解读 .mp4

15 上采样与拼接操作 .mp4

16 输出结果分析 .mp4

17 超参数解读 .mp4

18 命令行参数介绍 .mp4

19 训练流程解读 .mp4

20 各种训练策略概述 .mp4

21 模型迭代过程 .mp4

10 V7源码解读

01 命令行参数介绍 .mp4

02 基本参数作用 .mp4

03 EMA等训练技巧解读 .mp4

04 网络结构配置文件解读 .mp4

05 各模块操作细节分析 .mp4

06 输出层与配置文件其他模块解读 .mp4

07 标签分配策略准备操作 .mp4

08 候选框偏移方法与find3p模块解读 .mp4

09 得到偏移点所在网格位置 .mp4

10 完成BuildTargets模块 .mp4

11 候选框筛选流程分析 .mp4

12 预测值各项指标获取与调整 .mp4

13 GT匹配正样本数量计算 .mp4

14 通过IOU与置信度分配正样本 .mp4

15 损失函数计算方法 .mp4

16 辅助头AUX网络结构配置文件解析 .mp4

17 辅助头损失函数调整 .mp4

18 BN与卷积权重参数融合方法 .mp4

19 重参数化多分支合并加速 .mp4

11 EfficientNet网络

01 EfficientNet网络模型 .mp4

12 EfficientDet检测算法

01 EfficientDet检测算法 .mp4

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

02 整体网络架构分析 .mp4

03 位置信息初始化query向量 .mp4

04 注意力机制的作用方法 .mp4

05 训练过程的策略 .mp4

14 detr目标检测源码解读

01 项目环境配置解读 .mp4

02 数据处理与dataloader .mp4

03 位置编码作用分析 .mp4

04 backbone特征提取模块 .mp4

05 mask与编码模块 .mp4

06 编码层作用方法 .mp4

07 Decoder层操作与计算 .mp4

08 输出预测结果 .mp4

09 损失函数与预测输出 .mp4

07 图像分割实战

01 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

02 分割任务中的目标函数定义 .mp4

03 MIOU评估标准 .mp4

02 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

02 卷积的作用 .mp4

03 卷积特征值计算方法 .mp4

04 得到特征图表示 .mp4

05 步长与卷积核大小对结果的影响 .mp4

06 边缘填充方法 .mp4

07 特征图尺寸计算与参数共享 .mp4

08 池化层的作用 .mp4

09 整体网络架构 .mp4

10 VGG网络架构 .mp4

11 残差网络Resnet .mp4

12 感受野的作用 .mp4

03 Unet系列算法讲解

01 Unet网络编码与解码过程 .mp4

02 网络计算流程 .mp4

03 Unet升级版本改进 .mp4

04 后续升级版本介绍 .mp4

04 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

02 数据增强工具 .mp4

03 Debug模式演示网络计算流程 .mp4

04 特征融合方法演示 .mp4

05 迭代完成整个模型计算任务 .mp4

06 模型效果验证 .mp4

05 U2NET显著性检测实战

01 任务目标与网络整体介绍 .mp4

02 显著性检测任务与目标概述 .mp4

03 编码器模块解读 .mp4

04 解码器输出结果 .mp4

05 损失函数与应用效果 .mp4

06 deeplab系列算法

01 deeplab分割算法概述 .mp4

02 空洞卷积的作用 .mp4

03 感受野的意义 .mp4

04 SPP层的作用 .mp4

05 ASPP特征融合策略 .mp4

06 deeplabV3Plus版本网络架构 .mp4

07 基于deeplabV3+版本进行VOC分割实战

01 PascalVoc数据集介绍 .mp4

02 项目参数与数据集读取 .mp4

03 网络前向传播流程 .mp4

04 ASPP层特征融合 .mp4

05 分割模型训练 .mp4

08 医学心脏视频数据集分割建模实战

01 数据集与任务概述 .mp4

02 项目基本配置参数 .mp4

03 任务流程解读 .mp4

04 文献报告分析 .mp4

05 补充：视频数据源特征处理方法概述 .mp4

06 补充：R(2plus1)D处理方法分析 .mp4

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

02 开源项目数据集 .mp4

03 开源项目数据集 .mp4

10 MaskRcnn网络框架源码详解

01 FPN层特征提取原理解读 .mp4

02 FPN网络架构实现解读 .mp4

03 生成框比例设置 .mp4

04 基于不同尺度特征图生成所有框 .mp4

05 RPN层的作用与实现解读 .mp4

06 候选框过滤方法 .mp4

07 Proposal层实现方法 .mp4

08 DetectionTarget层的作用 .mp4

09 正负样本选择与标签定义 .mp4

10 RoiPooling层的作用与目的 .mp4

11 RorAlign操作的效果 .mp4

12 整体框架回顾 .mp4

11 基于MASK-RCNN框架训练自己的数据与任务

01 Labelme工具安装 .mp4

02 使用labelme进行数据与标签标注 .mp4

03 完成训练数据准备工作 .mp4

04 maskrcnn源码修改方法 .mp4

05 基于标注数据训练所需任务 .mp4

06 测试与展示模块 .mp4

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

02 核心网络结构模块分析 .mp4

03 数据采样曾的作用 .mp4

04 模型网络结构设计 .mp4

05 特征融合模块与总结分析 .mp4

02 slowfast项目环境配置与配置文件

01 环境基本配置解读 .mp4

02 目录各文件分析 .mp4

03 配置文件作用解读 .mp4

04 测试DEMO演示 .mp4

05 训练所需标签文件说明 .mp4

06 训练所需视频数据准备 .mp4

07 视频数据集切分操作 .mp4

08 完成视频分帧操作 .mp4

03 slowfast源码详细解读

01 模型所需配置文件参数读取 .mp4

02 数据处理概述 .mp4

03 dataloader数据遍历方法 .mp4

04 数据与标签读取实例 .mp4

05 图像数据所需预处理方法 .mp4

06 slow与fast分别执行采样操作 .mp4

07 分别计算特征图输出结果 .mp4

08 slow与fast特征图拼接操作 .mp4

09 resnetBolock操作 .mp4

10 RoiAlign与输出层 .mp4

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

02 UCF101动作识别数据集简介 .mp4

03 测试效果与项目配置 .mp4

04 视频数据预处理方法 .mp4

05 数据Batch制作方法 .mp4

06 3D卷积网络所涉及模块 .mp4

07 训练网络模型 .mp4

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

02 基本思想与流程分析 .mp4

03 预测与常见问题 .mp4

04 Meta-Learn要解决的问题 .mp4

05 学习能力与参数定义 .mp4

06 如何找到合适的初始化参数 .mp4

07 MAML算法流程解读 .mp4

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

02 数据集配置与读取 .mp4

03 模型编码与解码结构 .mp4

04 注意力机制模块打造 .mp4

05 损失函数的目的 .mp4

06 特征图生成 .mp4

07 MetaLearn与输出 .mp4

07 基础补充-Resnet模型及其应用实例

01 医学疾病数据集介绍 .mp4

02 Resnet网络架构原理分析 .mp4

03 dataloader加载数据集 .mp4

04 Resnet网络前向传播 .mp4

05 残差网络的shortcut操作 .mp4

06 特征图升维与降采样操作 .mp4

07 网络整体流程与训练演示 .mp4

09 2022论文必备-Transformer实战系列

01 课程介绍

01 课程介绍 .mp4

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

02 传统解决方案遇到的问题 .mp4

03 注意力机制的作用 .mp4

04 self-attention计算方法 .mp4

05 特征分配与softmax机制 .mp4

06 Multi-head的作用 .mp4

07 位置编码与多层堆叠 .mp4

08 transformer整体架构梳理 .mp4

09 BERT模型训练方法 .mp4

10 训练实例 .mp4

03 Transformer在视觉中的应用VIT算法

01 transformer发家史介绍 .mp4

02 对图像数据构建patch序列 .mp4

03 VIT整体架构解读 .mp4

04 CNN遇到的问题与窘境 .mp4

05 计算公式解读 .mp4

06 位置编码与TNT模型 .mp4

07 TNT模型细节分析 .mp4

04 VIT算法模型源码解读

01 项目配置说明 .mp4

02 输入序列构建方法解读 .mp4

03 注意力机制计算 .mp4

04 输出层计算结果 .mp4

05 swintransformer算法原理解析

01 swintransformer整体概述 .mp4

02 要解决的问题及其优势分析 .mp4

03 一个block要完成的任务 .mp4

04 获取各窗口输入特征 .mp4

05 基于窗口的注意力机制解读 .mp4

06 窗口偏移操作的实现 .mp4

07 偏移细节分析及其计算量概述 .mp4

08 整体网络架构整合 .mp4

09 下采样操作实现方法 .mp4

10 分层计算方法 .mp4

06 swintransformer源码解读

01 数据与环境配置解读 .mp4

02 图像数据patch编码 .mp4

03 数据按window进行划分计算 .mp4

04 基础attention计算模块 .mp4

05 窗口位移模块细节分析 .mp4

06 patchmerge下采样操作 .mp4

07 各block计算方法解读 .mp4

08 输出层概述 .mp4

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

02 整体网络架构分析 .mp4

03 位置信息初始化query向量 .mp4

04 注意力机制的作用方法 .mp4

05 训练过程的策略 .mp4

08 detr目标检测源码解读

01 项目环境配置解读 .mp4

02 数据处理与dataloader .mp4

03 位置编码作用分析 .mp4

04 backbone特征提取模块 .mp4

05 mask与编码模块 .mp4

06 编码层作用方法 .mp4

07 Decoder层操作与计算 .mp4

08 输出预测结果 .mp4

09 损失函数与预测输出 .mp4

09 MedicalTrasnformer论文解读

01 论文整体分析 .mp4

02 核心思想分析 .mp4

03 网络结构计算流程概述 .mp4

04 论文公式计算分析 .mp4

05 位置编码的作用与效果 .mp4

06 拓展应用分析 .mp4

10 MedicalTransformer源码解读

01 项目环境配置 .mp4

02 医学数据介绍与分析 .mp4

03 基本处理操作 .mp4

04 AxialAttention实现过程 .mp4

05 位置编码向量解读 .mp4

06 注意力计算过程与方法 .mp4

07 局部特征提取与计算 .mp4

11 商汤LoFTR算法解读

01 特征匹配的应用场景 .mp4

02 特征匹配的基本流程分析 .mp4

03 整体流程梳理分析 .mp4

04 CrossAttention的作用与效果 .mp4

05 transformer构建匹配特征 .mp4

06 粗粒度匹配过程与作用 .mp4

07 特征图拆解操作 .mp4

08 细粒度匹配的作用与方法 .mp4

09 基于期望预测最终位置 .mp4

10 总结分析 .mp4

12 局部特征关键点匹配实战

01 项目与参数配置解读 .mp4

02 DEMO效果演示 .mp4

03 backbone特征提取模块 .mp4

04 注意力机制的作用与效果分析 .mp4

05 特征融合模块实现方法 .mp4

06 cross关系计算方法实例 .mp4

07 粗粒度匹配过程 .mp4

08 完成基础匹配模块 .mp4

09 精细化调整方法与实例 .mp4

10 得到精细化输出结果 .mp4

11 通过期望计算最终输出 .mp4

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

02 项目参数配置 .mp4

03 数据读取模块 .mp4

04 数据预处理模块 .mp4

05 tfrecord制作 .mp4

06 Embedding层的作用 .mp4

07 加入额外编码特征 .mp4

08 加入位置编码特征 .mp4

09 mask机制的作用 .mp4

10 构建QKV矩阵 .mp4

11 完成Transformer模块构建 .mp4

12 训练BERT模型 .mp4

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

02 读取处理自己的数据集 .mp4

03 训练BERT中文分类模型 .mp4

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

02 图基本模块定义 .mp4

03 邻接矩阵的定义 .mp4

04 GNN中常见任务 .mp4

05 消息传递计算方法 .mp4

06 多层GCN的作用 .mp4

02 图卷积GCN模型

01 GCN基本模型概述 .mp4

02 图卷积的基本计算方法 .mp4

03 邻接的矩阵的变换 .mp4

04 GCN变换原理解读 .mp4

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

02 数据集与邻接矩阵格式 .mp4

03 模型定义与训练方法 .mp4

04 文献引用数据集分类案例实战 .mp4

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

02 数据集与任务背景概述 .mp4

03 数据集基本预处理 .mp4

04 用户行为图结构创建 .mp4

05 数据集创建函数介绍 .mp4

06 网络结构定义模块 .mp4

07 TopkPooling进行下采样任务 .mp4

08 获取全局特征 .mp4

09 模型训练与总结 .mp4

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

02 邻接矩阵计算图Attention .mp4

03 序列图神经网络TGCN应用 .mp4

04 序列图神经网络细节 .mp4

06 图相似度论文解读

01 要完成的任务分析 .mp4

02 基本方法概述解读 .mp4

03 图模型提取全局与局部特征 .mp4

04 NTN模块的作用与效果 .mp4

05 点之间的对应关系计算 .mp4

06 结果输出与总结 .mp4

07 图相似度计算实战

01 数据集与任务概述 .mp4

02 图卷积特征提取模块 .mp4

03 分别计算不同Batch点的分布 .mp4

04 获得直方图特征结果 .mp4

05 图的全局特征构建 .mp4

06 NTN图相似特征提取 .mp4

07 预测得到相似度结果 .mp4

08 基于图模型的轨迹估计

01 数据集与标注信息解读 .mp4

02 整体三大模块分析 .mp4

03 特征工程的作用与效果 .mp4

04 传统方法与现在向量空间对比 .mp4

05 输入细节分析 .mp4

06 子图模块构建方法 .mp4

07 特征融合模块分析 .mp4

08 VectorNet输出层分析 .mp4

09 图模型轨迹估计实战

01 数据与环境配置 .mp4

02 训练数据准备 .mp4

03 Agent特征提取方法 .mp4

04 DataLoader构建图结构 .mp4

05 SubGraph与Attention模型流程 .mp4

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

02 点云应用领域与发展分析 .mp4

03 点云分割任务 .mp4

04 点云补全任务 .mp4

05 点云检测与配准任务 .mp4

06 点云数据特征提取概述与预告 .mp4

02 3D点云PointNet算法

01 3D数据应用领域与点云介绍 .mp4

02 点云数据可视化展示 .mp4

03 点云数据特性和及要解决的问题 .mp4

04 PointNet算法出发点解读 .mp4

05 PointNet算法网络架构解读 .mp4

03 PointNet++算法解读

01 PointNet升级版算法要解决的问题 .mp4

02 最远点采样方法 .mp4

03 分组Group方法原理解读 .mp4

04 整体流程概述分析 .mp4

05 分类与分割问题解决方案 .mp4

06 遇到的问题及改进方法分析 .mp4

04 Pointnet++项目实战

01 项目文件概述 .mp4

02 数据读取模块配置 .mp4

03 DEBUG解读网络模型架构 .mp4

04 最远点采样介绍 .mp4

05 采样得到中心点 .mp4

06 组区域划分方法 .mp4

07 实现group操作得到各中心簇 .mp4

08 特征提取模块整体流程 .mp4

09 预测结果输出模块 .mp4

10 分类任务总结 .mp4

11 分割任务数据与配置概述 .mp4

12 分割需要解决的任务概述 .mp4

13 上采样完成分割任务 .mp4

05 点云补全PF-Net论文解读

01 点云补全要解决的问题 .mp4

02 基本解决方案概述 .mp4

03 整体网络概述 .mp4

04 网络计算流程 .mp4

05 输入与计算结果 .mp4

06 点云补全实战解读

01 数据与项目配置解读 .mp4

02 待补全数据准备方法 .mp4

03 整体框架概述 .mp4

04 MRE特征提取模块 .mp4

05 分层预测输出模块 .mp4

06 补全点云数据 .mp4

07 判别模块 .mp4

07 点云配准及其案例实战

01 点云配准任务概述 .mp4

02 配准要完成的目标解读 .mp4

03 训练数据构建 .mp4

04 任务基本流程 .mp4

05 数据源配置方法 .mp4

06 参数计算模块解读 .mp4

07 基于模型预测输出参数 .mp4

08 特征构建方法分析 .mp4

09 任务总结 .mp4

08 基础补充-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

02 GAN网络组成 .mp4

03 损失函数解释说明 .mp4

04 数据读取模块 .mp4

05 生成与判别网络定义 .mp4

12 目标追踪与姿态估计实战

01 课程介绍

01 课程介绍 .mp4

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

02 姿态估计应用领域概述 .mp4

03 传统topdown方法的问题 .mp4

04 要解决的两个问题分析 .mp4

05 基于高斯分布预测关键点位置 .mp4

06 各模块输出特征图解读 .mp4

07 PAF向量登场 .mp4

08 PAF标签设计方法 .mp4

09 预测时PAF积分计算方法 .mp4

10 匹配方法解读 .mp4

11 CPM模型特点 .mp4

12 算法流程与总结 .mp4

03 OpenPose算法源码分析

01 数据集与路径配置解读 .mp4

02 读取图像与标注信息 .mp4

03 关键点与躯干特征图初始化 .mp4

04 根据关键点位置设计关键点标签 .mp4

05 准备构建PAF躯干标签 .mp4

06 各位置点归属判断 .mp4

07 特征图各点累加向量计算 .mp4

08 完成PAF特征图制作 .mp4

09 网络模型一阶段输出 .mp4

10 多阶段输出与预测 .mp4

04 deepsort算法知识点解读

01 卡尔曼滤波通俗解释 .mp4

02 卡尔曼滤波要完成的任务 .mp4

03 任务本质分析 .mp4

04 基于观测值进行最优估计 .mp4

05 预测与更新操作 .mp4

06 追踪中的状态量 .mp4

07 匈牙利匹配算法概述 .mp4

08 匹配小例子分析 .mp4

09 REID特征的作用 .mp4

10 sort与deepsort建模流程分析 .mp4

11 预测与匹配流程解读 .mp4

12 追踪任务流程拆解 .mp4

05 deepsort源码解读

01 项目环境配置 .mp4

02 参数与DEMO演示 .mp4

03 针对检测结果初始化track .mp4

04 对track执行预测操作 .mp4

05 状态量预测结果 .mp4

06 IOU代价矩阵计算 .mp4

07 参数更新操作 .mp4

08 级联匹配模块 .mp4

09 ReID特征代价矩阵计算 .mp4

10 匹配结果与总结 .mp4

06 YOLO-V4版本算法解读

01 V4版本整体概述 .mp4

02 V4版本贡献解读 .mp4

03 数据增强策略分析 .mp4

04 DropBlock与标签平滑方法 .mp4

05 损失函数遇到的问题 .mp4

06 CIOU损失函数定义 .mp4

07 NMS细节改进 .mp4

08 SPP与CSP网络结构 .mp4

09 SAM注意力机制模块 .mp4

10 PAN模块解读 .mp4

11 激活函数与整体架构总结 .mp4

07 V5版本项目配置

01 整体项目概述 .mp4

02 训练自己的数据集方法 .mp4

03 训练数据参数配置 .mp4

04 测试DEMO演示 .mp4

08 V5项目工程源码解读

01 数据源DEBUG流程解读 .mp4

02 图像数据源配置 .mp4

03 加载标签数据 .mp4

04 Mosaic数据增强方法 .mp4

05 数据四合一方法与流程演示 .mp4

06 getItem构建batch .mp4

07 网络架构图可视化工具安装 .mp4

08 V5网络配置文件解读 .mp4

09 Focus模块流程分析 .mp4

10 完成配置文件解析任务 .mp4

11 前向传播计算 .mp4

12 BottleneckCSP层计算方法 .mp4

13 1-SPP层计算细节分析 .mp4

14 2-Head层流程解读 .mp4

15 上采样与拼接操作 .mp4

16 输出结果分析 .mp4

17 超参数解读 .mp4

18 命令行参数介绍 .mp4

19 训练流程解读 .mp4

20 各种训练策略概述 .mp4

21 模型迭代过程 .mp4

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

02 kitti数据集介绍 .mp4

03 使用backbone获取层级特征 .mp4

04 差异特征计算边界信息 .mp4

05 SPP层的作用 .mp4

06 空洞卷积与ASPP .mp4

07 特征拼接方法分析 .mp4

08 网络coarse-to-fine过程 .mp4

09 权重参数预处理 .mp4

10 损失计算 .mp4

02 深度估计项目实战

01 项目环境配置解读 .mp4

02 数据与标签定义方法 .mp4

03 数据集dataloader制作 .mp4

04 使用backbone进行特征提取 .mp4

05 计算差异特征 .mp4

06 权重参数标准化操作 .mp4

07 网络结构ASPP层 .mp4

08 特征拼接方法解读 .mp4

09 输出深度估计结果 .mp4

10 损失函数通俗解读 .mp4

11 模型DEMO输出结果 .mp4

03 车道线检测算法与论文解读

01 数据标签与任务分析 .mp4

02 网络整体框架分析 .mp4

03 输出结果分析 .mp4

04 损失函数计算方法 .mp4

05 论文概述分析 .mp4

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

02 项目环境配置演示 .mp4

03 制作数据集dataloader .mp4

04 车道线标签数据处理 .mp4

05 四条车道线标签位置矩阵 .mp4

06 grid设置方法 .mp4

07 完成数据与标签制作 .mp4

08 算法网络结构解读 .mp4

09 损失函数计算模块分析 .mp4

10 车道线规则损失函数限制 .mp4

11 DEMO制作与配置 .mp4

05 商汤LoFTR算法解读

01 特征匹配的应用场景 .mp4

02 特征匹配的基本流程分析 .mp4

03 整体流程梳理分析 .mp4

04 CrossAttention的作用与效果 .mp4

05 transformer构建匹配特征 .mp4

06 粗粒度匹配过程与作用 .mp4

07 特征图拆解操作 .mp4

08 细粒度匹配的作用与方法 .mp4

09 基于期望预测最终位置 .mp4

10 总结分析 .mp4

06 局部特征关键点匹配实战

01 项目与参数配置解读 .mp4

02 DEMO效果演示 .mp4

03 backbone特征提取模块 .mp4

04 注意力机制的作用与效果分析 .mp4

05 特征融合模块实现方法 .mp4

06 cross关系计算方法实例 .mp4

07 粗粒度匹配过程 .mp4

08 完成基础匹配模块 .mp4

09 精细化调整方法与实例 .mp4

10 得到精细化输出结果 .mp4

11 通过期望计算最终输出 .mp4

07 三维重建应用与坐标系基础

01 三维重建概述分析 .mp4

02 三维重建应用领域概述 .mp4

03 成像方法概述 .mp4

04 相机坐标系 .mp4

05 坐标系转换方法解读 .mp4

06 相机内外参 .mp4

07 通过内外参数进行坐标变换 .mp4

08 相机标定简介 .mp4

08 NeuralRecon算法解读

01 任务流程分析 .mp4

02 基本框架熟悉 .mp4

03 特征映射方法解读 .mp4

04 片段融合思想 .mp4

05 整体架构重构方法 .mp4

09 NeuralRecon项目环境配置

01 数据集下载与配置方法 .mp4

02 Scannet数据集内容概述 .mp4

03 TSDF标签生成方法 .mp4

04 ISSUE的作用 .mp4

05 完成依赖环境配置 .mp4

10 NeuralRecon项目源码解读

01 Backbone得到特征图 .mp4

02 初始化体素位置 .mp4

03 坐标映射方法实现 .mp4

04 得到体素所对应特征图 .mp4

05 插值得到对应特征向量 .mp4

06 得到一阶段输出结果 .mp4

07 完成三个阶段预测结果 .mp4

08 项目总结 .mp4

11 TSDF算法与应用

01 TSDF整体概述分析 .mp4

02 合成过程DEMO演示 .mp4

03 布局初始化操作 .mp4

04 TSDF计算基本流程解读 .mp4

05 坐标转换流程分析 .mp4

06 输出结果融合更新 .mp4

12 TSDF实战案例

01 环境配置概述 .mp4

02 初始化与数据读取 .mp4

03 计算得到TSDF输出 .mp4

13 轨迹估计算法与论文解读

01 数据集与标注信息解读 .mp4

02 整体三大模块分析 .mp4

03 特征工程的作用与效果 .mp4

04 传统方法与现在向量空间对比 .mp4

05 输入细节分析 .mp4

06 子图模块构建方法 .mp4

07 特征融合模块分析 .mp4

08 VectorNet输出层分析 .mp4

14 轨迹估计预测实战

01 数据与环境配置 .mp4

02 训练数据准备 .mp4

03 Agent特征提取方法 .mp4

04 DataLoader构建图结构 .mp4

05 SubGraph与Attention模型流程 .mp4

15 特斯拉无人驾驶解读

01 特斯拉无人驾驶解读 .mp4

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

02 CLIP系列

01 CLIP系列 .mp4

03 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

02 数据与标注文件介绍 .mp4

03 基本流程梳理并进入debug模式 .mp4

04 数据与图像特征提取模块 .mp4

05 体素索引位置获取 .mp4

06 体素特征提取方法解读 .mp4

07 体素特征计算方法分析 .mp4

08 全局体素特征提取 .mp4

09 多模态特征融合 .mp4

10 3D卷积特征融合 .mp4

11 输出层预测结果 .mp4

04 多模态文字识别

01 多模态文字识别 .mp4

05 ANINET源码解读

01 数据集与环境概述 .mp4

02 配置文件修改方法 .mp4

03 Bakbone模块得到特征 .mp4

04 视觉Transformer模块的作用 .mp4

05 视觉模型中的编码与解码的效果 .mp4

06 文本模型中的结构分析 .mp4

07 迭代修正模块 .mp4

08 输出层与损失计算 .mp4

15 缺陷检测实战

01 课程介绍

01 课程介绍 .mp4

02 物体检框架YOLO-V4版本算法解读

01 源码【内有百度云地址，自取】 .txt

01 V4版本整体概述 .mp4

02 V4版本贡献解读 .mp4

03 数据增强策略分析 .mp4

04 DropBlock与标签平滑方法 .mp4

05 损失函数遇到的问题 .mp4

06 CIOU损失函数定义 .mp4

07 NMS细节改进 .mp4

08 SPP与CSP网络结构 .mp4

09 SAM注意力机制模块 .mp4

10 PAN模块解读 .mp4

11 激活函数与整体架构总结 .mp4

03 物体检测框架YOLOV5版本项目配置

01 整体项目概述 .mp4

02 训练自己的数据集方法 .mp4

03 训练数据参数配置 .mp4

04 测试DEMO演示 .mp4

04 物体检测框架YOLOV5项目工程源码解读

01 数据源DEBUG流程解读 .mp4

02 图像数据源配置 .mp4

03 加载标签数据 .mp4

04 Mosaic数据增强方法 .mp4

05 数据四合一方法与流程演示 .mp4

06 getItem构建batch .mp4

07 网络架构图可视化工具安装 .mp4

08 V5网络配置文件解读 .mp4

09 Focus模块流程分析 .mp4

10 完成配置文件解析任务 .mp4

11 前向传播计算 .mp4

12 BottleneckCSP层计算方法 .mp4

13 SPP层计算细节分析 .mp4

14 Head层流程解读 .mp4

15 上采样与拼接操作 .mp4

16 输出结果分析 .mp4

17 超参数解读 .mp4

18 命令行参数介绍 .mp4

19 训练流程解读 .mp4

20 各种训练策略概述 .mp4

21 模型迭代过程 .mp4

05 基于YOLOV5的钢材缺陷检测实战

01 任务需求与项目概述 .mp4

02 数据与标签配置方法 .mp4

03 标签转换格式脚本制作 .mp4

04 各版本模型介绍分析 .mp4

05 项目参数配置 .mp4

06 缺陷检测模型训练 .mp4

07 输出结果与项目总结 .mp4

06 Semi-supervised布料缺陷检测实战

01 任务目标与流程概述 .mp4

02 论文思想与模型分析 .mp4

03 项目配置解读 .mp4

04 网络流程分析 .mp4

05 输出结果展示 .mp4

07 Opencv图像常用处理方法实例

01 计算机眼中的图像 .mp4

02 视频的读取与处理 .mp4

03 ROI区域 .mp4

04 边界填充 .mp4

05 数值计算 .mp4

06 图像阈值 .mp4

07 图像平滑处理 .mp4

08 高斯与中值滤波 .mp4

09 腐蚀操作 .mp4

10 膨胀操作 .mp4

11 开运算与闭运算 .mp4

12 梯度计算 .mp4

13 礼帽与黑帽 .mp4

08 Opencv梯度计算与边缘检测实例

01 Canny边缘检测流程 .mp4

02 非极大值抑制 .mp4

03 边缘检测效果 .mp4

04 Sobel算子 .mp4

05 梯度计算方法 .mp4

06 scharr与lapkacian算子 .mp4

09 Opencv轮廓检测与直方图

01 图像金字塔定义 .mp4

02 金字塔制作方法 .mp4

03 轮廓检测方法 .mp4

04 轮廓检测结果 .mp4

05 轮廓特征与近似 .mp4

06 模板匹配方法 .mp4

07 匹配效果展示 .mp4

08 直方图定义 .mp4

09 均衡化原理 .mp4

10 均衡化效果 .mp4

11 傅里叶概述 .mp4

12 频域变换结果 .mp4

13 低通与高通滤波 .mp4

10 基于Opencv缺陷检测项目实战

01 任务需求与环境配置 .mp4

02 数据读取与基本处理 .mp4

03 缺陷形态学操作 .mp4

04 整体流程解读 .mp4

05 缺陷检测效果演示 .mp4

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

02 视频数据读取与轮廓检测 .mp4

03 目标质心计算 .mp4

04 视频数据遍历方法 .mp4

05 缺陷区域提取 .mp4

06 不同类型的缺陷检测方法 .mp4

07 检测效果演示 .mp4

12 图像分割deeplab系列算法

01 deeplab分割算法概述 .mp4

02 空洞卷积的作用 .mp4

03 感受野的意义 .mp4

04 SPP层的作用 .mp4

05 ASPP特征融合策略 .mp4

06 deeplabV3Plus版本网络架构 .mp4

13 基于deeplabV3+版本进行VOC分割实战

01 PascalVoc数据集介绍 .mp4

02 项目参数与数据集读取 .mp4

03 网络前向传播流程 .mp4

04 ASPP层特征融合 .mp4

05 分割模型训练 .mp4

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

02 开源项目应用方法 .mp4

03 github与kaggle中需要注意的点 .mp4

04 源码的利用方法 .mp4

04 源码的利用方法_ev .mp4

05 数据集制作方法_ev .mp4

06 数据路径配置_ev .mp4

07 训练模型_ev .mp4

08 任务总结_ev .mp4

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_ev .mp4

02 挑战与困难分析_ev .mp4

03 评估标准rank1指标_ev .mp4

04 map值计算方法_ev .mp4

05 triplet损失计算实例_ev .mp4

06 Hard-Negative方法应用_ev .mp4

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_ev .mp4

02 空间权重值计算流程分析_ev .mp4

03 融合空间注意力所需特征_ev .mp4

04 基于特征图的注意力计算_ev .mp4

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_ev .mp4

02 参数配置与整体架构分析_ev .mp4

03 进入debug模式解读网络计算流程_ev .mp4

04 获得空间位置点之间的关系_ev .mp4

05 组合关系特征图_ev .mp4

06 计算得到位置权重值_ev .mp4

07 基于特征图的权重计算_ev .mp4

08 损失函数计算实例解读_ev .mp4

09 训练与测试模块演示_ev .mp4

04 AAAI2020顶会算法精讲

01 论文整体框架概述_ev .mp4

02 局部特征与全局关系计算方法_ev .mp4

03 特征分组方法_ev .mp4

04 GCP模块特征融合方法_ev .mp4

05 oneVsReset方法实例_ev .mp4

06 损失函数应用位置_ev .mp4

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_ev .mp4

02 数据源构建方法分析_ev .mp4

03 dataloader加载顺序解读_ev .mp4

04 debug模式解读_ev .mp4

05 网络计算整体流程演示_ev .mp4

06 特征序列构建_ev .mp4

07 GCP全局特征提取_ev .mp4

08 局部特征提取实例_ev .mp4

09 特征组合汇总_ev .mp4

10 得到所有分组特征结果_ev .mp4

11 损失函数与训练过程演示_ev .mp4

12 测试与验证模块_ev .mp4

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_ev .mp4

02 图卷积与匹配的作用_ev .mp4

03 局部特征热度图计算_ev .mp4

04 基于图卷积构建人体拓扑关系_ev .mp4

05 图卷积模块实现方法_ev .mp4

06 图匹配在行人重识别中的作用_ev .mp4

07 整体算法框架分析_ev .mp4

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_ev .mp4

02 局部特征准备方法_ev .mp4

03 得到一阶段热度图结果_ev .mp4

04 阶段监督训练_ev .mp4

05 初始化图卷积模型_ev .mp4

06 mask矩阵的作用_ev .mp4

07 邻接矩阵学习与更新_ev .mp4

08 基于拓扑结构组合关键点特征_ev .mp4

09 图匹配模块计算流程_ev .mp4

10 整体项目总结_ev .mp4

17 对抗生成网络实战

01 课程介绍

01 课程介绍_ev .mp4

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_ev .mp4

02 GAN网络组成_ev .mp4

03 损失函数解释说明_ev .mp4

04 数据读取模块_ev .mp4

05 生成与判别网络定义_ev .mp4

03 基于CycleGan开源项目实战图像合成

01 CycleGan网络所需数据_ev .mp4

02 CycleGan整体网络架构_ev .mp4

03 PatchGan判别网络原理_ev .mp4

04 Cycle开源项目简介_ev .mp4

05 数据读取与预处理操作_ev .mp4

06 生成网络模块构造_ev .mp4

07 判别网络模块构造_ev .mp4

08 损失函数：identity loss计算方法_ev .mp4

09 生成与判别损失函数指定_ev .mp4

10 额外补充：VISDOM可视化配置_ev .mp4

04 stargan论文架构解析

01 stargan效果演示分析_ev .mp4

02 网络架构整体思路解读_ev .mp4

03 建模流程分析_ev .mp4

04 V1版本存在的问题及后续改进思路_ev .mp4

05 V2版本在整体网络架构_ev .mp4

06 编码器训练方法_ev .mp4

07 损失函数公式解析_ev .mp4

08 训练过程分析_ev .mp4

05 stargan项目实战及其源码解读

01 测试模块效果与实验分析_ev .mp4

02 项目配置与数据源下载_ev .mp4

03 测试效果演示_ev .mp4

04 项目参数解析_ev .mp4

05 生成器模块源码解读_ev .mp4

06 所有网络模块构建实例_ev .mp4

07 数据读取模块分析_ev .mp4

08 判别器损失计算_ev .mp4

09 损失计算详细过程_ev .mp4

10 生成模块损失计算_ev .mp4

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_ev .mp4

02 VCC2016输入数据_ev .mp4

03 语音特征提取_ev .mp4

04 生成器模型架构分析_ev .mp4

05 InstanceNorm的作用解读_ev .mp4

06 AdaIn的目的与效果_ev .mp4

07 判别器模块分析_ev .mp4

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_ev .mp4

02 环境配置与工具包安装_ev .mp4

03 数据预处理与声音特征提取_ev .mp4

04 生成器构造模块解读_ev .mp4

05 下采样与上采样操作_ev .mp4

06 starganvc2版本标签输入分析_ev .mp4

07 生成器前向传播维度变化_ev .mp4

08 判别器模块解读_ev .mp4

09 论文损失函数_ev .mp4

10 源码损失计算流程_ev .mp4

11 测试模块-生成转换语音_ev .mp4

08 图像超分辨率重构实战

01 论文概述_ev .mp4

02 网络架构_ev .mp4

03 数据与环境配置_ev .mp4

04 数据加载与配置_ev .mp4

05 生成模块_ev .mp4

06 判别模块_ev .mp4

07 VGG特征提取网络_ev .mp4

08 损失函数与训练_ev .mp4

09 测试模块_ev .mp4

09 基于GAN的图像补全实战

01 论文概述_ev .mp4

02 网络架构_ev .mp4

03 细节设计_ev .mp4

04 论文总结_ev .mp4

05 数据与项目概述_ev .mp4

06 参数基本设计_ev .mp4

07 网络结构配置_ev .mp4

08 网络迭代训练_ev .mp4

09 测试模块_ev .mp4

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_ev .mp4

02 强化学习的指导依据_ev .mp4

03 强化学习AI游戏DEMO_ev .mp4

04 应用领域简介_ev .mp4

05 强化学习工作流程_ev .mp4

06 计算机眼中的状态与行为_ev .mp4

02 PPO算法与公式推导

01 基本情况介绍_ev .mp4

02 与环境交互得到所需数据_ev .mp4

03 要完成的目标分析_ev .mp4

04 策略梯度推导_ev .mp4

05 baseline方法_ev .mp4

06 OnPolicy与OffPolicy策略_ev .mp4

07 importance sampling的作用_ev .mp4

08 PPO算法整体思路解析_ev .mp4

03 PPO实战-月球登陆器训练实例

01 Critic的作用与效果_ev .mp4

02 PPO2版本公式解读_ev .mp4

03 参数与网络结构定义_ev .mp4

04 得到动作结果_ev .mp4

05 奖励获得与计算_ev .mp4

06 参数迭代与更新_ev .mp4

04 Q-learning与DQN算法

01 整体任务流程演示_ev .mp4

02 探索与action获取_ev .mp4

03 计算target值_ev .mp4

04 训练与更新_ev .mp4

05 算法原理通俗解读_ev .mp4

06 目标函数与公式解析_ev .mp4

07 Qlearning算法实例解读_ev .mp4

08 Q值迭代求解_ev .mp4

09 DQN简介_ev .mp4

05 DQN算法实例演示

01 整体任务流程演示_ev .mp4

02 探索与action获取_ev .mp4

03 计算target值_ev .mp4

04 训练与更新_ev .mp4

06 DQN改进与应用技巧

01 DoubleDqn要解决的问题_ev .mp4

02 DuelingDqn改进方法_ev .mp4

03 Dueling整体网络架构分析_ev .mp4

04 MultiSetp策略_ev .mp4

05 连续动作处理方法_ev .mp4

07 Actor-Critic算法分析（A3C）

01 AC算法回顾与知识点总结_ev .mp4

02 优势函数解读与分析_ev .mp4

03 计算流程实例_ev .mp4

04 A3C整体架构分析_ev .mp4

05 损失函数整理_ev .mp4

08 用A3C玩转超级马里奥

01 整体流程与环境配置_ev .mp4

02 启动游戏环境_ev .mp4

03 要计算的指标回顾_ev .mp4

04 初始化局部模型并加载参数_ev .mp4

05 与环境交互得到训练数据_ev .mp4

06 训练网络模型_ev .mp4

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_ev .mp4

02 GPT建模与预测流程

01 生成模型可以完成的任务概述_ev .mp4

02 数据样本生成方法_ev .mp4

03 训练所需参数解读_ev .mp4

04 模型训练过程_ev .mp4

05 部署与网页预测展示_ev .mp4

03 CLIP系列

01 CLIP系列_ev .mp4

04 Diffusion模型解读

01 Diffusion模型解读_ev .mp4

05 Dalle2及其源码解读

01 Dalle2源码解读_ev .mp4

06 ChatGPT

01 ChatGPT_ev .mp4

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_ev .mp4

02 卷积的作用_ev .mp4

03 卷积特征值计算方法_ev .mp4

04 得到特征图表示_ev .mp4

05 步长与卷积核大小对结果的影响_ev .mp4

06 边缘填充方法_ev .mp4

07 特征图尺寸计算与参数共享_ev .mp4

08 池化层的作用_ev .mp4

09 整体网络架构_ev .mp4

10 VGG网络架构_ev .mp4

11 残差网络Resnet_ev .mp4

12 感受野的作用_ev .mp4

02 PyTorch框架基本处理操作

01 PyTorch实战课程简介_ev .mp4

02 PyTorch框架发展趋势简介_ev .mp4

03 框架安装方法（CPU与GPU版本）_ev .mp4

04 PyTorch基本操作简介_ev .mp4

05 自动求导机制_ev .mp4

06 线性回归DEMO-数据与参数配置_ev .mp4

07 线性回归DEMO-训练回归模型_ev .mp4

08 补充：常见tensor格式_ev .mp4

09 补充：Hub模块简介_ev .mp4

03 PyTorch框架必备核心模块解读

01 卷积网络参数定义_ev .mp4

02 网络流程解读_ev .mp4

03 Vision模块功能解读_ev .mp4

04 分类任务数据集定义与配置_ev .mp4

05 图像增强的作用_ev .mp4

06 数据预处理与数据增强模块_ev .mp4

07 Batch数据制作_ev .mp4

08 迁移学习的目标_ev .mp4

09 迁移学习策略_ev .mp4

10 加载训练好的网络模型_ev .mp4

11 优化器模块配置_ev .mp4

12 实现训练模块_ev .mp4

13 训练结果与模型保存_ev .mp4

14 加载模型对测试数据进行预测_ev .mp4

15 额外补充-Resnet论文解读_ev .mp4

16 额外补充-Resnet网络架构解读_ev .mp4

04 基于Resnet的医学数据集分类实战

01 医学疾病数据集介绍_ev .mp4

02 Resnet网络架构原理分析_ev .mp4

03 dataloader加载数据集_ev .mp4

04 Resnet网络前向传播_ev .mp4

05 残差网络的shortcut操作_ev .mp4

06 特征图升维与降采样操作_ev .mp4

07 网络整体流程与训练演示_ev .mp4

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_ev .mp4

02 分割任务中的目标函数定义_ev .mp4

03 MIOU评估标准_ev .mp4

06 Unet系列算法讲解

01 Unet网络编码与解码过程_ev .mp4

02 网络计算流程_ev .mp4

03 Unet升级版本改进_ev .mp4

04 后续升级版本介绍_ev .mp4

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_ev .mp4

02 数据增强工具_ev .mp4

03 Debug模式演示网络计算流程_ev .mp4

04 特征融合方法演示_ev .mp4

05 迭代完成整个模型计算任务_ev .mp4

06 模型效果验证_ev .mp4

08 deeplab系列算法

01 deeplab分割算法概述_ev .mp4

02 空洞卷积的作用_ev .mp4

03 感受野的意义_ev .mp4

04 SPP层的作用_ev .mp4

05 ASPP特征融合策略_ev .mp4

06 deeplabV3Plus版本网络架构_ev .mp4

09 基于deeplabV3+版本进行VOC分割实战

01 PascalVoc数据集介绍_ev .mp4

02 项目参数与数据集读取_ev .mp4

03 网络前向传播流程_ev .mp4

04 ASPP层特征融合_ev .mp4

05 分割模型训练_ev .mp4

10 基于deeplab的心脏视频数据诊断分析

01 数据集与任务概述_ev .mp4

02 项目基本配置参数_ev .mp4

03 任务流程解读_ev .mp4

04 文献报告分析_ev .mp4

05 补充：视频数据源特征处理方法概述_ev .mp4

06 补充：R(2plus1)D处理方法分析_ev .mp4

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_ev .mp4

02 不同阶段算法优缺点分析_ev .mp4

03 IOU指标计算_ev .mp4

04 评估所需参数计算_ev .mp4

05 map指标计算_ev .mp4

06 YOLO算法整体思路解读_ev .mp4

07 检测算法要得到的结果_ev .mp4

08 整体网络架构解读_ev .mp4

09 位置损失计算_ev .mp4

10 置信度误差与优缺点分析_ev .mp4

11 V2版本细节升级概述_ev .mp4

12 网络结构特点_ev .mp4

13 架构细节解读_ev .mp4

14 基于聚类来选择先验框尺寸_ev .mp4

15 偏移量计算方法_ev .mp4

16 坐标映射与还原_ev .mp4

17 感受野的作用_ev .mp4

18 特征融合改进_ev .mp4

19 V3版本改进概述_ev .mp4

20 多scale方法改进与特征融合_ev .mp4

21 经典变换方法对比分析_ev .mp4

22 残差连接方法解读_ev .mp4

23 整体网络模型架构分析_ev .mp4

24 先验框设计改进_ev .mp4

25 sotfmax层改进_ev .mp4

26 V4版本整体概述_ev .mp4

27 V4版本贡献解读_ev .mp4

28 数据增强策略分析_ev .mp4

29 DropBlock与标签平滑方法_ev .mp4

30 损失函数遇到的问题_ev .mp4

31 CIOU损失函数定义_ev .mp4

32 NMS细节改进_ev .mp4

33 SPP与CSP网络结构_ev .mp4

34 SAM注意力机制模块_ev .mp4

35 PAN模块解读_ev .mp4

36 激活函数与整体架构总结_ev .mp4

12 基于YOLO5细胞检测实战

01 任务与细胞数据集介绍_ev .mp4

02 模型与算法配置参数解读_ev .mp4

03 网络训练流程演示_ev .mp4

04 效果评估与展示_ev .mp4

05 细胞检测效果演示_ev .mp4

13 知识图谱原理解读

01 知识图谱通俗解读_ev .mp4

02 知识图谱在搜索引擎中的应用_ev .mp4

03 知识图谱在医疗领域应用实例_ev .mp4

04 金融与推荐领域的应用_ev .mp4

05 数据获取分析_ev .mp4

06 数据关系抽取分析_ev .mp4

07 常用NLP技术点分析_ev .mp4

08 graph-embedding的作用与效果_ev .mp4

09 金融领域图编码实例_ev .mp4

10 视觉领域图编码实例_ev .mp4

11 图谱知识融合与总结分析_ev .mp4

14 Neo4j数据库实战

01 Neo4j图数据库介绍_ev .mp4

02 Neo4j数据库安装流程演示_ev .mp4

03 可视化例子演示_ev .mp4

04 创建与删除操作演示_ev .mp4

05 数据库更改查询操作演示_ev .mp4

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_ev .mp4

02 医疗数据介绍及其各字段含义_ev .mp4

03 任务流程概述_ev .mp4

04 环境配置与所需工具包安装_ev .mp4

05 提取数据中的关键字段信息_ev .mp4

06 创建关系边_ev .mp4

07 打造医疗知识图谱模型_ev .mp4

08 加载所有实体数据_ev .mp4

09 实体关键词字典制作_ev .mp4

10 完成对话系统构建_ev .mp4

16 词向量模型与RNN网络架构

01 词向量模型通俗解释_ev .mp4

02 模型整体框架_ev .mp4

03 训练数据构建_ev .mp4

04 CBOW与Skip-gram模型_ev .mp4

05 负采样方案_ev .mp4

06 额外补充-RNN网络模型解读_ev .mp4

17 医学糖尿病数据命名实体识别

01 数据与任务介绍_ev .mp4

02 整体模型架构_ev .mp4

03 数据-标签-语料库处理_ev .mp4

04 输入样本填充补齐_ev .mp4

05 训练网络模型_ev .mp4

06 医疗数据集（糖尿病）实体识别_ev .mp4

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_ev .mp4

02 jetson nano 刷机_ev .mp4

03 jetson nano 系统安装过程_ev .mp4

04 感受nano的GPU算力_ev .mp4

05 安装使用摄像头csi usb_ev .mp4

02 AIoT人工智能物联网之AI 实战

01 jetson-inference 入门_ev .mp4

02 docker 的安装使用_ev .mp4

03 docker中运行分类模型_ev .mp4

04 训练自己的目标检测模型准备_ev .mp4

05 训练出自己目标识别模型a_ev .mp4

06 训练出自己目标识别模型b_ev .mp4

07 转换出onnx模型，并使用_ev .mp4

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_ev .mp4

02 NVIDIA TAO数据准备和环境设置_ev .mp4

03 NVIDIA TAO数据转换_ev .mp4

04 NVIDIA TAO预训练模型和训练a_ev .mp4

05 NVIDIA TAO预训练模型和训练b_ev .mp4

06 NVIDIA TAO预训练模型和训练c._ev .mp4

07 TAO 剪枝在训练推理验证_ev .mp4

04 AIoT人工智能物联网之deepstream

01 deepstream 介绍安装_ev .mp4

02 deepstream HelloWorld_ev .mp4

03 GStreamer RTP和RTSP1_ev .mp4

04 GStreamer RTP和RTSP2_ev .mp4

05 python实现RTP和RTSP_ev .mp4

06 deepstream推理_ev .mp4

07 deepstream集成yolov4_ev .mp4

05 tensorRT视频

01 说在前面_ev .mp4

01 源码【内有百度云地址，自取】 .txt

02 学习工具环境的介绍，自动环境配置_ev .mp4

03 cuda驱动API，课程概述和清单_ev .mp4

04 cuda驱动API，初始化和检查的理解，CUDA错误检查习惯_ev .mp4

05 cuda驱动API，上下文管理设置，以及其作用_ev .mp4

06 cuda驱动API，使用驱动API进行内存分配_ev .mp4

07 cuda运行时API，课程概述和清单_ev .mp4

08 cuda运行时API，第一个运行时程序，hello-cuda_ev .mp4

09 cuda运行时API，内存的学习，pinnedmemory，内存效率问题_ev .mp4

10 cuda运行时API，流的学习，异步任务的管理_ev .mp4

11 cuda运行时API，核函数的定义和使用_ev .mp4

12 cuda运行时API，共享内存的学习_ev .mp4

13 cuda运行时API，使用cuda核函数加速warpaffine_ev .mp4

14 cuda运行时API，使用cuda核函数加速yolov5的后处理_ev .mp4

15 cuda运行时API，错误处理的理解以及错误的传播特性_ev .mp4

16 tensorRT基础，课程概述清单_ev .mp4

17 tensorRT基础，第一个trt程序，实现模型编译的过程_ev .mp4

18 tensorRT基础，实现模型的推理过程_ev .mp4

19 tensorRT基础，模型推理时动态shape的具体实现要点_ev .mp4

20 tensorRT基础，onnx文件及其结构的学习，编辑修改onnx.mkv_ev .mp4

21 tensorRT基础，实际模型上onnx文件的各种操作_ev .mp4

22 tensorRT基础，正确导出onnx的介绍，使得onnx问题尽量少_ev .mp4

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_ev .mp4

24 tensorRT基础，学习从下载onnx-tensorrt到配置好并运行起来全过程_ev .mp4

25 tensorRT基础，学习第一个插件的编写_ev .mp4

26 tensorRT基础，对插件过程进行封装，并实现更容易的插件开发_ev .mp4

27 tensorRT基础，学习编译int8模型，对模型进行int8量化_ev .mp4

28 tensorRT高级，课程概述和清单_ev .mp4

29 tensorRT高级，第一个完整的分类器程序_ev .mp4

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_ev .mp4

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_ev .mp4

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_ev .mp4

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_ev .mp4

34 tensorRT高级，学习如何使用onnxruntime进行onnx的模型推理过程_ev .mp4

35 tensorRT高级，学习如何使用openvino进行onnx的模型推理过程_ev .mp4

36 tensorRT高级，学习深度学习中涉及的线程知识_ev .mp4

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_ev .mp4

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_ev .mp4

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_ev .mp4

40 tensorRT高级，封装之，模型编译过程封装，简化模型编译代码_ev .mp4

41 tensorRT高级，封装之，内存管理的封装，内存的复用_ev .mp4

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_ev .mp4

43 tensorRT高级，封装之，infer推理的封装，输入输出tensor的关联_ev .mp4

44 tensorRT高级，封装之，基于生产者消费者实现的yolov5封装_ev .mp4

45 tensorRT高级，封装之，终极封装形态，以及考虑的问题_ev .mp4

46 tensorRT高级，调试方法、思想讨论_ev .mp4

47 tensorRT高级，自动驾驶案例项目self-driving-道路分割分析_ev .mp4

48 tensorRT高级，自动驾驶案例项目self-driving-深度估计分析_ev .mp4

49 tensorRT高级，自动驾驶案例项目self-driving-车道线检测分析_ev .mp4

50 tensorRT高级，学习使用pybind11为python开发扩展模块_ev .mp4

06 pyTorch框架部署实践

01 所需基本环境配置_ev .mp4

02 模型加载与数据预处理_ev .mp4

03 接收与预测模块实现_ev .mp4

04 效果实例演示_ev .mp4

05 源码【内有百度云地址，自取】 .txt

05 课程简介_ev .mp4

07 YOLO-V3物体检测部署实例

01 项目所需配置文件介绍_ev .mp4

02 加载参数与模型权重_ev .mp4

03 数据预处理_ev .mp4

04 返回线性预测结果_ev .mp4

08 docker实例演示

01 docker简介_ev .mp4

02 docker安装与配置_ev .mp4

03 阿里云镜像配置_ev .mp4

04 基于docker配置pytorch环境_ev .mp4

05 安装演示环境所需依赖_ev .mp4

06 复制所需配置到容器中_ev .mp4

07 上传与下载配置好的项目_ev .mp4

09 tensorflow-serving实战

01 tf-serving项目获取与配置_ev .mp4

02 加载并启动模型服务_ev .mp4

03 测试模型部署效果_ev .mp4

04 fashion数据集获取_ev .mp4

05 加载fashion模型启动服务_ev .mp4

10 模型剪枝-Network Slimming算法分析

01 论文算法核心框架概述_ev .mp4

02 BatchNorm要解决的问题_ev .mp4

03 BN的本质作用_ev .mp4

04 额外的训练参数解读_ev .mp4

05 稀疏化原理与效果_ev .mp4

11 模型剪枝-Network Slimming实战解读

01 整体案例流程解读_ev .mp4

02 加入L1正则化来进行更新_ev .mp4

03 剪枝模块介绍_ev .mp4

04 筛选需要的特征图_ev .mp4

05 剪枝后模型参数赋值_ev .mp4

06 微调完成剪枝模型_ev .mp4

12 Mobilenet三代网络模型架构

01 模型剪枝分析_ev .mp4

02 常见剪枝方法介绍_ev .mp4

03 mobilenet简介_ev .mp4

04 经典卷积计算量与参数量分析_ev .mp4

05 深度可分离卷积的作用与效果_ev .mp4

06 参数与计算量的比较_ev .mp4

07 V1版本效果分析_ev .mp4

08 V2版本改进以及Relu激活函数的问题_ev .mp4

09 倒残差结构的作用_ev .mp4

10 V2整体架构与效果分析_ev .mp4

11 V3版本网络架构分析_ev .mp4

12 SE模块作用与效果解读_ev .mp4

13 代码实现mobilenetV3网络架构_ev .mp4

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_ev .mp4

02 Transformer工具包基本操作实例解读

01 工具包与任务整体介绍_ev .mp4

02 NLP任务常规流程分析_ev .mp4

03 文本切分方法实例解读_ev .mp4

04 AttentionMask配套使用方法_ev .mp4

05 数据集与模型_ev .mp4

06 数据Dataloader封装_ev .mp4

07 模型训练所需配置参数_ev .mp4

08 模型训练DEMO_ev .mp4

03 transformer原理解读

01 transformer原理解读_ev .mp4

04 BERT系列算法解读

01 BERT模型训练方法解读_ev .mp4

02 ALBERT基本定义_ev .mp4

03 ALBERT中的简化方法解读_ev .mp4

04 RoBerta模型训练方法解读_ev .mp4

05 DistilBert模型解读_ev .mp4

05 文本标注工具与NER实例

01 文本标注工具Doccano配置方法_ev .mp4

02 命名实体识别任务标注方法实例_ev .mp4

03 标注导出与BIO处理_ev .mp4

04 标签处理并完成对齐操作_ev .mp4

05 预训练模型加载与参数配置_ev .mp4

06 模型训练与输出结果预测_ev .mp4

06 文本预训练模型构建实例

01 预训练模型效果分析_ev .mp4

02 文本数据截断处理_ev .mp4

03 预训练模型自定义训练_ev .mp4

07 GPT系列算法

01 GPT系列算法概述_ev .mp4

02 GPT三代版本分析_ev .mp4

03 GPT初代版本要解决的问题_ev .mp4

04 GPT第二代版本训练策略_ev .mp4

05 采样策略与多样性_ev .mp4

06 GPT3的提示与生成方法_ev .mp4

07 应用场景CODEX分析_ev .mp4

08 DEMO应用演示_ev .mp4

08 GPT训练与预测部署流程

01 生成模型可以完成的任务概述_ev .mp4

01 源码【内有百度云地址，自取】 .txt

02 数据样本生成方法_ev .mp4

03 训练所需参数解读_ev .mp4

04 模型训练过程_ev .mp4

05 部署与网页预测展示_ev .mp4

09 文本摘要建模

01 中文商城评价数据处理方法_ev .mp4

01 源码【内有百度云地址，自取】 .txt

02 模型训练与测试结果_ev .mp4

03 文本摘要数据标注方法_ev .mp4

04 训练自己标注的数据并测试_ev .mp4

10 图谱知识抽取实战

01 应用场景概述分析_ev .mp4

02 数据标注格式样例分析_ev .mp4

03 数据处理与读取模块_ev .mp4

04 实体抽取模块分析_ev .mp4

05 标签与数据结构定义方法_ev .mp4

06 模型构建与计算流程_ev .mp4

07 网络模型前向计算方法_ev .mp4

08 关系抽取模型训练_ev .mp4

11 补充Huggingface数据集制作方法实例

01 数据结构分析_ev .mp4

02 Huggingface中的预处理实例_ev .mp4

03 数据处理基本流程_ev .mp4

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_ev .mp4

02 BERT任务目标概述_ev .mp4

03 传统解决方案遇到的问题_ev .mp4

04 注意力机制的作用_ev .mp4

05 self-attention计算方法_ev .mp4

06 特征分配与softmax机制_ev .mp4

07 Multi-head的作用_ev .mp4

08 位置编码与多层堆叠_ev .mp4

09 transformer整体架构梳理_ev .mp4

10 BERT模型训练方法_ev .mp4

11 训练实例_ev .mp4

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_ev .mp4

02 项目参数配置_ev .mp4

03 数据读取模块_ev .mp4

04 数据预处理模块_ev .mp4

05 tfrecord数据源制作_ev .mp4

06 Embedding层的作用_ev .mp4

07 加入额外编码特征_ev .mp4

08 加入位置编码特征_ev .mp4

09 mask机制的作用_ev .mp4

10 构建QKV矩阵_ev .mp4

11 完成Transformer模块构建_ev .mp4

12 训练BERT模型_ev .mp4

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_ev .mp4

02 读取处理自己的数据集_ev .mp4

03 训练BERT中文分类模型_ev .mp4

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_ev .mp4

02 NER标注数据处理与读取_ev .mp4

03 构建BERT与CRF模型_ev .mp4

05 必备基础知识点-woed2vec模型通俗解读

01 词向量模型通俗解释_ev .mp4

02 模型整体框架_ev .mp4

03 训练数据构建_ev .mp4

04 CBOW与Skip-gram模型_ev .mp4

05 负采样方案_ev .mp4

06 必备基础-掌握Tensorflow如何实现word2vec模型

01 数据与任务流程_ev .mp4

02 数据清洗_ev .mp4

03 batch数据制作_ev .mp4

04 网络训练_ev .mp4

05 可视化展示_ev .mp4

07 必备基础知识点-RNN网络架构与情感分析应用实例

01 RNN网络模型解读_ev .mp4

02 NLP应用领域与任务简介_ev .mp4

03 项目流程解读_ev .mp4

04 加载词向量特征_ev .mp4

05 正负样本数据读取_ev .mp4

06 构建LSTM网络模型_ev .mp4

07 训练与测试效果_ev .mp4

08 LSTM情感分析_ev .mp4

08 医学糖尿病数据命名实体识别

01 数据与任务介绍_ev .mp4

02 整体模型架构_ev .mp4

03 数据-标签-语料库处理_ev .mp4

04 训练网络模型_ev .mp4

05 医疗数据集（糖尿病）实体识别_ev .mp4

06 输入样本填充补齐_ev .mp4

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_ev .mp4

02 正则表达式基本语法_ev .mp4

03 正则常用符号_ev .mp4

04 常用函数介绍_ev .mp4

05 NLTK工具包简介_ev .mp4

06 停用词过滤_ev .mp4

07 词性标注_ev .mp4

08 数据清洗实例_ev .mp4

09 Spacy工具包_ev .mp4

10 名字实体匹配_ev .mp4

11 恐怖袭击分析_ev .mp4

12 统计分析结果_ev .mp4

13 结巴分词器_ev .mp4

14 词云展示_ev .mp4

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_ev .mp4

02 商品类别划分方式_ev .mp4

03 商品类别可视化展示_ev .mp4

04 商品描述长度对价格的影响分析_ev .mp4

05 关键词的词云可视化展示_ev .mp4

06 基于tf-idf提取关键词信息_ev .mp4

07 通过降维进行可视化展示_ev .mp4

08 聚类分析与主题模型展示_ev .mp4

03 贝叶斯算法

01 贝叶斯算法概述_ev .mp4

02 贝叶斯推导实例_ev .mp4

03 贝叶斯拼写纠错实例_ev .mp4

04 垃圾邮件过滤实例_ev .mp4

05 贝叶斯实现拼写检查器_ev .mp4

04 新闻分类任务实战

01 文本分析与关键词提取_ev .mp4

02 相似度计算_ev .mp4

03 新闻数据与任务简介_ev .mp4

04 TF-IDF关键词提取_ev .mp4

05 LDA建模_ev .mp4

06 基于贝叶斯算法进行新闻分类_ev .mp4

05 HMM隐马尔科夫模型

01 马尔科夫模型_ev .mp4

02 隐马尔科夫模型基本出发点_ev .mp4

03 组成与要解决的问题_ev .mp4

04 暴力求解方法_ev .mp4

05 复杂度计算_ev .mp4

06 前向算法_ev .mp4

07 前向算法求解实例_ev .mp4

08 Baum-Welch算法_ev .mp4

09 参数求解_ev .mp4

10 维特比算法_ev .mp4

06 HMM工具包实战

01 hmmlearn工具包_ev .mp4

02 工具包使用方法_ev .mp4

03 中文分词任务_ev .mp4

04 实现中文分词_ev .mp4

07 语言模型

01 开篇_ev .mp4

02 语言模型_ev .mp4

03 N-gram模型_ev .mp4

04 词向量_ev .mp4

05 神经网络模型_ev .mp4

06 Hierarchical Softmax_ev .mp4

07 CBOW模型实例_ev .mp4

08 CBOW求解目标_ev .mp4

09 锑度上升求解_ev .mp4

10 负采样模型_ev .mp4

08 使用Gemsim构建词向量

01 使用Gensim库构造词向量_ev .mp4

02 维基百科中文数据处理_ev .mp4

03 Gensim构造word2vec模型_ev .mp4

04 测试模型相似度结果_ev .mp4

09 基于word2vec的分类任务

01 影评情感分类_ev .mp4

02 基于词袋模型训练分类器_ev .mp4

03 准备word2vec输入数据_ev .mp4

04 使用gensim构建word2vec词向量（新）_ev .mp4

10 NLP-文本特征方法对比

01 任务概述_ev .mp4

02 词袋模型_ev .mp4

03 词袋模型分析_ev .mp4

04 TFIDF模型_ev .mp4

05 word2vec词向量模型_ev .mp4

06 深度学习模型_ev .mp4

11 NLP-相似度模型

01 任务概述_ev .mp4

02 数据展示_ev .mp4

03 正负样本制作_ev .mp4

04 数据预处理_ev .mp4

05 网络模型定义_ev .mp4

06 基于字符的训练_ev .mp4

07 基于句子的相似度训练_ev .mp4

12 LSTM情感分析

01 RNN网络架构_ev .mp4

02 LSTM网络架构_ev .mp4

03 案例：使用LSTM进行情感分类_ev .mp4

04 情感数据集处理_ev .mp4

05 基于word2vec的LSTM模型_ev .mp4

13 机器人写唐诗

01 任务概述与环境配置_ev .mp4

02 参数配置_ev .mp4

03 数据预处理模块_ev .mp4

04 batch数据制作_ev .mp4

05 RNN模型定义_ev .mp4

06 完成训练模块_ev .mp4

07 训练唐诗生成模型_ev .mp4

08 测试唐诗生成效果_ev .mp4

14 对话机器人

01 效果演示_ev .mp4

02 参数配置与数据加载_ev .mp4

03 数据处理_ev .mp4

04 词向量与投影_ev .mp4

05 seq网络_ev .mp4

06 网络训练_ev .mp4

25 知识图谱实战系列

01 知识图谱介绍及其应用领域分析

01 知识图谱通俗解读_ev .mp4

02 知识图谱在搜索引擎中的应用_ev .mp4

03 知识图谱在医疗领域应用实例_ev .mp4

04 金融与推荐领域的应用_ev .mp4

05 数据获取分析_ev .mp4

02 知识图谱涉及技术点分析

01 数据关系抽取分析_ev .mp4

02 常用NLP技术点分析_ev .mp4

03 graph-embedding的作用与效果_ev .mp4

04 金融领域图编码实例_ev .mp4

05 视觉领域图编码实例_ev .mp4

06 图谱知识融合与总结分析_ev .mp4

03 Neo4j数据库实战

01 Neo4j图数据库介绍_ev .mp4

02 Neo4j数据库安装流程演示_ev .mp4

03 可视化例子演示_ev .mp4

04 创建与删除操作演示_ev .mp4

05 数据库更改查询操作演示_ev .mp4

04 使用python操作neo4j实例

01 使用Py2neo建立连接_ev .mp4

02 提取所需的指标信息_ev .mp4

03 在图中创建实体_ev .mp4

04 根据给定实体创建关系_ev .mp4

05 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_ev .mp4

02 医疗数据介绍及其各字段含义_ev .mp4

03 任务流程概述_ev .mp4

04 环境配置与所需工具包安装_ev .mp4

05 提取数据中的关键字段信息_ev .mp4

06 创建关系边_ev .mp4

07 打造医疗知识图谱模型_ev .mp4

08 加载所有实体数据_ev .mp4

09 实体关键词字典制作_ev .mp4

10 完成对话系统构建_ev .mp4

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_ev .mp4

02 LTP工具包概述介绍_ev .mp4

03 pyltp安装与流程演示_ev .mp4

04 得到分词与词性标注结果_ev .mp4

05 依存句法概述_ev .mp4

06 句法分析结果整理_ev .mp4

07 语义角色构建与分析_ev .mp4

08 设计规则完成关系抽取_ev .mp4

07 金融平台风控模型实践

01 竞赛任务目标_ev .mp4

02 图模型信息提取_ev .mp4

03 节点权重特征提取(PageRank)_ev .mp4

04 deepwalk构建图顶点特征_ev .mp4

05 各项统计特征_ev .mp4

06 app安装特征_ev .mp4

07 图中联系人特征_ev .mp4

08 医学糖尿病数据命名实体识别

01 数据与任务介绍_ev .mp4

02 整体模型架构_ev .mp4

03 数据-标签-语料库处理_ev .mp4

04 输入样本填充补齐_ev .mp4

05 训练网络模型_ev .mp4

06 医疗数据集（糖尿病）实体识别_ev .mp4

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_ev .mp4

02 工作原理概述_ev .mp4

03 注意力机制的作用_ev .mp4

04 加入attention的序列模型整体架构_ev .mp4

05 TeacherForcing的作用与训练策略_ev .mp4

06 额外补充-RNN网络模型解读_ev .mp4

02 LAS模型语音识别实战

01 数据源与环境配置_ev .mp4

02 语料表制作方法_ev .mp4

03 制作json标注数据_ev .mp4

04 声音数据处理模块解读_ev .mp4

05 Pack与Pad操作解析_ev .mp4

06 编码器模块整体流程_ev .mp4

07 加入注意力机制_ev .mp4

08 计算得到每个输出的attention得分_ev .mp4

09 解码器与训练过程演示_ev .mp4

03 starganvc2变声器论文原理解读

01 论文整体思路与架构解读_ev .mp4

02 VCC2016输入数据_ev .mp4

03 语音特征提取_ev .mp4

04 生成器模型架构分析_ev .mp4

05 InstanceNorm的作用解读_ev .mp4

06 AdaIn的目的与效果_ev .mp4

07 判别器模块分析_ev .mp4

04 staeganvc2变声器源码实战

01 数据与项目文件解读_ev .mp4

02 环境配置与工具包安装_ev .mp4

03 数据预处理与声音特征提取_ev .mp4

04 生成器构造模块解读_ev .mp4

05 下采样与上采样操作_ev .mp4

06 starganvc2版本标签输入分析_ev .mp4

07 生成器前向传播维度变化_ev .mp4

08 判别器模块解读_ev .mp4

09 论文损失函数_ev .mp4

10 源码损失计算流程_ev .mp4

11 测试模块-生成转换语音_ev .mp4

05 语音分离ConvTasnet模型

01 语音分离任务分析_ev .mp4

02 经典语音分离模型概述_ev .mp4

03 DeepClustering论文解读_ev .mp4

04 TasNet编码器结构分析_ev .mp4

05 DW卷积的作用与效果_ev .mp4

06 基于Mask得到分离结果_ev .mp4

06 ConvTasnet语音分离实战

01 数据准备与环境配置_ev .mp4

02 训练任务所需参数介绍_ev .mp4

03 DataLoader定义_ev .mp4

04 采样数据特征编码_ev .mp4

05 编码器特征提取_ev .mp4

06 构建更大的感受区域_ev .mp4

07 解码得到分离后的语音_ev .mp4

08 测试模块所需参数_ev .mp4

07 语音合成tacotron最新版实战

01 语音合成项目所需环境配置_ev .mp4

02 所需数据集介绍_ev .mp4

03 路径配置与整体流程解读_ev .mp4

04 Dataloader构建数据与标签_ev .mp4

05 编码层要完成的任务_ev .mp4

06 得到编码特征向量_ev .mp4

07 解码器输入准备_ev .mp4

08 解码器流程梳理_ev .mp4

09 注意力机制应用方法_ev .mp4

10 得到加权的编码向量_ev .mp4

11 模型输出结果_ev .mp4

12 损失函数与预测_ev .mp4

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_ev .mp4

02 2-推荐系统发展简介_ev .mp4

03 3-应用领域与多方位评估指标_ev .mp4

04 4-任务流程与挑战概述_ev .mp4

05 5-常用技术点分析_ev .mp4

06 6-与深度学习的结合_ev .mp4

02 协同过滤与矩阵分解

01 1-协同过滤与矩阵分解简介_ev .mp4

02 2-基于用户与商品的协同过滤_ev .mp4

03 3-相似度计算与推荐实例_ev .mp4

04 4-矩阵分解的目的与效果_ev .mp4

05 5-矩阵分解中的隐向量_ev .mp4

06 6-目标函数简介_ev .mp4

07 7-隐式情况分析_ev .mp4

08 8-Embedding的作用_ev .mp4

03 音乐推荐系统实战

01 1-音乐推荐任务概述_ev .mp4

02 2-数据集整合_ev .mp4

03 3-基于物品的协同过滤_ev .mp4

04 4-物品相似度计算与推荐_ev .mp4

05 5-SVD矩阵分解_ev .mp4

06 6-基于矩阵分解的音乐推荐_ev .mp4

04 知识图谱与Neo4j数据库实例

01 1-知识图谱通俗解读_ev .mp4

02 2-知识图谱在搜索引擎中的应用_ev .mp4

03 3-知识图谱在医疗领域应用实例_ev .mp4

04 4-金融与推荐领域的应用_ev .mp4

05 5-数据获取分析_ev .mp4

06 1-Neo4j图数据库介绍_ev .mp4

07 2-Neo4j数据库安装流程演示_ev .mp4

08 3-可视化例子演示_ev .mp4

09 4-创建与删除操作演示_ev .mp4

10 5-数据库更改查询操作演示_ev .mp4

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_ev .mp4

02 2-kaggle电影数据集下载与配置_ev .mp4

03 3-图谱需求与任务流程解读_ev .mp4

04 4-项目所需环境配置安装_ev .mp4

05 5-构建用户电影知识图谱_ev .mp4

06 6-图谱查询与匹配操作_ev .mp4

07 7-相似度计算与推荐引擎构建_ev .mp4

06 点击率估计FM与DeepFM算法

01 1-CTR估计及其经典方法概述_ev .mp4

02 2-高维特征带来的问题_ev .mp4

03 3-二项式特征的作用与挑战_ev .mp4

04 4-二阶公式推导与化简_ev .mp4

05 5-FM算法解析_ev .mp4

06 6-DeepFm整体架构解读_ev .mp4

07 7-输入层所需数据样例_ev .mp4

08 8-Embedding层的作用与总结_ev .mp4

07 DeepFM算法实战

01 1-数据集介绍与环境配置_ev .mp4

02 2-广告点击数据预处理实例_ev .mp4

03 3-数据处理模块Embedding层_ev .mp4

04 4-Index与Value数据制作_ev .mp4

05 5-一阶权重参数设计_ev .mp4

06 6-二阶特征构建方法_ev .mp4

07 7-特征组合方法实例分析_ev .mp4

08 8-完成FM模块计算_ev .mp4

09 9-DNN模块与训练过程_ev .mp4

08 推荐系统常用工具包演示

01 1-环境配置与数据集介绍_ev .mp4

02 2-电影数据集预处理分析_ev .mp4

03 3-surprise工具包基本使用_ev .mp4

04 4-模型测试集结果_ev .mp4

05 5-评估指标概述_ev .mp4

09 基于文本数据的推荐实例

01 1-数据与环境配置介绍_ev .mp4

02 2-数据科学相关数据介绍_ev .mp4

03 3-文本数据预处理_ev .mp4

04 4-TFIDF构建特征矩阵_ev .mp4

05 5-矩阵分解演示_ev .mp4

06 6-LDA主题模型效果演示_ev .mp4

07 7-推荐结果分析_ev .mp4

10 基本统计分析的电影推荐

01 1-电影数据与环境配置_ev .mp4

02 2-数据与关键词信息展示_ev .mp4

03 3-关键词云与直方图展示_ev .mp4

04 4-特征可视化_ev .mp4

05 5-数据清洗概述_ev .mp4

06 6-缺失值填充方法_ev .mp4

07 7-推荐引擎构造_ev .mp4

08 8-数据特征构造_ev .mp4

09 9-得出推荐结果_ev .mp4

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_ev .mp4

02 2-文本词频统计_ev .mp4

03 3-ngram结果可视化展示_ev .mp4

04 4-文本清洗_ev .mp4

05 5-相似度计算_ev .mp4

06 6-得出推荐结果_ev .mp4

28 AI课程所需安装软件教程

01 AI课程所需安装软件教程

01 AI课程所需安装软件教程_ev .mp4

29 额外补充

01 通用创新点

01 ACMIX（卷积与注意力融合）_ev .mp4

02 GCnet(全局特征融合)_ev .mp4

03 Coordinate_attention_ev .mp4

04 SPD（可替换下采样）_ev .mp4

05 SPP改进_ev .mp4

06 mobileOne(加速)_ev .mp4

07 Deformable(替换selfAttention)_ev .mp4

08 ProbAttention(采样策略)_ev .mp4

09 CrossAttention融合特征_ev .mp4

10 Attention额外加入先验知识_ev .mp4

11 结合GNN构建局部特征_ev .mp4

12 损失函数约束项_ev .mp4

13 自适应可学习参数_ev .mp4

14 Coarse2Fine大框架_ev .mp4

15 只能机器学习模型时凑工作量（特征工程）_ev .mp4

16 自己数据集如何发的好(要开源)_ev .mp4

17 可变形卷积加入方法_ev .mp4

18 在源码中加入各种注意力机制方法_ev .mp4