构建深度学习模型，综合应用完整企业级项目
越来越多的科研及企业项目，会把PyTorch作为首选的深度学习框架。它容易上手，功能完善，不管是新入门学习还是上手实战项目，PyTorch都是非常优秀的工具。本课程以实践为目的，把深度学习概念及基础学习贯穿在几个实践项目中，荒川老师将带领你们进入PyTorch深度学习的世界，使用PyTorch将其一一实现。
课程目录.PyTorch深度学习开发医学影像端到端判别项目
│
├─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
│ 2-2使用预训练的ResNet网络给图片分类一1610.mp4
│ 2-3使用预训练的ResNet网络给图片分类二0845.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
│ 3-2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
│ 3-4课程实战项目简介0700.mp4
│
├─4
│ 4-10张量的底层实现逻辑二1335.mp4
│ 4-1什么是张量1407.mp4
│ 4-2张量的获取与存储一1635.mp4
│ 4-3张量的获取与存储二1540.mp4
│ 4-4张量的基本操作一0830.mp4
│ 4-5张量的基本操作二1604.mp4
│ 4-6张量中的元素类型0656.mp4
│ 4-7张量的命名0832.mp4
│ 4-8把张量传递到GPU中进行运算0607.mp4
│ 4-9张量的底层实现逻辑一1942.mp4
│
├─5
│ 5-1普通二维图像的加载一0751.mp4
│ 5-2普通二维图像的加载二1259.mp4
│ 5-33D图像的加载1230.mp4
│ 5-4普通表格数据加载1453.mp4
│ 5-5有时间序列的表格数据加载1650.mp4
│ 5-6连续值序列值分类值的处理1345.mp4
│ 5-7自然语言文本数据加载1945.mp4
│ 5-8本章小结0504.mp4
│
├─6
│ 6-10使用PyTorch提供的优化器1532.mp4
│ 6-11神经网络重要概念-激活函数1550.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
│ 6-1常规模型训练的过程1104.mp4
│ 6-2温度计示数转换1140.mp4
│ 6-3神经网络重要概念-损失1240.mp4
│ 6-4PyTorch中的广播机制1646.mp4
│ 6-5神经网络重要概念-梯度1811.mp4
│ 6-6神经网络重要概念-学习率1947.mp4
│ 6-7神经网络重要概念-归一化2620.mp4
│ 6-8使用超参数优化我们的模型效果1136.mp4
│ 6-9使用PyTorch自动计算梯度1556.mp4
│
├─7
│ 7-10使用卷积提取图像中的特定特征0800.mp4
│ 7-11借助下采样压缩数据0753.mp4
│ 7-12借助PyTorch搭建卷积网络1012.mp4
│ 7-13训练我们的分类模型1005.mp4
│ 7-14训练好的模型如何存储0147.mp4
│ 7-15该用GPU训练我们的模型0859.mp4
│ 7-16优化方案之增加模型宽度-width0855.mp4
│ 7-17优化方案之数据正则化-normalization一1338.mp4
│ 7-18优化方案之数据正则化-normalization二1655.mp4
│ 7-19优化方案之数据正则化-normalization三0856.mp4
│ 7-1CIFAR-10数据集介绍0804.mp4
│ 7-20优化方案之增加模型深度-depth0641.mp4
│ 7-21本章小结0605.mp4
│ 7-2为数据集实现Dataset类0842.mp4
│ 7-3为模型准备训练集和验证集1100.mp4
│ 7-4借助softmax方法给出分类结果1057.mp4
│ 7-5分类模型常用损失之交叉熵损失0738.mp4
│ 7-6全连接网络实现图像分类2553.mp4
│ 7-7对全连接网络的改进之卷积网络1349.mp4
│ 7-8借助PyTorch搭建卷积网络模型1539.mp4
│ 7-9卷积中的数据填充方法padding0431.mp4
│
├─8
│ 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
│ 8-12CT数据可视化实现二1513.mp4
│ 8-13CT数据可视化实现三0943.mp4
│ 8-14本章小结0455.mp4
│ 8-1肺部癌症检测的项目简介1338.mp4
│ 8-2CT数据是什么样子0722.mp4
│ 8-3制定一个解决方案0840.mp4
│ 8-4下载项目中的数据集0932.mp4
│ 8-5原始数据是长什么样子的0822.mp4
│ 8-6加载标注数据2219.mp4
│ 8-7加载CT影像数据0751.mp4
│ 8-8数据坐标系的转换2326.mp4
│ 8-9编写Dataset方法1244.mp4
│
├─9
│ 9-10借助TensorBoard绘制指标曲线1230.mp4
│ 9-11新的模型评估指标F1score1751.mp4
│ 9-12实现F1Score计算逻辑0858.mp4
│ 9-13数据优化方法1136.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
│ 9-16第二个模型结节分割0853.mp4
│ 9-17图像分割的几种类型0705.mp4
│ 9-18U-Net模型介绍1927.mp4
│ 9-19为图像分割进行数据预处理2501.mp4
│ 9-1第一个模型结节分类1540.mp4
│ 9-20为图像分割构建Dataset类2623.mp4
│ 9-21构建训练Dataset和使用GPU进行数据增强1116.mp4
│ 9-22Adam优化器和Dice损失1127.mp4
│ 9-23构建训练流程1826.mp4
│ 9-24模型存储图像存储代码介绍0550.mp4
│ 9-25分割模型训练及在TensorBoard中查看结果1145.mp4
│ 9-26本章小结1511.mp4
│ 9-2定义模型训练框架1831.mp4
│ 9-3初始化都包含什么内容0913.mp4
│ 9-4编写数据加载器部分0702.mp4
│ 9-5实现模型的核心部分1827.mp4
│ 9-6定义损失计算和训练验证环节一1731.mp4
│ 9-7定义损失计算和训练验证环节二0920.mp4
│ 9-8在日志中保存重要信息1956.mp4
│ 9-9尝试训练第一个模型1650.mp4
│
├─10
│ 10-1连接分割模型和分类模型3005.mp4
│ 10-2新的评价指标AUC-ROC曲线3716.mp4
│ 10-3使用finetune方法构建肿瘤恶性判断模型2908.mp4
│ 10-4完整的实现端到端肺部肿瘤检测1731.mp4
│ 10-5使用合适的框架把模型部署上线一1446.mp4
│ 10-6使用合适的框架把模型部署上线二1206.mp4
│ 10-7本章小结0833.mp4
│
└─11
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
11-4面试过程中可能遇到的问题2209.mp4
11-5持续学习的几个建议2748.mp4
