#9527

PyTorch深度学习开发医学影像端到端判别项目

课程介绍

课程来自于 PyTorch深度学习开发医学影像端到端判别项目

这门课程将带你深入理解并实践PyTorch在医疗影像领域的应用。我们将从基础开始，逐步引导你完成一个完整的端到端的医学影像判别项目。通过本课程的学习，你将掌握如何使用PyTorch进行深度学习模型的设计与训练，以及如何将模型应用于实际的医疗影像诊断中。

适用人群：

本课程适用于对深度学习有一定了解的开发者或者研究人员，特别是那些希望将深度学习技术应用于医疗影像分析的人员。

你将收获：

1. 理解PyTorch的基本原理和使用方法。
2. 掌握如何设计和训练用于医学影像判别的深度学习模型。
3. 学习如何将训练好的模型应用于实际的医疗影像诊断中。
4. 实战项目经验，提升你的实战能力。

文件目录

1

1-1课程导学2249.mp4

1-2深度学习如何影响生活1333.mp4

1-3常用深度学习框架1738.mp4

2

2-1环境安装与配置1319.mp4

2-3使用预训练的ResNet网络给图片分类二0845.mp4

2-2使用预训练的ResNet网络给图片分类一1610.mp4

2-4使用预训练的GAN网络把马变成斑马1716.mp4

3

3-1工业级数据挖掘流程一2359.mp4

3-4课程实战项目简介0700.mp4

3-2工业级数据挖掘流程二2130.mp4

3-3课程重难点技能分布0515.mp4

4

4-5张量的基本操作二1604.mp4

4-4张量的基本操作一0830.mp4

4-7张量的命名0832.mp4

4-1什么是张量1407.mp4

4-6张量中的元素类型0656.mp4

4-2张量的获取与存储一1635.mp4

4-10张量的底层实现逻辑二1335.mp4

4-9张量的底层实现逻辑一1942.mp4

4-3张量的获取与存储二1540.mp4

4-8把张量传递到GPU中进行运算0607.mp4

5

5-6连续值序列值分类值的处理1345.mp4

5-8本章小结0504.mp4

5-33D图像的加载1230.mp4

5-2普通二维图像的加载二1259.mp4

5-1普通二维图像的加载一0751.mp4

5-7自然语言文本数据加载1945.mp4

5-5有时间序列的表格数据加载1650.mp4

5-4普通表格数据加载1453.mp4

6

6-7神经网络重要概念-归一化2620.mp4

6-11神经网络重要概念-激活函数1550.mp4

6-5神经网络重要概念-梯度1811.mp4

6-10使用PyTorch提供的优化器1532.mp4

6-2温度计示数转换1140.mp4

6-8使用超参数优化我们的模型效果1136.mp4

6-3神经网络重要概念-损失1240.mp4

6-1常规模型训练的过程1104.mp4

6-12用PyTorch的nn模块搭建神经网络1537.mp4

6-13构建批量训练方法1453.mp4

6-14使用神经网络解决温度计示数转换问题2123.mp4

6-9使用PyTorch自动计算梯度1556.mp4

6-6神经网络重要概念-学习率1947.mp4

6-4PyTorch中的广播机制1646.mp4

7

7-21本章小结0605.mp4

7-13训练我们的分类模型1005.mp4

7-1CIFAR-10数据集介绍0804.mp4

7-19优化方案之数据正则化-normalization三0856.mp4

7-16优化方案之增加模型宽度-width0855.mp4

7-11借助下采样压缩数据0753.mp4

7-3为模型准备训练集和验证集1100.mp4

7-2为数据集实现Dataset类0842.mp4

7-12借助PyTorch搭建卷积网络1012.mp4

7-8借助PyTorch搭建卷积网络模型1539.mp4

7-10使用卷积提取图像中的特定特征0800.mp4

7-14训练好的模型如何存储0147.mp4

7-4借助softmax方法给出分类结果1057.mp4

7-15该用GPU训练我们的模型0859.mp4

7-9卷积中的数据填充方法padding0431.mp4

7-17优化方案之数据正则化-normalization一1338.mp4

7-5分类模型常用损失之交叉熵损失0738.mp4

7-18优化方案之数据正则化-normalization二1655.mp4

7-7对全连接网络的改进之卷积网络1349.mp4

7-6全连接网络实现图像分类2553.mp4

7-20优化方案之增加模型深度-depth0641.mp4

8

8-2CT数据是什么样子0722.mp4

8-7加载CT影像数据0751.mp4

8-6加载标注数据2219.mp4

8-12CT数据可视化实现二1513.mp4

8-14本章小结0455.mp4

8-8数据坐标系的转换2326.mp4

8-1肺部癌症检测的项目简介1338.mp4

8-9编写Dataset方法1244.mp4

8-4下载项目中的数据集0932.mp4

8-10分割训练集和验证集0927.mp4

8-11CT数据可视化实现一1643.mp4

8-3制定一个解决方案0840.mp4

8-5原始数据是长什么样子的0822.mp4

8-13CT数据可视化实现三0943.mp4

9

9-5实现模型的核心部分1827.mp4

9-24模型存储图像存储代码介绍0550.mp4

9-11新的模型评估指标F1score1751.mp4

9-3初始化都包含什么内容0913.mp4

9-25分割模型训练及在TensorBoard中查看结果1145.mp4

9-14数据重复采样的代码实现1549.mp4

9-15数据增强的代码实现1937.mp4

9-9尝试训练第一个模型1650.mp4

9-8在日志中保存重要信息1956.mp4

9-17图像分割的几种类型0705.mp4

9-26本章小结1511.mp4

9-4编写数据加载器部分0702.mp4

9-19为图像分割进行数据预处理2501.mp4

9-10借助TensorBoard绘制指标曲线1230.mp4

9-23构建训练流程1826.mp4

9-21构建训练Dataset和使用GPU进行数据增强1116.mp4

9-7定义损失计算和训练验证环节二0920.mp4

9-22Adam优化器和Dice损失1127.mp4

9-16第二个模型结节分割0853.mp4

9-1第一个模型结节分类1540.mp4

9-13数据优化方法1136.mp4

9-2定义模型训练框架1831.mp4

9-12实现F1Score计算逻辑0858.mp4

9-6定义损失计算和训练验证环节一1731.mp4

9-20为图像分割构建Dataset类2623.mp4

9-18U-Net模型介绍1927.mp4

10

10-6使用合适的框架把模型部署上线二1206.mp4

10-5使用合适的框架把模型部署上线一1446.mp4

10-7本章小结0833.mp4

10-2新的评价指标AUC-ROC曲线3716.mp4

10-4完整的实现端到端肺部肿瘤检测1731.mp4

10-1连接分割模型和分类模型3005.mp4

10-3使用finetune方法构建肿瘤恶性判断模型2908.mp4

11

11-5持续学习的几个建议2748.mp4

11-4面试过程中可能遇到的问题2209.mp4

11-1肿瘤检测系统架构回顾1512.mp4

11-2课程中的神经网络回顾1327.mp4

11-3模型优化方法回顾1020.mp4

jamison普通

收藏 海报 链接