<td id="6000o"><rt id="6000o"></rt></td>
  • <sup id="6000o"><button id="6000o"></button></sup>
  • <optgroup id="6000o"></optgroup>
  • <strong id="6000o"></strong>
  • Python知識分享網 - 專業的Python學習網站 學Python,上Python222
    人工智能深度學習 視頻教程 下載
    發布于:2024-05-17 10:19:27
    (假如點擊沒反應,多刷新兩次就OK!)

    人工智能深度學習 視頻教程 下載 圖1

     

     

    資料目錄:

     

    ├─01 直播課回放
    │  ├─01 開班典禮
    │  │      01 開班典禮.mp4
    │  │      
    │  ├─02 Pycharm環境配置與Debug演示(沒用過的同學必看)
    │  │      01 Pycharm環境配置與Debug演示(沒用過的同學必看).mp4
    │  │      
    │  ├─03 直播1:深度學習核心算法-神經網絡與卷積網絡
    │  │      01 深度學習核心算法-神經網絡與卷積網絡.mp4
    │  │      
    │  ├─04 直播2:卷積神經網絡
    │  │      01 卷積神經網絡.mp4
    │  │      
    │  ├─05 直播3:Transformer架構
    │  │      01 Transformer架構.mp4
    │  │      
    │  ├─06 直播4:Transfomer在視覺任務中的應用實例
    │  │      01 Transfomer在視覺任務中的應用實例.mp4
    │  │      
    │  ├─07 直播5:YOLO系列(V7)算法解讀
    │  │      01 YOLO系列(V7)算法解讀.mp4
    │  │      
    │  ├─08 直播6:分割模型Maskformer系列
    │  │      01 分割模型Maskformer系列.mp4
    │  │      
    │  ├─09 補充:Mask2former源碼解讀
    │  │      01 Backbone獲取多層級特征.mp4
    │  │      02 多層級采樣點初始化構建.mp4
    │  │      03 多層級輸入特征序列創建方法.mp4
    │  │      04 偏移量與權重計算并轉換.mp4
    │  │      05 Encoder特征構建方法實例.mp4
    │  │      06 query要預測的任務解讀.mp4
    │  │      07 Decoder中的AttentionMask方法.mp4
    │  │      08 損失模塊輸入參數分析.mp4
    │  │      09 標簽分配策略解讀.mp4
    │  │      10 正樣本篩選損失計算.mp4
    │  │      11 標簽分類匹配結果分析.mp4
    │  │      12 最終損失計算流程.mp4
    │  │      13 匯總所有損失完成迭代.mp4
    │  │      
    │  ├─10 直播7:半監督物體檢測
    │  │      01 半監督物體檢測.mp4
    │  │      
    │  ├─11 直播8:基于圖模型的時間序列預測
    │  │      01 基于圖模型的時間序列預測.mp4
    │  │      
    │  ├─12 直播9:圖像定位與檢索
    │  │      01 圖像定位與檢索.mp4
    │  │      
    │  ├─13 直播10:近期內容補充
    │  │      01 近期內容補充.mp4
    │  │      
    │  ├─15 直播12:異構圖神經網絡
    │  │      01 異構圖神經網絡.mp4
    │  │      
    │  ├─16 直播13:BEV特征空間
    │  │      01 BEV特征空間.mp4
    │  │      
    │  ├─17 補充:BevFormer源碼解讀
    │  │      01 環境配置方法解讀.mp4
    │  │      02 數據集下載與配置方法.mp4
    │  │      03 特征提取以及BEV空間初始化.mp4
    │  │      04 特征對齊與位置編碼初始化.mp4
    │  │      05 Reference初始點構建.mp4
    │  │      06 BEV空間與圖像空間位置對應.mp4
    │  │      07 注意力機制模塊計算方法.mp4
    │  │      08 BEV空間特征構建.mp4
    │  │      09 Decoder要完成的任務分析.mp4
    │  │      10 獲取當前BEV特征.mp4
    │  │      11 Decoder級聯校正模塊.mp4
    │  │      12 損失函數與預測可視化.mp4
    │  │      
    │  ├─18 直播14:知識蒸餾
    │  │      01 知識蒸餾.mp4
    │  │      
    │  └─19 直播15:六期總結與論文簡歷
    │          01 六期總結與論文簡歷.mp4
    │         
    ├─02 深度學習必備核心算法
    │  ├─01 神經網絡算法解讀
    │  │      01 神經網絡算法解讀.mp4
    │  │      
    │  ├─02 卷積神經網絡算法解讀
    │  │      01 卷積神經網絡算法解讀.mp4
    │  │      
    │  └─03 遞歸神經網絡算法解讀
    │          01 遞歸神經網絡算法解讀.mp4
    │         
    ├─03 深度學習核心框架PyTorch
    │  ├─01 PyTorch框架介紹與配置安裝
    │  │      01 PyTorch框架與其他框架區別分析.mp4
    │  │      02 CPU與GPU版本安裝方法解讀.mp4
    │  │      
    │  ├─02 使用神經網絡進行分類任務
    │  │      01 數據集與任務概述.mp4
    │  │      02 基本模塊應用測試.mp4
    │  │      03 網絡結構定義方法.mp4
    │  │      04 數據源定義簡介.mp4
    │  │      05 損失與訓練模塊分析.mp4
    │  │      06 訓練一個基本的分類模型.mp4
    │  │      07 參數對結果的影響.mp4
    │  │      
    │  ├─03 神經網絡回歸任務-氣溫預測
    │  │      01 神經網絡回歸任務-氣溫預測.mp4
    │  │      
    │  ├─04 卷積網絡參數解讀分析
    │  │      01 輸入特征通道分析.mp4
    │  │      02 卷積網絡參數解讀.mp4
    │  │      03 卷積網絡模型訓練.mp4
    │  │      
    │  ├─05 圖像識別模型與訓練策略(重點)
    │  │      01 任務分析與圖像數據基本處理.mp4
    │  │      02 數據增強模塊.mp4
    │  │      03 數據集與模型選擇.mp4
    │  │      04 遷移學習方法解讀.mp4
    │  │      05 輸出層與梯度設置.mp4
    │  │      06 輸出類別個數修改.mp4
    │  │      07 優化器與學習率衰減.mp4
    │  │      08 模型訓練方法.mp4
    │  │      09 重新訓練全部模型.mp4
    │  │      10 測試結果演示分析.mp4
    │  │      
    │  ├─06 DataLoader自定義數據集制作
    │  │      01 Dataloader要完成的任務分析.mp4
    │  │      02 圖像數據與標簽路徑處理.mp4
    │  │      03 Dataloader中需要實現的方法分析.mp4
    │  │      04 實用Dataloader加載數據并訓練模型.mp4
    │  │      
    │  ├─07 LSTM文本分類實戰
    │  │      01 數據集與任務目標分析.mp4
    │  │      02 文本數據處理基本流程分析.mp4
    │  │      03 命令行參數與DEBUG.mp4
    │  │      04 訓練模型所需基本配置參數分析.mp4
    │  │      05 預料表與字符切分.mp4
    │  │      06 字符預處理轉換ID.mp4
    │  │      07 LSTM網絡結構基本定義.mp4
    │  │      08 網絡模型預測結果輸出.mp4
    │  │      09 模型訓練任務與總結.mp4
    │  │      
    │  └─08 PyTorch框架Flask部署例子
    │          01 基本結構與訓練好的模型加載.mp4
    │          02 服務端處理與預測函數.mp4
    │          03 基于Flask測試模型預測結果.mp4
    │         
    ├─04 MMLAB實戰系列
    │  ├─01 MMCV安裝方法
    │  │      01 MMCV安裝方法.mp4
    │  │      
    │  ├─02 第一模塊:分類任務基本操作
    │  │      01 MMCLS問題修正.mp4
    │  │      02 準備MMCLS項目.mp4
    │  │      03 基本參數配置解讀.mp4
    │  │      04 各模塊配置文件組成.mp4
    │  │      05 生成完整配置文件.mp4
    │  │      06 根據文件夾定義數據集.mp4
    │  │      07 構建自己的數據集.mp4
    │  │      08 訓練自己的任務.mp4
    │  │      
    │  ├─03 第一模塊:訓練結果測試與驗證
    │  │      01 測試DEMO效果.mp4
    │  │      02 測試評估模型效果.mp4
    │  │      03 MMCLS中增加一個新的模塊.mp4
    │  │      04 修改配置文件中的參數.mp4
    │  │      05 數據增強流程可視化展示.mp4
    │  │      06 Grad-Cam可視化方法.mp4
    │  │      07 可視化細節與效果分析.mp4
    │  │      08 MMCLS可視化模塊應用.mp4
    │  │      09 模型分析腳本使用.mp4
    │  │      
    │  ├─04 第一模塊:模型源碼DEBUG演示
    │  │      01 VIT任務概述.mp4
    │  │      02 數據增強模塊概述分析.mp4
    │  │      03 PatchEmbedding層.mp4
    │  │      04 前向傳播基本模塊.mp4
    │  │      05 CLS與輸出模塊.mp4
    │  │      
    │  ├─05 第二模塊:使用分割模塊訓練自己的數據集
    │  │      01 項目配置基本介紹.mp4
    │  │      02 數據集標注與制作方法.mp4
    │  │      03 根據預測類別數修改配置文件.mp4
    │  │      04 加載預訓練模型開始訓練.mp4
    │  │      05 預測DEMO演示.mp4
    │  │      
    │  ├─06 第二模塊:基于Unet進行各種策略修改
    │  │      01 配置文件解讀.mp4
    │  │      02 編碼層模塊.mp4
    │  │      03 上采樣與輸出層.mp4
    │  │      04 輔助層的作用.mp4
    │  │      05 給Unet添加一個neck層.mp4
    │  │      06 如何修改參數適配網絡結構.mp4
    │  │      07 將Unet特征提取模塊替換成transformer.mp4
    │  │      08 VIT模塊源碼分析.mp4
    │  │      
    │  ├─07 第二模塊:分割任務CVPR最新Backbone設計及其應用
    │  │      01 注冊自己的Backbone模塊.mp4
    │  │      02 配置文件指定.mp4
    │  │      03 DEBUG解讀Backbone設計.mp4
    │  │      04 PatchEmbedding的作用與實現.mp4
    │  │      05 卷積位置編碼計算方法.mp4
    │  │      06 近似Attention模塊實現.mp4
    │  │      07 完成特征提取與融合模塊.mp4
    │  │      08 分割輸出模塊.mp4
    │  │      09 全局特征的作用與實現.mp4
    │  │      10 匯總多層級特征進行輸出.mp4
    │  │      
    │  ├─08 第三模塊:mmdet訓練自己的數據任務
    │  │      01 數據集標注與標簽獲取.mp4
    │  │      02 COCO數據標注格式.mp4
    │  │      03 通過腳本生成COCO數據格式.mp4
    │  │      04 配置文件數據增強策略分析.mp4
    │  │      05 訓練所需配置說明.mp4
    │  │      06 模型訓練與DEMO演示.mp4
    │  │      07 模型測試與可視化分析模塊.mp4
    │  │      08 補充:評估指標.mp4
    │  │      
    │  ├─09 第三模塊:DeformableDetr物體檢測源碼分析
    │  │      01 特征提取與位置編碼.mp4
    │  │      02 序列特征展開并疊加.mp4
    │  │      03 得到相對位置點編碼.mp4
    │  │      04 準備Encoder編碼層所需全部輸入.mp4
    │  │      05 編碼層中的序列分析.mp4
    │  │      06 偏移量offset計算.mp4
    │  │      07 偏移量對齊操作.mp4
    │  │      08 Encoder層完成特征對齊.mp4
    │  │      09 Decoder要完成的操作.mp4
    │  │      10 分類與回歸輸出模塊.mp4
    │  │      11 預測輸出結果與標簽匹配模塊.mp4
    │  │      
    │  ├─11 第三模塊:DeformableDetr算法解讀
    │  │      01 DeformableDetr算法解讀.mp4
    │  │      
    │  ├─12 KIE關鍵信息抽取與視頻超分辨率重構
    │  │      01 KIE關鍵信息抽取與視頻超分辨率重構.mp4
    │  │      
    │  ├─13 第四模塊:DBNET文字檢測
    │  │      01 文字檢測數據概述與配置文件.mp4
    │  │      02 配置文件參數設置.mp4
    │  │      03 Neck層特征組合.mp4
    │  │      04 損失函數模塊概述.mp4
    │  │      05 損失計算方法.mp4
    │  │      
    │  ├─14 第四模塊:ANINET文字識別
    │  │      01 數據集與環境概述.mp4
    │  │      02 配置文件修改方法.mp4
    │  │      03 Bakbone模塊得到特征.mp4
    │  │      04 視覺Transformer模塊的作用.mp4
    │  │      05 視覺模型中的編碼與解碼的效果.mp4
    │  │      06 文本模型中的結構分析.mp4
    │  │      07 迭代修正模塊.mp4
    │  │      08 輸出層與損失計算.mp4
    │  │      
    │  ├─15 第四模塊:KIE基于圖模型的關鍵信息抽取
    │  │      01 配置文件以及要完成的任務解讀.mp4
    │  │      02 KIE數據集格式調整方法.mp4
    │  │      03 配置文件與標簽要進行處理操作.mp4
    │  │      04 邊框要計算的特征分析.mp4
    │  │      05 標簽數據處理與關系特征提取.mp4
    │  │      06 特征合并處理.mp4
    │  │      07 準備拼接邊與點特征.mp4
    │  │      08 整合得到圖模型輸入特征.mp4
    │  │      
    │  ├─16 第五模塊:stylegan2源碼解讀
    │  │      01 要完成的任務與基本思想概述.mp4
    │  │      02 得到style特征編碼.mp4
    │  │      03 特征編碼風格拼接.mp4
    │  │      04 基礎風格特征卷積模塊.mp4
    │  │      05 上采樣得到輸出結果.mp4
    │  │      06 損失函數概述.mp4
    │  │      
    │  ├─17 第六模塊:BasicVSR++視頻超分辨重構源碼解讀
    │  │      01 要完成的任務分析與配置文件.mp4
    │  │      02 特征基礎提取模塊.mp4
    │  │      03 光流估計網絡模塊.mp4
    │  │      04 基于光流完成對齊操作.mp4
    │  │      05 偏移量計算方法.mp4
    │  │      06 雙向計算特征對齊.mp4
    │  │      07 提特征傳遞流程分析.mp4
    │  │      08 序列傳播計算.mp4
    │  │      09 準備變形卷積模塊的輸入.mp4
    │  │      10 傳播流程整體完成一圈.mp4
    │  │      11 完成輸出結果.mp4
    │  │      
    │  ├─18 第七模塊:多模態3D目標檢測算法源碼解讀
    │  │      01 環境配置與數據集概述.mp4
    │  │      02 數據與標注文件介紹.mp4
    │  │      03 基本流程梳理并進入debug模式.mp4
    │  │      04 數據與圖像特征提取模塊.mp4
    │  │      05 體素索引位置獲取.mp4
    │  │      06 體素特征提取方法解讀.mp4
    │  │      07 體素特征計算方法分析.mp4
    │  │      08 全局體素特征提取.mp4
    │  │      09 多模態特征融合.mp4
    │  │      10 3D卷積特征融合.mp4
    │  │      11 輸出層預測結果.mp4
    │  │      
    │  ├─19 第八模塊:模型蒸餾應用實例
    │  │      01 任務概述與工具使用.mp4
    │  │      02 Teacher與Student網絡結構定義.mp4
    │  │      03 訓練T與S得到蒸餾模型.mp4
    │  │      04 開始模型訓練過程與問題修正.mp4
    │  │      05 日志輸出與模型分離.mp4
    │  │      06 分別得到Teacher與Student模型.mp4
    │  │      07 實際測試效果演示.mp4
    │  │      
    │  ├─20 第八模塊:模型剪枝方法概述分析
    │  │      01 SuperNet網絡結構分析與剪枝概述.mp4
    │  │      02 搜索匹配到符合計算量的模型并訓練.mp4
    │  │      
    │  ├─21 第九模塊:mmaction行為識別
    │  │      01 創建自己的行為識別標注數據集.mp4
    │  │      
    │  └─22 OCR算法解讀
    │          01 OCR算法解讀.mp4
    │         
    ├─05 Opencv圖像處理框架實戰
    │  ├─01 課程簡介與環境配置
    │  │      01 課程簡介.mp4
    │  │      02 Python與Opencv配置安裝.mp4
    │  │      03 Notebook與IDE環境.mp4
    │  │      
    │  ├─02 圖像基本操作
    │  │      01 計算機眼中的圖像.mp4
    │  │      02 視頻的讀取與處理.mp4
    │  │      03 ROI區域.mp4
    │  │      04 邊界填充.mp4
    │  │      05 數值計算.mp4
    │  │      
    │  ├─03 閾值與平滑處理
    │  │      01 圖像閾值.mp4
    │  │      02 圖像平滑處理.mp4
    │  │      03 高斯與中值濾波.mp4
    │  │      
    │  ├─04 圖像形態學操作
    │  │      01 腐蝕操作.mp4
    │  │      02 膨脹操作.mp4
    │  │      03 開運算與閉運算.mp4
    │  │      04 梯度計算.mp4
    │  │      05 禮帽與黑帽.mp4
    │  │      
    │  ├─05 圖像梯度計算
    │  │      01 Sobel算子.mp4
    │  │      02 梯度計算方法.mp4
    │  │      03 scharr與lapkacian算子.mp4
    │  │      
    │  ├─06 邊緣檢測
    │  │      01 Canny邊緣檢測流程.mp4
    │  │      02 非極大值抑制.mp4
    │  │      03 邊緣檢測效果.mp4
    │  │      
    │  ├─07 圖像金字塔與輪廓檢測
    │  │      01 圖像金字塔定義.mp4
    │  │      02 金字塔制作方法.mp4
    │  │      03 輪廓檢測方法.mp4
    │  │      04 輪廓檢測結果.mp4
    │  │      05 輪廓特征與近似.mp4
    │  │      06 模板匹配方法.mp4
    │  │      07 匹配效果展示.mp4
    │  │      
    │  ├─08 直方圖與傅里葉變換
    │  │      01 直方圖定義.mp4
    │  │      02 均衡化原理.mp4
    │  │      03 均衡化效果.mp4
    │  │      04 傅里葉概述.mp4
    │  │      05 頻域變換結果.mp4
    │  │      06 低通與高通濾波.mp4
    │  │      
    │  ├─09 項目實戰-信用卡數字識別
    │  │      01 總體流程與方法講解.mp4
    │  │      02 環境配置與預處理.mp4
    │  │      03 模板處理方法.mp4
    │  │      04 輸入數據處理方法.mp4
    │  │      05 模板匹配得出識別結果.mp4
    │  │      
    │  ├─10 項目實戰-文檔掃描OCR識別
    │  │      01 整體流程演示.mp4
    │  │      02 文檔輪廓提取.mp4
    │  │      03 原始與變換坐標計算.mp4
    │  │      04 透視變換結果.mp4
    │  │      05 tesseract-ocr安裝配置.mp4
    │  │      06 文檔掃描識別效果.mp4
    │  │      
    │  ├─11 圖像特征-harris
    │  │      01 角點檢測基本原理.mp4
    │  │      02 基本數學原理.mp4
    │  │      03 求解化簡.mp4
    │  │      04 特征歸屬劃分.mp4
    │  │      05 opencv角點檢測效果.mp4
    │  │      
    │  ├─12 圖像特征-sift
    │  │      01 尺度空間定義.mp4
    │  │      02 高斯差分金字塔.mp4
    │  │      03 特征關鍵點定位.mp4
    │  │      04 生成特征描述.mp4
    │  │      05 特征向量生成.mp4
    │  │      06 opencv中sift函數使用.mp4
    │  │      
    │  ├─13 案例實戰-全景圖像拼接
    │  │      01 特征匹配方法.mp4
    │  │      02 RANSAC算法.mp4
    │  │      03 圖像拼接方法.mp4
    │  │      04 流程解讀.mp4
    │  │      
    │  ├─14 項目實戰-停車場車位識別
    │  │      01 任務整體流程.mp4
    │  │      02 所需數據介紹.mp4
    │  │      03 圖像數據預處理.mp4
    │  │      04 車位直線檢測.mp4
    │  │      05 按列劃分區域.mp4
    │  │      06 車位區域劃分.mp4
    │  │      07 識別模型構建.mp4
    │  │      08 基于視頻的車位檢測.mp4
    │  │      
    │  ├─15 項目實戰-答題卡識別判卷
    │  │      01 整體流程與效果概述.mp4
    │  │      02 預處理操作.mp4
    │  │      03 填涂輪廓檢測.mp4
    │  │      04 選項判斷識別.mp4
    │  │      
    │  ├─16 背景建模
    │  │      01 背景消除-幀差法.mp4
    │  │      02 混合高斯模型.mp4
    │  │      03 學習步驟.mp4
    │  │      04 背景建模實戰.mp4
    │  │      
    │  ├─17 光流估計
    │  │      01 基本概念.mp4
    │  │      02 Lucas-Kanade算法.mp4
    │  │      03 推導求解.mp4
    │  │      04 光流估計實戰.mp4
    │  │      
    │  ├─18 Opencv的DNN模塊
    │  │      01 dnn模塊.mp4
    │  │      02 模型加載結果輸出.mp4
    │  │      
    │  ├─19 項目實戰-目標追蹤
    │  │      01 目標追蹤概述.mp4
    │  │      02 多目標追蹤實戰.mp4
    │  │      03 深度學習檢測框架加載.mp4
    │  │      04 基于dlib與ssd的追蹤.mp4
    │  │      05 多進程目標追蹤.mp4
    │  │      06 多進程效率提升對比.mp4
    │  │      
    │  ├─20 卷積原理與操作
    │  │      01 卷積神經網絡的應用.mp4
    │  │      02 卷積層解釋.mp4
    │  │      03 卷積計算過程.mp4
    │  │      04 pading與stride.mp4
    │  │      05 卷積參數共享.mp4
    │  │      06 池化層原理.mp4
    │  │      07 卷積效果演示.mp4
    │  │      08 卷積操作流程.mp4
    │  │      
    │  └─21 項目實戰-疲勞檢測
    │          01 關鍵點定位概述.mp4
    │          02 獲取人臉關鍵點.mp4
    │          03 定位效果演示.mp4
    │          04 閉眼檢測.mp4
    │          05 檢測效果.mp4
    │         
    ├─06 綜合項目-物體檢測經典算法實戰
    │  ├─01 深度學習經典檢測方法概述
    │  │      02 不同階段算法優缺點分析.mp4
    │  │      
    │  ├─02 YOLO-V1整體思想與網絡架構
    │  │      01 YOLO算法整體思路解讀.mp4
    │  │      
    │  ├─03 YOLO-V2改進細節詳解
    │  │      01 V2版本細節升級概述.mp4
    │  │      06 坐標映射與還原.mp4
    │  │      
    │  ├─04 YOLO-V3核心網絡模型
    │  │      03 經典變換方法對比分析.mp4
    │  │      07 sotfmax層改進.mp4
    │  │      
    │  ├─05 項目實戰-基于V3版本進行源碼解讀(建議直接跑V5版本)
    │  │      01 數據與環境配置.mp4
    │  │      02 訓練參數設置.mp4
    │  │      03 COCO圖像數據讀取與處理.mp4
    │  │      04 標簽文件讀取與處理.mp4
    │  │      05 debug模式介紹.mp4
    │  │      06 基于配置文件構建網絡模型.mp4
    │  │      07 路由層與shortcut層的作用.mp4
    │  │      08 YOLO層定義解析.mp4
    │  │      09 預測結果計算.mp4
    │  │      10 網格偏移計算.mp4
    │  │      11 模型要計算的損失概述.mp4
    │  │      12 標簽值格式修改.mp4
    │  │      13 坐標相對位置計算.mp4
    │  │      14 完成所有損失函數所需計算指標.mp4
    │  │      15 模型訓練與總結.mp4
    │  │      16 預測效果展示.mp4
    │  │      
    │  ├─06 基于YOLO-V3訓練自己的數據集與任務(建議直接跑V5版本)
    │  │      01 Labelme工具安裝.mp4
    │  │      02 數據信息標注.mp4
    │  │      03 完成標簽制作.mp4
    │  │      04 生成模型所需配置文件.mp4
    │  │      05 json格式轉換成yolo-v3所需輸入.mp4
    │  │      06 完成輸入數據準備工作.mp4
    │  │      07 訓練代碼與參數配置更改.mp4
    │  │      08 訓練模型并測試效果.mp4
    │  │      
    │  ├─07 YOLO-V4版本算法解讀
    │  │      02 V4版本貢獻解讀.mp4
    │  │      06 CIOU損失函數定義.mp4
    │  │      
    │  ├─08 V5版本項目配置
    │  │      01 整體項目概述.mp4
    │  │      02 訓練自己的數據集方法.mp4
    │  │      03 訓練數據參數配置.mp4
    │  │      04 測試DEMO演示.mp4
    │  │      
    │  ├─09 V5項目工程源碼解讀
    │  │      01 數據源DEBUG流程解讀.mp4
    │  │      02 圖像數據源配置.mp4
    │  │      03 加載標簽數據.mp4
    │  │      04 Mosaic數據增強方法.mp4
    │  │      05 數據四合一方法與流程演示.mp4
    │  │      06 getItem構建batch.mp4
    │  │      07 網絡架構圖可視化工具安裝.mp4
    │  │      08 V5網絡配置文件解讀.mp4
    │  │      09 Focus模塊流程分析.mp4
    │  │      10 完成配置文件解析任務.mp4
    │  │      11 前向傳播計算.mp4
    │  │      12 BottleneckCSP層計算方法.mp4
    │  │      13 SPP層計算細節分析.mp4
    │  │      14 Head層流程解讀.mp4
    │  │      15 上采樣與拼接操作.mp4
    │  │      16 輸出結果分析.mp4
    │  │      17 超參數解讀.mp4
    │  │      18 命令行參數介紹.mp4
    │  │      19 訓練流程解讀.mp4
    │  │      20 各種訓練策略概述.mp4
    │  │      21 模型迭代過程.mp4
    │  │      
    │  ├─10 V7源碼解讀
    │  │      01 命令行參數介紹.mp4
    │  │      02 基本參數作用.mp4
    │  │      03 EMA等訓練技巧解讀.mp4
    │  │      04 網絡結構配置文件解讀.mp4
    │  │      05 各模塊操作細節分析.mp4
    │  │      06 輸出層與配置文件其他模塊解讀.mp4
    │  │      07 標簽分配策略準備操作.mp4
    │  │      08 候選框偏移方法與find3p模塊解讀.mp4
    │  │      09 得到偏移點所在網格位置.mp4
    │  │      10 完成BuildTargets模塊.mp4
    │  │      11 候選框篩選流程分析.mp4
    │  │      12 預測值各項指標獲取與調整.mp4
    │  │      13 GT匹配正樣本數量計算.mp4
    │  │      14 通過IOU與置信度分配正樣本.mp4
    │  │      15 損失函數計算方法.mp4
    │  │      16 輔助頭AUX網絡結構配置文件解析.mp4
    │  │      17 輔助頭損失函數調整.mp4
    │  │      18 BN與卷積權重參數融合方法.mp4
    │  │      19 重參數化多分支合并加速.mp4
    │  │      
    │  ├─11 EfficientNet網絡
    │  │      01 EfficientNet網絡模型.mp4
    │  │      
    │  ├─12 EfficientDet檢測算法
    │  │      01 EfficientDet檢測算法.mp4
    │  │      
    │  ├─13 基于Transformer的detr目標檢測算法
    │  │      01 DETR目標檢測基本思想解讀.mp4
    │  │      02 整體網絡架構分析.mp4
    │  │      03 位置信息初始化query向量.mp4
    │  │      04 注意力機制的作用方法.mp4
    │  │      05 訓練過程的策略.mp4
    │  │      
    │  └─14 detr目標檢測源碼解讀
    │          01 項目環境配置解讀.mp4
    │          02 數據處理與dataloader.mp4
    │          03 位置編碼作用分析.mp4
    │          04 backbone特征提取模塊.mp4
    │          05 mask與編碼模塊.mp4
    │          06 編碼層作用方法.mp4
    │          07 Decoder層操作與計算.mp4
    │          08 輸出預測結果.mp4
    │          09 損失函數與預測輸出.mp4
    │         
    ├─07 圖像分割實戰
    │  ├─01 圖像分割及其損失函數概述
    │  │      03 MIOU評估標準.mp4
    │  │      
    │  ├─05 U2NET顯著性檢測實戰
    │  │      01 任務目標與網絡整體介紹.mp4
    │  │      02 顯著性檢測任務與目標概述.mp4
    │  │      03 編碼器模塊解讀.mp4
    │  │      04 解碼器輸出結果.mp4
    │  │      05 損失函數與應用效果.mp4
    │  │      
    │  ├─09 物體檢測框架-MaskRcnn項目介紹與配置
    │  │      01 Mask-Rcnn開源項目簡介.mp4
    │  │      02 開源項目數據集.mp4
    │  │      03 開源項目數據集.mp4
    │  │      
    │  ├─10 MaskRcnn網絡框架源碼詳解
    │  │      01 FPN層特征提取原理解讀.mp4
    │  │      02 FPN網絡架構實現解讀.mp4
    │  │      03 生成框比例設置.mp4
    │  │      04 基于不同尺度特征圖生成所有框.mp4
    │  │      05 RPN層的作用與實現解讀.mp4
    │  │      06 候選框過濾方法.mp4
    │  │      07 Proposal層實現方法.mp4
    │  │      08 DetectionTarget層的作用.mp4
    │  │      09 正負樣本選擇與標簽定義.mp4
    │  │      10 RoiPooling層的作用與目的.mp4
    │  │      11 RorAlign操作的效果.mp4
    │  │      12 整體框架回顧.mp4
    │  │      
    │  └─11 基于MASK-RCNN框架訓練自己的數據與任務
    │          02 使用labelme進行數據與標簽標注.mp4
    │          03 完成訓練數據準備工作.mp4
    │          04 maskrcnn源碼修改方法.mp4
    │          05 基于標注數據訓練所需任務.mp4
    │          06 測試與展示模塊.mp4
    │         
    ├─08 行為識別實戰
    │  ├─01 slowfast算法知識點通俗解讀
    │  │      01 slowfast核心思想解讀.mp4
    │  │      02 核心網絡結構模塊分析.mp4
    │  │      03 數據采樣曾的作用.mp4
    │  │      04 模型網絡結構設計.mp4
    │  │      05 特征融合模塊與總結分析.mp4
    │  │      
    │  ├─02 slowfast項目環境配置與配置文件
    │  │      01 環境基本配置解讀.mp4
    │  │      02 目錄各文件分析.mp4
    │  │      03 配置文件作用解讀.mp4
    │  │      04 測試DEMO演示.mp4
    │  │      05 訓練所需標簽文件說明.mp4
    │  │      06 訓練所需視頻數據準備.mp4
    │  │      07 視頻數據集切分操作.mp4
    │  │      08 完成視頻分幀操作.mp4
    │  │      
    │  ├─03 slowfast源碼詳細解讀
    │  │      01 模型所需配置文件參數讀取.mp4
    │  │      02 數據處理概述.mp4
    │  │      03 dataloader數據遍歷方法.mp4
    │  │      04 數據與標簽讀取實例.mp4
    │  │      05 圖像數據所需預處理方法.mp4
    │  │      06 slow與fast分別執行采樣操作.mp4
    │  │      07 分別計算特征圖輸出結果.mp4
    │  │      08 slow與fast特征圖拼接操作.mp4
    │  │      09 resnetBolock操作.mp4
    │  │      10 RoiAlign與輸出層.mp4
    │  │      
    │  ├─04 基于3D卷積的視頻分析與動作識別
    │  │      01 3D卷積原理解讀.mp4
    │  │      02 UCF101動作識別數據集簡介.mp4
    │  │      03 測試效果與項目配置.mp4
    │  │      04 視頻數據預處理方法.mp4
    │  │      05 數據Batch制作方法.mp4
    │  │      06 3D卷積網絡所涉及模塊.mp4
    │  │      07 訓練網絡模型.mp4
    │  │      
    │  ├─05 視頻異常檢測算法與元學習
    │  │      01 異常檢測要解決的問題與數據集介紹.mp4
    │  │      02 基本思想與流程分析.mp4
    │  │      03 預測與常見問題.mp4
    │  │      04 Meta-Learn要解決的問題.mp4
    │  │      05 學習能力與參數定義.mp4
    │  │      06 如何找到合適的初始化參數.mp4
    │  │      07 MAML算法流程解讀.mp4
    │  │      
    │  └─06 視頻異常檢測CVPR2021論文及其源碼解讀
    │          01 論文概述與環境配置.mp4
    │          02 數據集配置與讀取.mp4
    │          03 模型編碼與解碼結構.mp4
    │          04 注意力機制模塊打造.mp4
    │          05 損失函數的目的.mp4
    │          06 特征圖生成.mp4
    │          07 MetaLearn與輸出.mp4
    │         
    ├─09 2022論文必備-Transformer實戰系列
    │  ├─01 課程介紹
    │  │      01 課程介紹.mp4
    │  │      
    │  ├─02 自然語言處理通用框架BERT原理解讀
    │  │      01 BERT任務目標概述.mp4
    │  │      02 傳統解決方案遇到的問題.mp4
    │  │      03 注意力機制的作用.mp4
    │  │      04 self-attention計算方法.mp4
    │  │      05 特征分配與softmax機制.mp4
    │  │      06 Multi-head的作用.mp4
    │  │      07 位置編碼與多層堆疊.mp4
    │  │      08 transformer整體架構梳理.mp4
    │  │      09 BERT模型訓練方法.mp4
    │  │      10 訓練實例.mp4
    │  │      
    │  ├─03 Transformer在視覺中的應用VIT算法
    │  │      01 transformer發家史介紹.mp4
    │  │      02 對圖像數據構建patch序列.mp4
    │  │      03 VIT整體架構解讀.mp4
    │  │      04 CNN遇到的問題與窘境.mp4
    │  │      05 計算公式解讀.mp4
    │  │      06 位置編碼與TNT模型.mp4
    │  │      07 TNT模型細節分析.mp4
    │  │      
    │  ├─04 VIT算法模型源碼解讀
    │  │      01 項目配置說明.mp4
    │  │      02 輸入序列構建方法解讀.mp4
    │  │      03 注意力機制計算.mp4
    │  │      04 輸出層計算結果.mp4
    │  │      
    │  ├─05 swintransformer算法原理解析
    │  │      01 swintransformer整體概述.mp4
    │  │      02 要解決的問題及其優勢分析.mp4
    │  │      03 一個block要完成的任務.mp4
    │  │      04 獲取各窗口輸入特征.mp4
    │  │      05 基于窗口的注意力機制解讀.mp4
    │  │      06 窗口偏移操作的實現.mp4
    │  │      07 偏移細節分析及其計算量概述.mp4
    │  │      08 整體網絡架構整合.mp4
    │  │      09 下采樣操作實現方法.mp4
    │  │      10 分層計算方法.mp4
    │  │      
    │  ├─06 swintransformer源碼解讀
    │  │      01 數據與環境配置解讀.mp4
    │  │      02 圖像數據patch編碼.mp4
    │  │      03 數據按window進行劃分計算.mp4
    │  │      04 基礎attention計算模塊.mp4
    │  │      05 窗口位移模塊細節分析.mp4
    │  │      06 patchmerge下采樣操作.mp4
    │  │      07 各block計算方法解讀.mp4
    │  │      08 輸出層概述.mp4
    │  │      
    │  ├─07 基于Transformer的detr目標檢測算法
    │  │      01 DETR目標檢測基本思想解讀.mp4
    │  │      02 整體網絡架構分析.mp4
    │  │      03 位置信息初始化query向量.mp4
    │  │      04 注意力機制的作用方法.mp4
    │  │      05 訓練過程的策略.mp4
    │  │      
    │  ├─08 detr目標檢測源碼解讀
    │  │      01 項目環境配置解讀.mp4
    │  │      02 數據處理與dataloader.mp4
    │  │      03 位置編碼作用分析.mp4
    │  │      04 backbone特征提取模塊.mp4
    │  │      05 mask與編碼模塊.mp4
    │  │      06 編碼層作用方法.mp4
    │  │      07 Decoder層操作與計算.mp4
    │  │      08 輸出預測結果.mp4
    │  │      
    │  ├─09 MedicalTrasnformer論文解讀
    │  │      01 論文整體分析.mp4
    │  │      02 核心思想分析.mp4
    │  │      03 網絡結構計算流程概述.mp4
    │  │      04 論文公式計算分析.mp4
    │  │      05 位置編碼的作用與效果.mp4
    │  │      06 拓展應用分析.mp4
    │  │      
    │  ├─10 MedicalTransformer源碼解讀
    │  │      01 項目環境配置.mp4
    │  │      02 醫學數據介紹與分析.mp4
    │  │      03 基本處理操作.mp4
    │  │      04 AxialAttention實現過程.mp4
    │  │      05 位置編碼向量解讀.mp4
    │  │      06 注意力計算過程與方法.mp4
    │  │      07 局部特征提取與計算.mp4
    │  │      
    │  ├─11 商湯LoFTR算法解讀
    │  │      01 特征匹配的應用場景.mp4
    │  │      02 特征匹配的基本流程分析.mp4
    │  │      03 整體流程梳理分析.mp4
    │  │      04 CrossAttention的作用與效果.mp4
    │  │      05 transformer構建匹配特征.mp4
    │  │      06 粗粒度匹配過程與作用.mp4
    │  │      07 特征圖拆解操作.mp4
    │  │      08 細粒度匹配的作用與方法.mp4
    │  │      09 基于期望預測最終位置.mp4
    │  │      10 總結分析.mp4
    │  │      
    │  ├─12 局部特征關鍵點匹配實戰
    │  │      01 項目與參數配置解讀.mp4
    │  │      02 DEMO效果演示.mp4
    │  │      03 backbone特征提取模塊.mp4
    │  │      04 注意力機制的作用與效果分析.mp4
    │  │      05 特征融合模塊實現方法.mp4
    │  │      06 cross關系計算方法實例.mp4
    │  │      07 粗粒度匹配過程.mp4
    │  │      08 完成基礎匹配模塊.mp4
    │  │      09 精細化調整方法與實例.mp4
    │  │      10 得到精細化輸出結果.mp4
    │  │      11 通過期望計算最終輸出.mp4
    │  │      
    │  ├─13 項目補充-谷歌開源項目BERT源碼解讀與應用實例
    │  │      01 BERT開源項目簡介.mp4
    │  │      02 項目參數配置.mp4
    │  │      03 數據讀取模塊.mp4
    │  │      04 數據預處理模塊.mp4
    │  │      05 tfrecord制作.mp4
    │  │      06 Embedding層的作用.mp4
    │  │      07 加入額外編碼特征.mp4
    │  │      08 加入位置編碼特征.mp4
    │  │      09 mask機制的作用.mp4
    │  │      10 構建QKV矩陣.mp4
    │  │      11 完成Transformer模塊構建.mp4
    │  │      12 訓練BERT模型.mp4
    │  │      
    │  └─14 項目補充-基于BERT的中文情感分析實戰
    │          01 中文分類數據與任務概述.mp4
    │          02 讀取處理自己的數據集.mp4
    │          03 訓練BERT中文分類模型.mp4
    │         
    ├─10 圖神經網絡實戰
    │  ├─01 圖神經網絡基礎
    │  │      01 圖神經網絡應用領域分析.mp4
    │  │      02 圖基本模塊定義.mp4
    │  │      03 鄰接矩陣的定義.mp4
    │  │      04 GNN中常見任務.mp4
    │  │      05 消息傳遞計算方法.mp4
    │  │      06 多層GCN的作用.mp4
    │  │      
    │  ├─02 圖卷積GCN模型
    │  │      01 GCN基本模型概述.mp4
    │  │      02 圖卷積的基本計算方法.mp4
    │  │      03 鄰接的矩陣的變換.mp4
    │  │      04 GCN變換原理解讀.mp4
    │  │      
    │  ├─03 圖模型必備神器PyTorch Geometric安裝與使用
    │  │      01 PyTorch Geometric工具包安裝與配置方法.mp4
    │  │      02 數據集與鄰接矩陣格式.mp4
    │  │      03 模型定義與訓練方法.mp4
    │  │      04 文獻引用數據集分類案例實戰.mp4
    │  │      
    │  ├─04 使用PyTorch Geometric構建自己的圖數據集
    │  │      01 構建數據集基本方法.mp4
    │  │      02 數據集與任務背景概述.mp4
    │  │      03 數據集基本預處理.mp4
    │  │      04 用戶行為圖結構創建.mp4
    │  │      05 數據集創建函數介紹.mp4
    │  │      06 網絡結構定義模塊.mp4
    │  │      07 TopkPooling進行下采樣任務.mp4
    │  │      08 獲取全局特征.mp4
    │  │      09 模型訓練與總結.mp4
    │  │      
    │  ├─05 圖注意力機制與序列圖模型
    │  │      01 圖注意力機制的作用與方法.mp4
    │  │      02 鄰接矩陣計算圖Attention.mp4
    │  │      03 序列圖神經網絡TGCN應用.mp4
    │  │      04 序列圖神經網絡細節.mp4
    │  │      
    │  ├─06 圖相似度論文解讀
    │  │      01 要完成的任務分析.mp4
    │  │      02 基本方法概述解讀.mp4
    │  │      03 圖模型提取全局與局部特征.mp4
    │  │      04 NTN模塊的作用與效果.mp4
    │  │      05 點之間的對應關系計算.mp4
    │  │      06 結果輸出與總結.mp4
    │  │      
    │  ├─07 圖相似度計算實戰
    │  │      01 數據集與任務概述.mp4
    │  │      02 圖卷積特征提取模塊.mp4
    │  │      03 分別計算不同Batch點的分布.mp4
    │  │      04 獲得直方圖特征結果.mp4
    │  │      05 圖的全局特征構建.mp4
    │  │      06 NTN圖相似特征提取.mp4
    │  │      07 預測得到相似度結果.mp4
    │  │      
    │  ├─08 基于圖模型的軌跡估計
    │  │      01 數據集與標注信息解讀.mp4
    │  │      02 整體三大模塊分析.mp4
    │  │      03 特征工程的作用與效果.mp4
    │  │      04 傳統方法與現在向量空間對比.mp4
    │  │      05 輸入細節分析.mp4
    │  │      06 子圖模塊構建方法.mp4
    │  │      07 特征融合模塊分析.mp4
    │  │      08 VectorNet輸出層分析.mp4
    │  │      
    │  └─09 圖模型軌跡估計實戰
    │          01 數據與環境配置.mp4
    │          02 訓練數據準備.mp4
    │          03 Agent特征提取方法.mp4
    │          04 DataLoader構建圖結構.mp4
    │          05 SubGraph與Attention模型流程.mp4
    │         
    ├─11 3D點云實戰
    │  ├─01 3D點云實戰 3D點云應用領域分析
    │  │      01 點云數據概述.mp4
    │  │      02 點云應用領域與發展分析.mp4
    │  │      03 點云分割任務.mp4
    │  │      04 點云補全任務.mp4
    │  │      05 點云檢測與配準任務.mp4
    │  │      06 點云數據特征提取概述與預告.mp4
    │  │      
    │  ├─02 3D點云PointNet算法
    │  │      01 3D數據應用領域與點云介紹.mp4
    │  │      02 點云數據可視化展示.mp4
    │  │      03 點云數據特性和及要解決的問題.mp4
    │  │      04 PointNet算法出發點解讀.mp4
    │  │      05 PointNet算法網絡架構解讀.mp4
    │  │      
    │  ├─03 PointNet++算法解讀
    │  │      01 PointNet升級版算法要解決的問題.mp4
    │  │      02 最遠點采樣方法.mp4
    │  │      03 分組Group方法原理解讀.mp4
    │  │      04 整體流程概述分析.mp4
    │  │      05 分類與分割問題解決方案.mp4
    │  │      06 遇到的問題及改進方法分析.mp4
    │  │      
    │  ├─04 Pointnet++項目實戰
    │  │      01 項目文件概述.mp4
    │  │      02 數據讀取模塊配置.mp4
    │  │      03 DEBUG解讀網絡模型架構.mp4
    │  │      04 最遠點采樣介紹.mp4
    │  │      05 采樣得到中心點.mp4
    │  │      06 組區域劃分方法.mp4
    │  │      07 實現group操作得到各中心簇.mp4
    │  │      08 特征提取模塊整體流程.mp4
    │  │      09 預測結果輸出模塊.mp4
    │  │      10 分類任務總結.mp4
    │  │      11 分割任務數據與配置概述.mp4
    │  │      12 分割需要解決的任務概述.mp4
    │  │      13 上采樣完成分割任務.mp4
    │  │      
    │  ├─05 點云補全PF-Net論文解讀
    │  │      01 點云補全要解決的問題.mp4
    │  │      02 基本解決方案概述.mp4
    │  │      03 整體網絡概述.mp4
    │  │      04 網絡計算流程.mp4
    │  │      05 輸入與計算結果.mp4
    │  │      
    │  ├─06 點云補全實戰解讀
    │  │      01 數據與項目配置解讀.mp4
    │  │      02 待補全數據準備方法.mp4
    │  │      03 整體框架概述.mp4
    │  │      04 MRE特征提取模塊.mp4
    │  │      05 分層預測輸出模塊.mp4
    │  │      06 補全點云數據.mp4
    │  │      07 判別模塊.mp4
    │  │      
    │  ├─07 點云配準及其案例實戰
    │  │      01 點云配準任務概述.mp4
    │  │      02 配準要完成的目標解讀.mp4
    │  │      03 訓練數據構建.mp4
    │  │      04 任務基本流程.mp4
    │  │      05 數據源配置方法.mp4
    │  │      06 參數計算模塊解讀.mp4
    │  │      07 基于模型預測輸出參數.mp4
    │  │      08 特征構建方法分析.mp4
    │  │      09 任務總結.mp4
    │  │      
    │  └─08 基礎補充-對抗生成網絡架構原理與實戰解析
    │          02 GAN網絡組成.mp4
    │         
    ├─12 目標追蹤與姿態估計實戰
    │  ├─01 課程介紹
    │  │      01 課程介紹.mp4
    │  │      
    │  ├─02 姿態估計OpenPose系列算法解讀
    │  │      01 姿態估計要解決的問題分析.mp4
    │  │      02 姿態估計應用領域概述.mp4
    │  │      03 傳統topdown方法的問題.mp4
    │  │      04 要解決的兩個問題分析.mp4
    │  │      05 基于高斯分布預測關鍵點位置.mp4
    │  │      06 各模塊輸出特征圖解讀.mp4
    │  │      07 PAF向量登場.mp4
    │  │      08 PAF標簽設計方法.mp4
    │  │      09 預測時PAF積分計算方法.mp4
    │  │      10 匹配方法解讀.mp4
    │  │      11 CPM模型特點.mp4
    │  │      12 算法流程與總結.mp4
    │  │      
    │  ├─03 OpenPose算法源碼分析
    │  │      01 數據集與路徑配置解讀.mp4
    │  │      02 讀取圖像與標注信息.mp4
    │  │      03 關鍵點與軀干特征圖初始化.mp4
    │  │      04 根據關鍵點位置設計關鍵點標簽.mp4
    │  │      05 準備構建PAF軀干標簽.mp4
    │  │      06 各位置點歸屬判斷.mp4
    │  │      07 特征圖各點累加向量計算.mp4
    │  │      08 完成PAF特征圖制作.mp4
    │  │      09 網絡模型一階段輸出.mp4
    │  │      10 多階段輸出與預測.mp4
    │  │      
    │  ├─04 deepsort算法知識點解讀
    │  │      01 卡爾曼濾波通俗解釋.mp4
    │  │      02 卡爾曼濾波要完成的任務.mp4
    │  │      03 任務本質分析.mp4
    │  │      04 基于觀測值進行最優估計.mp4
    │  │      05 預測與更新操作.mp4
    │  │      06 追蹤中的狀態量.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與deepsort建模流程分析.mp4
    │  │      11 預測與匹配流程解讀.mp4
    │  │      12 追蹤任務流程拆解.mp4
    │  │      
    │  ├─05 deepsort源碼解讀
    │  │      01 項目環境配置.mp4
    │  │      02 參數與DEMO演示.mp4
    │  │      03 針對檢測結果初始化track.mp4
    │  │      04 對track執行預測操作.mp4
    │  │      05 狀態量預測結果.mp4
    │  │      06 IOU代價矩陣計算.mp4
    │  │      07 參數更新操作.mp4
    │  │      08 級聯匹配模塊.mp4
    │  │      09 ReID特征代價矩陣計算.mp4
    │  │      10 匹配結果與總結.mp4
    │  │      
    │  ├─06 YOLO-V4版本算法解讀
    │  │      02 V4版本貢獻解讀.mp4
    │  │      06 CIOU損失函數定義.mp4
    │  │      
    │  └─08 V5項目工程源碼解讀
    │          13 1-SPP層計算細節分析.mp4
    │         
    ├─13 面向深度學習的無人駕駛實戰
    │  ├─01 深度估計算法原理解讀
    │  │      01 深度估計效果與應用.mp4
    │  │      02 kitti數據集介紹.mp4
    │  │      03 使用backbone獲取層級特征.mp4
    │  │      04 差異特征計算邊界信息.mp4
    │  │      05 SPP層的作用.mp4
    │  │      06 空洞卷積與ASPP.mp4
    │  │      07 特征拼接方法分析.mp4
    │  │      08 網絡coarse-to-fine過程.mp4
    │  │      09 權重參數預處理.mp4
    │  │      10 損失計算.mp4
    │  │      
    │  ├─02 深度估計項目實戰
    │  │      01 項目環境配置解讀.mp4
    │  │      02 數據與標簽定義方法.mp4
    │  │      03 數據集dataloader制作.mp4
    │  │      04 使用backbone進行特征提取.mp4
    │  │      05 計算差異特征.mp4
    │  │      06 權重參數標準化操作.mp4
    │  │      07 網絡結構ASPP層.mp4
    │  │      08 特征拼接方法解讀.mp4
    │  │      09 輸出深度估計結果.mp4
    │  │      10 損失函數通俗解讀.mp4
    │  │      11 模型DEMO輸出結果.mp4
    │  │      
    │  ├─03 車道線檢測算法與論文解讀
    │  │      01 數據標簽與任務分析.mp4
    │  │      02 網絡整體框架分析.mp4
    │  │      03 輸出結果分析.mp4
    │  │      04 損失函數計算方法.mp4
    │  │      05 論文概述分析.mp4
    │  │      
    │  ├─04 基于深度學習的車道線檢測項目實戰
    │  │      01 車道數據與標簽解讀.mp4
    │  │      02 項目環境配置演示.mp4
    │  │      03 制作數據集dataloader.mp4
    │  │      04 車道線標簽數據處理.mp4
    │  │      05 四條車道線標簽位置矩陣.mp4
    │  │      06 grid設置方法.mp4
    │  │      07 完成數據與標簽制作.mp4
    │  │      08 算法網絡結構解讀.mp4
    │  │      09 損失函數計算模塊分析.mp4
    │  │      10 車道線規則損失函數限制.mp4
    │  │      11 DEMO制作與配置.mp4
    │  │      
    │  ├─06 局部特征關鍵點匹配實戰
    │  │      02 DEMO效果演示.mp4
    │  │      03 backbone特征提取模塊.mp4
    │  │      04 注意力機制的作用與效果分析.mp4
    │  │      05 特征融合模塊實現方法.mp4
    │  │      06 cross關系計算方法實例.mp4
    │  │      09 精細化調整方法與實例.mp4
    │  │      10 得到精細化輸出結果.mp4
    │  │      
    │  ├─07 三維重建應用與坐標系基礎
    │  │      01 三維重建概述分析.mp4
    │  │      02 三維重建應用領域概述.mp4
    │  │      03 成像方法概述.mp4
    │  │      04 相機坐標系.mp4
    │  │      05 坐標系轉換方法解讀.mp4
    │  │      06 相機內外參.mp4
    │  │      07 通過內外參數進行坐標變換.mp4
    │  │      08 相機標定簡介.mp4
    │  │      
    │  ├─08 NeuralRecon算法解讀
    │  │      01 任務流程分析.mp4
    │  │      02 基本框架熟悉.mp4
    │  │      03 特征映射方法解讀.mp4
    │  │      04 片段融合思想.mp4
    │  │      05 整體架構重構方法.mp4
    │  │      
    │  ├─09 NeuralRecon項目環境配置
    │  │      01 數據集下載與配置方法.mp4
    │  │      02 Scannet數據集內容概述.mp4
    │  │      03 TSDF標簽生成方法.mp4
    │  │      04 ISSUE的作用.mp4
    │  │      05 完成依賴環境配置.mp4
    │  │      
    │  ├─10 NeuralRecon項目源碼解讀
    │  │      01 Backbone得到特征圖.mp4
    │  │      02 初始化體素位置.mp4
    │  │      03 坐標映射方法實現.mp4
    │  │      04 得到體素所對應特征圖.mp4
    │  │      05 插值得到對應特征向量.mp4
    │  │      06 得到一階段輸出結果.mp4
    │  │      07 完成三個階段預測結果.mp4
    │  │      08 項目總結.mp4
    │  │      
    │  ├─11 TSDF算法與應用
    │  │      01 TSDF整體概述分析.mp4
    │  │      02 合成過程DEMO演示.mp4
    │  │      03 布局初始化操作.mp4
    │  │      04 TSDF計算基本流程解讀.mp4
    │  │      05 坐標轉換流程分析.mp4
    │  │      06 輸出結果融合更新.mp4
    │  │      
    │  ├─12 TSDF實戰案例
    │  │      01 環境配置概述.mp4
    │  │      02 初始化與數據讀取.mp4
    │  │      03 計算得到TSDF輸出.mp4
    │  │      
    │  ├─14 軌跡估計預測實戰
    │  │      01 數據與環境配置.mp4
    │  │      02 訓練數據準備.mp4
    │  │      03 Agent特征提取方法.mp4
    │  │      04 DataLoader構建圖結構.mp4
    │  │      05 SubGraph與Attention模型流程.mp4
    │  │      
    │  └─15 特斯拉無人駕駛解讀
    │          01 特斯拉無人駕駛解讀.mp4
    │         
    ├─14 對比學習與多模態任務實戰
    │  ├─01 對比學習算法與實例
    │  │      01 對比學習算法與實例.mp4
    │  │      
    │  └─04 多模態文字識別
    │          01 多模態文字識別.mp4
    │         
    ├─15 缺陷檢測實戰
    │  ├─01 課程介紹
    │  │      01 課程介紹.mp4
    │  │      
    │  ├─02 物體檢框架YOLO-V4版本算法解讀
    │  │      01 源碼【內有百度云地址,自取】.txt
    │  │      02 V4版本貢獻解讀.mp4
    │  │      06 CIOU損失函數定義.mp4
    │  │      
    │  ├─04 物體檢測框架YOLOV5項目工程源碼解讀
    │  │      14 Head層流程解讀.mp4
    │  │      
    │  ├─05 基于YOLOV5的鋼材缺陷檢測實戰
    │  │      01 任務需求與項目概述.mp4
    │  │      02 數據與標簽配置方法.mp4
    │  │      03 標簽轉換格式腳本制作.mp4
    │  │      04 各版本模型介紹分析.mp4
    │  │      05 項目參數配置.mp4
    │  │      06 缺陷檢測模型訓練.mp4
    │  │      07 輸出結果與項目總結.mp4
    │  │      
    │  ├─06 Semi-supervised布料缺陷檢測實戰
    │  │      01 任務目標與流程概述.mp4
    │  │      02 論文思想與模型分析.mp4
    │  │      03 項目配置解讀.mp4
    │  │      04 網絡流程分析.mp4
    │  │      05 輸出結果展示.mp4
    │  │      
    │  ├─07 Opencv圖像常用處理方法實例
    │  │      06 圖像閾值.mp4
    │  │      07 圖像平滑處理.mp4
    │  │      08 高斯與中值濾波.mp4
    │  │      10 膨脹操作.mp4
    │  │      11 開運算與閉運算.mp4
    │  │      12 梯度計算.mp4
    │  │      
    │  ├─09 Opencv輪廓檢測與直方圖
    │  │      03 輪廓檢測方法.mp4
    │  │      04 輪廓檢測結果.mp4
    │  │      05 輪廓特征與近似.mp4
    │  │      06 模板匹配方法.mp4
    │  │      07 匹配效果展示.mp4
    │  │      11 傅里葉概述.mp4
    │  │      12 頻域變換結果.mp4
    │  │      13 低通與高通濾波.mp4
    │  │      
    │  ├─10 基于Opencv缺陷檢測項目實戰
    │  │      01 任務需求與環境配置.mp4
    │  │      02 數據讀取與基本處理.mp4
    │  │      03 缺陷形態學操作.mp4
    │  │      04 整體流程解讀.mp4
    │  │      05 缺陷檢測效果演示.mp4
    │  │      
    │  ├─11 基于視頻流水線的Opencv缺陷檢測項目
    │  │      01 數據與任務概述.mp4
    │  │      02 視頻數據讀取與輪廓檢測.mp4
    │  │      03 目標質心計算.mp4
    │  │      04 視頻數據遍歷方法.mp4
    │  │      05 缺陷區域提取.mp4
    │  │      06 不同類型的缺陷檢測方法.mp4
    │  │      07 檢測效果演示.mp4
    │  │      
    │  └─14 Deeplab鐵質材料缺陷檢測與開源項目應用流程
    │          01 數據集與任務概述.mp4
    │          02 開源項目應用方法.mp4
    │          03 github與kaggle中需要注意的點.mp4
    │          04 源碼的利用方法.mp4
    │          04 源碼的利用方法_ev.mp4
    │          05 數據集制作方法.mp4
    │          06 數據路徑配置.mp4
    │          07 訓練模型.mp4
    │          08 任務總結.mp4
    │         
    ├─16 行人重識別實戰
    │  ├─01 行人重識別原理及其應用
    │  │      01 行人重識別要解決的問題.mp4
    │  │      02 挑戰與困難分析.mp4
    │  │      03 評估標準rank1指標.mp4
    │  │      04 map值計算方法.mp4
    │  │      05 triplet損失計算實例.mp4
    │  │      06 Hard-Negative方法應用.mp4
    │  │      
    │  ├─02 基于注意力機制的Reld模型論文解讀
    │  │      01 論文整體思想及注意力機制的作用解讀.mp4
    │  │      02 空間權重值計算流程分析.mp4
    │  │      03 融合空間注意力所需特征.mp4
    │  │      04 基于特征圖的注意力計算.mp4
    │  │      
    │  ├─03 基于Attention的行人重識別項目實戰
    │  │      01 項目環境與數據集配置.mp4
    │  │      02 參數配置與整體架構分析.mp4
    │  │      03 進入debug模式解讀網絡計算流程.mp4
    │  │      04 獲得空間位置點之間的關系.mp4
    │  │      05 組合關系特征圖.mp4
    │  │      06 計算得到位置權重值.mp4
    │  │      07 基于特征圖的權重計算.mp4
    │  │      08 損失函數計算實例解讀.mp4
    │  │      09 訓練與測試模塊演示.mp4
    │  │      
    │  ├─04 AAAI2020頂會算法精講
    │  │      01 論文整體框架概述.mp4
    │  │      02 局部特征與全局關系計算方法.mp4
    │  │      03 特征分組方法.mp4
    │  │      04 GCP模塊特征融合方法.mp4
    │  │      05 oneVsReset方法實例.mp4
    │  │      06 損失函數應用位置.mp4
    │  │      
    │  ├─05 項目實戰-基于行人局部特征融合的再識別實戰
    │  │      01 項目配置與數據集介紹.mp4
    │  │      02 數據源構建方法分析.mp4
    │  │      03 dataloader加載順序解讀.mp4
    │  │      04 debug模式解讀.mp4
    │  │      05 網絡計算整體流程演示.mp4
    │  │      06 特征序列構建.mp4
    │  │      07 GCP全局特征提取.mp4
    │  │      08 局部特征提取實例.mp4
    │  │      09 特征組合匯總.mp4
    │  │      10 得到所有分組特征結果.mp4
    │  │      11 損失函數與訓練過程演示.mp4
    │  │      12 測試與驗證模塊.mp4
    │  │      
    │  ├─06 曠視研究院最新算法解讀(基于圖模型)
    │  │      01 關鍵點位置特征構建.mp4
    │  │      02 圖卷積與匹配的作用.mp4
    │  │      03 局部特征熱度圖計算.mp4
    │  │      04 基于圖卷積構建人體拓撲關系.mp4
    │  │      05 圖卷積模塊實現方法.mp4
    │  │      06 圖匹配在行人重識別中的作用.mp4
    │  │      07 整體算法框架分析.mp4
    │  │      
    │  └─07 基于拓撲圖的行人重識別項目實戰
    │          01 數據集與環境配置概述.mp4
    │          02 局部特征準備方法.mp4
    │          03 得到一階段熱度圖結果.mp4
    │          04 階段監督訓練.mp4
    │          05 初始化圖卷積模型.mp4
    │          06 mask矩陣的作用.mp4
    │          07 鄰接矩陣學習與更新.mp4
    │          08 基于拓撲結構組合關鍵點特征.mp4
    │          09 圖匹配模塊計算流程.mp4
    │          10 整體項目總結.mp4
    │         
    ├─17 對抗生成網絡實戰
    │  ├─01 課程介紹
    │  │      01 課程介紹.mp4
    │  │      
    │  ├─02 對抗生成網絡架構原理與實戰解析
    │  │      01 對抗生成網絡通俗解釋.mp4
    │  │      02 GAN網絡組成.mp4
    │  │      03 損失函數解釋說明.mp4
    │  │      04 數據讀取模塊.mp4
    │  │      05 生成與判別網絡定義.mp4
    │  │      
    │  ├─03 基于CycleGan開源項目實戰圖像合成
    │  │      01 CycleGan網絡所需數據.mp4
    │  │      02 CycleGan整體網絡架構.mp4
    │  │      03 PatchGan判別網絡原理.mp4
    │  │      04 Cycle開源項目簡介.mp4
    │  │      05 數據讀取與預處理操作.mp4
    │  │      06 生成網絡模塊構造.mp4
    │  │      07 判別網絡模塊構造.mp4
    │  │      08 損失函數:identity loss計算方法.mp4
    │  │      09 生成與判別損失函數指定.mp4
    │  │      10 額外補充:VISDOM可視化配置.mp4
    │  │      
    │  ├─04 stargan論文架構解析
    │  │      01 stargan效果演示分析.mp4
    │  │      02 網絡架構整體思路解讀.mp4
    │  │      03 建模流程分析.mp4
    │  │      04 V1版本存在的問題及后續改進思路.mp4
    │  │      05 V2版本在整體網絡架構.mp4
    │  │      06 編碼器訓練方法.mp4
    │  │      07 損失函數公式解析.mp4
    │  │      08 訓練過程分析.mp4
    │  │      
    │  ├─05 stargan項目實戰及其源碼解讀
    │  │      01 測試模塊效果與實驗分析.mp4
    │  │      02 項目配置與數據源下載.mp4
    │  │      03 測試效果演示.mp4
    │  │      04 項目參數解析.mp4
    │  │      05 生成器模塊源碼解讀.mp4
    │  │      06 所有網絡模塊構建實例.mp4
    │  │      07 數據讀取模塊分析.mp4
    │  │      08 判別器損失計算.mp4
    │  │      09 損失計算詳細過程.mp4
    │  │      10 生成模塊損失計算.mp4
    │  │      
    │  ├─06 基于starganvc2的變聲器論文原理解讀
    │  │      01 論文整體思路與架構解讀.mp4
    │  │      02 VCC2016輸入數據.mp4
    │  │      03 語音特征提取.mp4
    │  │      04 生成器模型架構分析.mp4
    │  │      05 InstanceNorm的作用解讀.mp4
    │  │      06 AdaIn的目的與效果.mp4
    │  │      07 判別器模塊分析.mp4
    │  │      
    │  ├─07 starganvc2變聲器項目實戰及其源碼解讀
    │  │      01 數據與項目文件解讀.mp4
    │  │      02 環境配置與工具包安裝.mp4
    │  │      03 數據預處理與聲音特征提取.mp4
    │  │      04 生成器構造模塊解讀.mp4
    │  │      05 下采樣與上采樣操作.mp4
    │  │      06 starganvc2版本標簽輸入分析.mp4
    │  │      07 生成器前向傳播維度變化.mp4
    │  │      08 判別器模塊解讀.mp4
    │  │      09 論文損失函數.mp4
    │  │      10 源碼損失計算流程.mp4
    │  │      11 測試模塊-生成轉換語音.mp4
    │  │      
    │  ├─08 圖像超分辨率重構實戰
    │  │      01 論文概述.mp4
    │  │      02 網絡架構.mp4
    │  │      03 數據與環境配置.mp4
    │  │      04 數據加載與配置.mp4
    │  │      05 生成模塊.mp4
    │  │      06 判別模塊.mp4
    │  │      07 VGG特征提取網絡.mp4
    │  │      08 損失函數與訓練.mp4
    │  │      09 測試模塊.mp4
    │  │      
    │  └─09 基于GAN的圖像補全實戰
    │          01 論文概述.mp4
    │          02 網絡架構.mp4
    │          03 細節設計.mp4
    │          04 論文總結.mp4
    │          05 數據與項目概述.mp4
    │          06 參數基本設計.mp4
    │          07 網絡結構配置.mp4
    │          08 網絡迭代訓練.mp4
    │          09 測試模塊.mp4
    │         
    ├─18 強化學習實戰系列
    │  ├─01 強化學習簡介及其應用
    │  │      01 一張圖通俗解釋強化學習.mp4
    │  │      02 強化學習的指導依據.mp4
    │  │      03 強化學習AI游戲DEMO.mp4
    │  │      04 應用領域簡介.mp4
    │  │      05 強化學習工作流程.mp4
    │  │      06 計算機眼中的狀態與行為.mp4
    │  │      
    │  ├─02 PPO算法與公式推導
    │  │      01 基本情況介紹.mp4
    │  │      02 與環境交互得到所需數據.mp4
    │  │      03 要完成的目標分析.mp4
    │  │      04 策略梯度推導.mp4
    │  │      05 baseline方法.mp4
    │  │      06 OnPolicy與OffPolicy策略.mp4
    │  │      07 importance sampling的作用.mp4
    │  │      08 PPO算法整體思路解析.mp4
    │  │      
    │  ├─03 PPO實戰-月球登陸器訓練實例
    │  │      01 Critic的作用與效果.mp4
    │  │      02 PPO2版本公式解讀.mp4
    │  │      03 參數與網絡結構定義.mp4
    │  │      04 得到動作結果.mp4
    │  │      05 獎勵獲得與計算.mp4
    │  │      06 參數迭代與更新.mp4
    │  │      
    │  ├─04 Q-learning與DQN算法
    │  │      01 整體任務流程演示.mp4
    │  │      02 探索與action獲取.mp4
    │  │      03 計算target值.mp4
    │  │      04 訓練與更新.mp4
    │  │      05 算法原理通俗解讀.mp4
    │  │      06 目標函數與公式解析.mp4
    │  │      07 Qlearning算法實例解讀.mp4
    │  │      08 Q值迭代求解.mp4
    │  │      09 DQN簡介.mp4
    │  │      
    │  ├─06 DQN改進與應用技巧
    │  │      01 DoubleDqn要解決的問題.mp4
    │  │      02 DuelingDqn改進方法.mp4
    │  │      03 Dueling整體網絡架構分析.mp4
    │  │      04 MultiSetp策略.mp4
    │  │      05 連續動作處理方法.mp4
    │  │      
    │  ├─07 Actor-Critic算法分析(A3C)
    │  │      01 AC算法回顧與知識點總結.mp4
    │  │      02 優勢函數解讀與分析.mp4
    │  │      03 計算流程實例.mp4
    │  │      04 A3C整體架構分析.mp4
    │  │      05 損失函數整理.mp4
    │  │      
    │  └─08 用A3C玩轉超級馬里奧
    │          01 整體流程與環境配置.mp4
    │          02 啟動游戲環境.mp4
    │          03 要計算的指標回顧.mp4
    │          04 初始化局部模型并加載參數.mp4
    │          05 與環境交互得到訓練數據.mp4
    │          06 訓練網絡模型.mp4
    │         
    ├─19 Openai頂級黑科技算法及其項目實戰
    │  ├─01 GPT系列生成模型
    │  │      01 GPT系列.mp4
    │  │      
    │  ├─02 GPT建模與預測流程
    │  │      01 生成模型可以完成的任務概述.mp4
    │  │      02 數據樣本生成方法.mp4
    │  │      03 訓練所需參數解讀.mp4
    │  │      04 模型訓練過程.mp4
    │  │      05 部署與網頁預測展示.mp4
    │  │      
    │  ├─03 CLIP系列
    │  │      01 CLIP系列.mp4
    │  │      
    │  ├─04 Diffusion模型解讀
    │  │      01 Diffusion模型解讀.mp4
    │  │      
    │  ├─05 Dalle2及其源碼解讀
    │  │      01 Dalle2源碼解讀.mp4
    │  │      
    │  └─06 ChatGPT
    │          01 ChatGPT.mp4
    │         
    ├─20 面向醫學領域的深度學習實戰
    │  ├─01 卷積神經網絡原理與參數解讀
    │  │      01 卷積神經網絡應用領域.mp4
    │  │      02 卷積的作用.mp4
    │  │      03 卷積特征值計算方法.mp4
    │  │      04 得到特征圖表示.mp4
    │  │      05 步長與卷積核大小對結果的影響.mp4
    │  │      06 邊緣填充方法.mp4
    │  │      07 特征圖尺寸計算與參數共享.mp4
    │  │      08 池化層的作用.mp4
    │  │      09 整體網絡架構.mp4
    │  │      10 VGG網絡架構.mp4
    │  │      11 殘差網絡Resnet.mp4
    │  │      12 感受野的作用.mp4
    │  │      
    │  ├─02 PyTorch框架基本處理操作
    │  │      01 PyTorch實戰課程簡介.mp4
    │  │      02 PyTorch框架發展趨勢簡介.mp4
    │  │      03 框架安裝方法(CPU與GPU版本).mp4
    │  │      04 PyTorch基本操作簡介.mp4
    │  │      05 自動求導機制.mp4
    │  │      06 線性回歸DEMO-數據與參數配置.mp4
    │  │      07 線性回歸DEMO-訓練回歸模型.mp4
    │  │      08 補充:常見tensor格式.mp4
    │  │      09 補充:Hub模塊簡介.mp4
    │  │      
    │  ├─03 PyTorch框架必備核心模塊解讀
    │  │      01 卷積網絡參數定義.mp4
    │  │      02 網絡流程解讀.mp4
    │  │      03 Vision模塊功能解讀.mp4
    │  │      04 分類任務數據集定義與配置.mp4
    │  │      05 圖像增強的作用.mp4
    │  │      06 數據預處理與數據增強模塊.mp4
    │  │      07 Batch數據制作.mp4
    │  │      08 遷移學習的目標.mp4
    │  │      09 遷移學習策略.mp4
    │  │      10 加載訓練好的網絡模型.mp4
    │  │      11 優化器模塊配置.mp4
    │  │      12 實現訓練模塊.mp4
    │  │      13 訓練結果與模型保存.mp4
    │  │      14 加載模型對測試數據進行預測.mp4
    │  │      15 額外補充-Resnet論文解讀.mp4
    │  │      16 額外補充-Resnet網絡架構解讀.mp4
    │  │      
    │  ├─04 基于Resnet的醫學數據集分類實戰
    │  │      01 醫學疾病數據集介紹.mp4
    │  │      02 Resnet網絡架構原理分析.mp4
    │  │      03 dataloader加載數據集.mp4
    │  │      04 Resnet網絡前向傳播.mp4
    │  │      05 殘差網絡的shortcut操作.mp4
    │  │      06 特征圖升維與降采樣操作.mp4
    │  │      07 網絡整體流程與訓練演示.mp4
    │  │      
    │  ├─05 圖像分割及其損失函數概述
    │  │      01 語義分割與實例分割概述.mp4
    │  │      02 分割任務中的目標函數定義.mp4
    │  │      03 MIOU評估標準.mp4
    │  │      
    │  ├─06 Unet系列算法講解
    │  │      01 Unet網絡編碼與解碼過程.mp4
    │  │      02 網絡計算流程.mp4
    │  │      03 Unet升級版本改進.mp4
    │  │      04 后續升級版本介紹.mp4
    │  │      
    │  ├─07 unet醫學細胞分割實戰
    │  │      01 醫學細胞數據集介紹與參數配置.mp4
    │  │      02 數據增強工具.mp4
    │  │      03 Debug模式演示網絡計算流程.mp4
    │  │      04 特征融合方法演示.mp4
    │  │      05 迭代完成整個模型計算任務.mp4
    │  │      06 模型效果驗證.mp4
    │  │      
    │  ├─08 deeplab系列算法
    │  │      01 deeplab分割算法概述.mp4
    │  │      02 空洞卷積的作用.mp4
    │  │      03 感受野的意義.mp4
    │  │      04 SPP層的作用.mp4
    │  │      05 ASPP特征融合策略.mp4
    │  │      06 deeplabV3Plus版本網絡架構.mp4
    │  │      
    │  ├─09 基于deeplabV3+版本進行VOC分割實戰
    │  │      01 PascalVoc數據集介紹.mp4
    │  │      02 項目參數與數據集讀取.mp4
    │  │      03 網絡前向傳播流程.mp4
    │  │      04 ASPP層特征融合.mp4
    │  │      05 分割模型訓練.mp4
    │  │      
    │  ├─10 基于deeplab的心臟視頻數據診斷分析
    │  │      01 數據集與任務概述.mp4
    │  │      02 項目基本配置參數.mp4
    │  │      03 任務流程解讀.mp4
    │  │      04 文獻報告分析.mp4
    │  │      05 補充:視頻數據源特征處理方法概述.mp4
    │  │      06 補充:R(2plus1)D處理方法分析.mp4
    │  │      
    │  ├─11 YOLO系列物體檢測算法原理解讀
    │  │      01 檢測任務中階段的意義.mp4
    │  │      02 不同階段算法優缺點分析.mp4
    │  │      03 IOU指標計算.mp4
    │  │      04 評估所需參數計算.mp4
    │  │      05 map指標計算.mp4
    │  │      06 YOLO算法整體思路解讀.mp4
    │  │      07 檢測算法要得到的結果.mp4
    │  │      08 整體網絡架構解讀.mp4
    │  │      09 位置損失計算.mp4
    │  │      10 置信度誤差與優缺點分析.mp4
    │  │      11 V2版本細節升級概述.mp4
    │  │      12 網絡結構特點.mp4
    │  │      13 架構細節解讀.mp4
    │  │      14 基于聚類來選擇先驗框尺寸.mp4
    │  │      15 偏移量計算方法.mp4
    │  │      16 坐標映射與還原.mp4
    │  │      17 感受野的作用.mp4
    │  │      18 特征融合改進.mp4
    │  │      19 V3版本改進概述.mp4
    │  │      20 多scale方法改進與特征融合.mp4
    │  │      21 經典變換方法對比分析.mp4
    │  │      22 殘差連接方法解讀.mp4
    │  │      23 整體網絡模型架構分析.mp4
    │  │      24 先驗框設計改進.mp4
    │  │      25 sotfmax層改進.mp4
    │  │      26 V4版本整體概述.mp4
    │  │      27 V4版本貢獻解讀.mp4
    │  │      28 數據增強策略分析.mp4
    │  │      29 DropBlock與標簽平滑方法.mp4
    │  │      30 損失函數遇到的問題.mp4
    │  │      31 CIOU損失函數定義.mp4
    │  │      32 NMS細節改進.mp4
    │  │      33 SPP與CSP網絡結構.mp4
    │  │      34 SAM注意力機制模塊.mp4
    │  │      35 PAN模塊解讀.mp4
    │  │      36 激活函數與整體架構總結.mp4
    │  │      
    │  ├─12 基于YOLO5細胞檢測實戰
    │  │      01 任務與細胞數據集介紹.mp4
    │  │      02 模型與算法配置參數解讀.mp4
    │  │      03 網絡訓練流程演示.mp4
    │  │      04 效果評估與展示.mp4
    │  │      05 細胞檢測效果演示.mp4
    │  │      
    │  ├─13 知識圖譜原理解讀
    │  │      01 知識圖譜通俗解讀.mp4
    │  │      02 知識圖譜在搜索引擎中的應用.mp4
    │  │      03 知識圖譜在醫療領域應用實例.mp4
    │  │      04 金融與推薦領域的應用.mp4
    │  │      05 數據獲取分析.mp4
    │  │      06 數據關系抽取分析.mp4
    │  │      07 常用NLP技術點分析.mp4
    │  │      08 graph-embedding的作用與效果.mp4
    │  │      09 金融領域圖編碼實例.mp4
    │  │      10 視覺領域圖編碼實例.mp4
    │  │      11 圖譜知識融合與總結分析.mp4
    │  │      
    │  ├─14 Neo4j數據庫實戰
    │  │      01 Neo4j圖數據庫介紹.mp4
    │  │      02 Neo4j數據庫安裝流程演示.mp4
    │  │      03 可視化例子演示.mp4
    │  │      04 創建與刪除操作演示.mp4
    │  │      05 數據庫更改查詢操作演示.mp4
    │  │      
    │  ├─15 基于知識圖譜的醫藥問答系統實戰
    │  │      01 項目概述與整體架構分析.mp4
    │  │      02 醫療數據介紹及其各字段含義.mp4
    │  │      03 任務流程概述.mp4
    │  │      04 環境配置與所需工具包安裝.mp4
    │  │      05 提取數據中的關鍵字段信息.mp4
    │  │      06 創建關系邊.mp4
    │  │      07 打造醫療知識圖譜模型.mp4
    │  │      08 加載所有實體數據.mp4
    │  │      09 實體關鍵詞字典制作.mp4
    │  │      10 完成對話系統構建.mp4
    │  │      
    │  ├─16 詞向量模型與RNN網絡架構
    │  │      01 詞向量模型通俗解釋.mp4
    │  │      02 模型整體框架.mp4
    │  │      03 訓練數據構建.mp4
    │  │      04 CBOW與Skip-gram模型.mp4
    │  │      05 負采樣方案.mp4
    │  │      06 額外補充-RNN網絡模型解讀.mp4
    │  │      
    │  └─17 醫學糖尿病數據命名實體識別
    │          01 數據與任務介紹.mp4
    │          02 整體模型架構.mp4
    │          03 數據-標簽-語料庫處理.mp4
    │          04 輸入樣本填充補齊.mp4
    │          05 訓練網絡模型.mp4
    │          06 醫療數據集(糖尿?。嶓w識別.mp4
    │         
    ├─21 深度學習模型部署與剪枝優化實戰
    │  ├─01 AIoT人工智能物聯網之認識 jetson nano
    │  │      01 jetson nano 硬件介紹.mp4
    │  │      02 jetson nano 刷機.mp4
    │  │      03 jetson nano 系統安裝過程.mp4
    │  │      04 感受nano的GPU算力.mp4
    │  │      05 安裝使用攝像頭csi usb.mp4
    │  │      
    │  ├─02 AIoT人工智能物聯網之AI 實戰
    │  │      01 jetson-inference 入門.mp4
    │  │      02 docker 的安裝使用.mp4
    │  │      03 docker中運行分類模型.mp4
    │  │      04 訓練自己的目標檢測模型準備.mp4
    │  │      05 訓練出自己目標識別模型a.mp4
    │  │      06 訓練出自己目標識別模型b.mp4
    │  │      07 轉換出onnx模型,并使用.mp4
    │  │      
    │  ├─03 AIoT人工智能物聯網之NVIDIA TAO 實用級的訓練神器
    │  │      01 NVIDIA TAO介紹和安裝.mp4
    │  │      02 NVIDIA TAO數據準備和環境設置.mp4
    │  │      03 NVIDIA TAO數據轉換.mp4
    │  │      04 NVIDIA TAO預訓練模型和訓練a.mp4
    │  │      05 NVIDIA TAO預訓練模型和訓練b.mp4
    │  │      06 NVIDIA TAO預訓練模型和訓練c..mp4
    │  │      07 TAO 剪枝在訓練推理驗證.mp4
    │  │      
    │  ├─04 AIoT人工智能物聯網之deepstream
    │  │      01 deepstream 介紹安裝.mp4
    │  │      02 deepstream HelloWorld.mp4
    │  │      03 GStreamer RTP和RTSP1.mp4
    │  │      04 GStreamer RTP和RTSP2.mp4
    │  │      05 python實現RTP和RTSP.mp4
    │  │      06 deepstream推理.mp4
    │  │      07 deepstream集成yolov4.mp4
    │  │      
    │  ├─05 tensorRT視頻
    │  │      01 源碼【內有百度云地址,自取】.txt
    │  │      01 說在前面.mp4
    │  │      02 學習工具環境的介紹,自動環境配置.mp4
    │  │      03 cuda驅動API,課程概述和清單.mp4
    │  │      04 cuda驅動API,初始化和檢查的理解,CUDA錯誤檢查習慣.mp4
    │  │      05 cuda驅動API,上下文管理設置,以及其作用.mp4
    │  │      06 cuda驅動API,使用驅動API進行內存分配.mp4
    │  │      07 cuda運行時API,課程概述和清單.mp4
    │  │      08 cuda運行時API,第一個運行時程序,hello-cuda.mp4
    │  │      09 cuda運行時API,內存的學習,pinnedmemory,內存效率問題.mp4
    │  │      10 cuda運行時API,流的學習,異步任務的管理.mp4
    │  │      11 cuda運行時API,核函數的定義和使用.mp4
    │  │      12 cuda運行時API,共享內存的學習.mp4
    │  │      13 cuda運行時API,使用cuda核函數加速warpaffine.mp4
    │  │      14 cuda運行時API,使用cuda核函數加速yolov5的后處理.mp4
    │  │      15 cuda運行時API,錯誤處理的理解以及錯誤的傳播特性.mp4
    │  │      16 tensorRT基礎,課程概述清單.mp4
    │  │      17 tensorRT基礎,第一個trt程序,實現模型編譯的過程.mp4
    │  │      18 tensorRT基礎,實現模型的推理過程.mp4
    │  │      19 tensorRT基礎,模型推理時動態shape的具體實現要點.mp4
    │  │      20 tensorRT基礎,onnx文件及其結構的學習,編輯修改onnx.mkv.mp4
    │  │      21 tensorRT基礎,實際模型上onnx文件的各種操作.mp4
    │  │      22 tensorRT基礎,正確導出onnx的介紹,使得onnx問題盡量少.mp4
    │  │      23 tensorRT基礎,學習使用onnx解析器來讀取onnx文件,使用onnx-tensorrt源代碼.mp4
    │  │      24 tensorRT基礎,學習從下載onnx-tensorrt到配置好并運行起來全過程.mp4
    │  │      25 tensorRT基礎,學習第一個插件的編寫.mp4
    │  │      26 tensorRT基礎,對插件過程進行封裝,并實現更容易的插件開發.mp4
    │  │      27 tensorRT基礎,學習編譯int8模型,對模型進行int8量化.mp4
    │  │      28 tensorRT高級,課程概述和清單.mp4
    │  │      29 tensorRT高級,第一個完整的分類器程序.mp4
    │  │      30 tensorRT高級,學習yolov5目標檢測項目的代碼修改、模型導出、編譯到推理過程,沒有封裝.mp4
    │  │      31 tensorRT高級,學習UNet場景分割項目的代碼修改、模型導出、編譯到推理過程,沒有封裝.mp4
    │  │      32 tensorRT高級,學習alphapose姿態檢測項目的代碼修改、模型導出、編譯到推理過程,沒有封裝.mp4
    │  │      33 tensorRT高級,學習如何處理mmdetection框架下yolox模型的導出,并使得正常推理出來.mp4
    │  │      34 tensorRT高級,學習如何使用onnxruntime進行onnx的模型推理過程.mp4
    │  │      35 tensorRT高級,學習如何使用openvino進行onnx的模型推理過程.mp4
    │  │      36 tensorRT高級,學習深度學習中涉及的線程知識.mp4
    │  │      37 tensorRT高級,學習模型部署時常用的生產者消費者模型,以及future、promise、condition_variable.mkv.mp4
    │  │      38 tensorRT高級,學習使用RAII資源獲取即初始化配合接口模式對代碼進行有效封裝.mp4
    │  │      39 tensorRT高級,學習RAII 接口模式下的生產者消費者以及多Batch的實現.mp4
    │  │      40 tensorRT高級,封裝之,模型編譯過程封裝,簡化模型編譯代碼.mp4
    │  │      41 tensorRT高級,封裝之,內存管理的封裝,內存的復用.mp4
    │  │      42 tensorRT高級,封裝之,tensor張量的封裝,索引計算,內存標記以及自動復制.mp4
    │  │      43 tensorRT高級,封裝之,infer推理的封裝,輸入輸出tensor的關聯.mp4
    │  │      44 tensorRT高級,封裝之,基于生產者消費者實現的yolov5封裝.mp4
    │  │      45 tensorRT高級,封裝之,終極封裝形態,以及考慮的問題.mp4
    │  │      46 tensorRT高級,調試方法、思想討論.mp4
    │  │      47 tensorRT高級,自動駕駛案例項目self-driving-道路分割分析.mp4
    │  │      48 tensorRT高級,自動駕駛案例項目self-driving-深度估計分析.mp4
    │  │      49 tensorRT高級,自動駕駛案例項目self-driving-車道線檢測分析.mp4
    │  │      50 tensorRT高級,學習使用pybind11為python開發擴展模塊.mp4
    │  │      
    │  ├─06 pyTorch框架部署實踐
    │  │      01 所需基本環境配置.mp4
    │  │      02 模型加載與數據預處理.mp4
    │  │      03 接收與預測模塊實現.mp4
    │  │      04 效果實例演示.mp4
    │  │      05 源碼【內有百度云地址,自取】.txt
    │  │      05 課程簡介.mp4
    │  │      
    │  ├─07 YOLO-V3物體檢測部署實例
    │  │      01 項目所需配置文件介紹.mp4
    │  │      02 加載參數與模型權重.mp4
    │  │      03 數據預處理.mp4
    │  │      04 返回線性預測結果.mp4
    │  │      
    │  ├─08 docker實例演示
    │  │      01 docker簡介.mp4
    │  │      02 docker安裝與配置.mp4
    │  │      03 阿里云鏡像配置.mp4
    │  │      04 基于docker配置pytorch環境.mp4
    │  │      05 安裝演示環境所需依賴.mp4
    │  │      06 復制所需配置到容器中.mp4
    │  │      07 上傳與下載配置好的項目.mp4
    │  │      
    │  ├─09 tensorflow-serving實戰
    │  │      01 tf-serving項目獲取與配置.mp4
    │  │      02 加載并啟動模型服務.mp4
    │  │      03 測試模型部署效果.mp4
    │  │      04 fashion數據集獲取.mp4
    │  │      05 加載fashion模型啟動服務.mp4
    │  │      
    │  ├─10 模型剪枝-Network Slimming算法分析
    │  │      01 論文算法核心框架概述.mp4
    │  │      02 BatchNorm要解決的問題.mp4
    │  │      03 BN的本質作用.mp4
    │  │      04 額外的訓練參數解讀.mp4
    │  │      05 稀疏化原理與效果.mp4
    │  │      
    │  ├─11 模型剪枝-Network Slimming實戰解讀
    │  │      01 整體案例流程解讀.mp4
    │  │      02 加入L1正則化來進行更新.mp4
    │  │      03 剪枝模塊介紹.mp4
    │  │      04 篩選需要的特征圖.mp4
    │  │      05 剪枝后模型參數賦值.mp4
    │  │      06 微調完成剪枝模型.mp4
    │  │      
    │  └─12 Mobilenet三代網絡模型架構
    │          01 模型剪枝分析.mp4
    │          02 常見剪枝方法介紹.mp4
    │          03 mobilenet簡介.mp4
    │          04 經典卷積計算量與參數量分析.mp4
    │          05 深度可分離卷積的作用與效果.mp4
    │          06 參數與計算量的比較.mp4
    │          07 V1版本效果分析.mp4
    │          08 V2版本改進以及Relu激活函數的問題.mp4
    │          09 倒殘差結構的作用.mp4
    │          10 V2整體架構與效果分析.mp4
    │          11 V3版本網絡架構分析.mp4
    │          12 SE模塊作用與效果解讀.mp4
    │          13 代碼實現mobilenetV3網絡架構.mp4
    │         
    ├─22 自然語言處理必備神器Huggingface系列實戰
    │  ├─01 Huggingface與NLP介紹解讀
    │  │      01 Huggingface與NLP介紹解讀.mp4
    │  │      
    │  ├─02 Transformer工具包基本操作實例解讀
    │  │      01 工具包與任務整體介紹.mp4
    │  │      02 NLP任務常規流程分析.mp4
    │  │      03 文本切分方法實例解讀.mp4
    │  │      04 AttentionMask配套使用方法.mp4
    │  │      05 數據集與模型.mp4
    │  │      06 數據Dataloader封裝.mp4
    │  │      07 模型訓練所需配置參數.mp4
    │  │      08 模型訓練DEMO.mp4
    │  │      
    │  ├─03 transformer原理解讀
    │  │      01 transformer原理解讀.mp4
    │  │      
    │  ├─04 BERT系列算法解讀
    │  │      01 BERT模型訓練方法解讀.mp4
    │  │      02 ALBERT基本定義.mp4
    │  │      03 ALBERT中的簡化方法解讀.mp4
    │  │      04 RoBerta模型訓練方法解讀.mp4
    │  │      05 DistilBert模型解讀.mp4
    │  │      
    │  ├─05 文本標注工具與NER實例
    │  │      01 文本標注工具Doccano配置方法.mp4
    │  │      02 命名實體識別任務標注方法實例.mp4
    │  │      03 標注導出與BIO處理.mp4
    │  │      04 標簽處理并完成對齊操作.mp4
    │  │      05 預訓練模型加載與參數配置.mp4
    │  │      06 模型訓練與輸出結果預測.mp4
    │  │      
    │  ├─06 文本預訓練模型構建實例
    │  │      01 預訓練模型效果分析.mp4
    │  │      02 文本數據截斷處理.mp4
    │  │      03 預訓練模型自定義訓練.mp4
    │  │      
    │  ├─07 GPT系列算法
    │  │      01 GPT系列算法概述.mp4
    │  │      02 GPT三代版本分析.mp4
    │  │      03 GPT初代版本要解決的問題.mp4
    │  │      04 GPT第二代版本訓練策略.mp4
    │  │      05 采樣策略與多樣性.mp4
    │  │      06 GPT3的提示與生成方法.mp4
    │  │      07 應用場景CODEX分析.mp4
    │  │      08 DEMO應用演示.mp4
    │  │      
    │  ├─08 GPT訓練與預測部署流程
    │  │      01 源碼【內有百度云地址,自取】.txt
    │  │      
    │  ├─09 文本摘要建模
    │  │      01 中文商城評價數據處理方法.mp4
    │  │      01 源碼【內有百度云地址,自取】.txt
    │  │      02 模型訓練與測試結果.mp4
    │  │      03 文本摘要數據標注方法.mp4
    │  │      04 訓練自己標注的數據并測試.mp4
    │  │      
    │  ├─10 圖譜知識抽取實戰
    │  │      01 應用場景概述分析.mp4
    │  │      02 數據標注格式樣例分析.mp4
    │  │      03 數據處理與讀取模塊.mp4
    │  │      04 實體抽取模塊分析.mp4
    │  │      05 標簽與數據結構定義方法.mp4
    │  │      06 模型構建與計算流程.mp4
    │  │      07 網絡模型前向計算方法.mp4
    │  │      08 關系抽取模型訓練.mp4
    │  │      
    │  └─11 補充Huggingface數據集制作方法實例
    │          01 數據結構分析.mp4
    │          02 Huggingface中的預處理實例.mp4
    │          03 數據處理基本流程.mp4
    │         
    ├─23 自然語言處理通用框架-BERT實戰
    │  ├─01 自然語言處理通用框架BERT原理解讀
    │  │      01 BERT課程簡介.mp4
    │  │      02 BERT任務目標概述.mp4
    │  │      03 傳統解決方案遇到的問題.mp4
    │  │      04 注意力機制的作用.mp4
    │  │      05 self-attention計算方法.mp4
    │  │      06 特征分配與softmax機制.mp4
    │  │      07 Multi-head的作用.mp4
    │  │      08 位置編碼與多層堆疊.mp4
    │  │      09 transformer整體架構梳理.mp4
    │  │      10 BERT模型訓練方法.mp4
    │  │      11 訓練實例.mp4
    │  │      
    │  ├─02 谷歌開源項目BERT源碼解讀與應用實例
    │  │      01 BERT開源項目簡介.mp4
    │  │      02 項目參數配置.mp4
    │  │      03 數據讀取模塊.mp4
    │  │      04 數據預處理模塊.mp4
    │  │      05 tfrecord數據源制作.mp4
    │  │      06 Embedding層的作用.mp4
    │  │      07 加入額外編碼特征.mp4
    │  │      08 加入位置編碼特征.mp4
    │  │      09 mask機制的作用.mp4
    │  │      10 構建QKV矩陣.mp4
    │  │      11 完成Transformer模塊構建.mp4
    │  │      12 訓練BERT模型.mp4
    │  │      
    │  ├─03 項目實戰-基于BERT的中文情感分析實戰
    │  │      01 中文分類數據與任務概述.mp4
    │  │      02 讀取處理自己的數據集.mp4
    │  │      03 訓練BERT中文分類模型.mp4
    │  │      
    │  ├─04 項目實戰-基于BERT的中文命名實體識別識別實戰
    │  │      01 命名實體識別數據分析與任務目標.mp4
    │  │      02 NER標注數據處理與讀取.mp4
    │  │      03 構建BERT與CRF模型.mp4
    │  │      
    │  ├─06 必備基礎-掌握Tensorflow如何實現word2vec模型
    │  │      01 數據與任務流程.mp4
    │  │      02 數據清洗.mp4
    │  │      03 batch數據制作.mp4
    │  │      04 網絡訓練.mp4
    │  │      05 可視化展示.mp4
    │  │      
    │  └─07 必備基礎知識點-RNN網絡架構與情感分析應用實例
    │          02 NLP應用領域與任務簡介.mp4
    │          03 項目流程解讀.mp4
    │          04 加載詞向量特征.mp4
    │          05 正負樣本數據讀取.mp4
    │          06 構建LSTM網絡模型.mp4
    │          07 訓練與測試效果.mp4
    │          08 LSTM情感分析.mp4
    │         
    ├─24 自然語言處理經典案例實戰
    │  ├─01 NLP常用工具包實戰
    │  │      01 Python字符串處理.mp4
    │  │      02 正則表達式基本語法.mp4
    │  │      03 正則常用符號.mp4
    │  │      04 常用函數介紹.mp4
    │  │      05 NLTK工具包簡介.mp4
    │  │      06 停用詞過濾.mp4
    │  │      07 詞性標注.mp4
    │  │      08 數據清洗實例.mp4
    │  │      09 Spacy工具包.mp4
    │  │      10 名字實體匹配.mp4
    │  │      11 恐怖襲擊分析.mp4
    │  │      12 統計分析結果.mp4
    │  │      13 結巴分詞器.mp4
    │  │      14 詞云展示.mp4
    │  │      
    │  ├─02 商品信息可視化與文本分析
    │  │      01 在線商城商品數據信息概述.mp4
    │  │      02 商品類別劃分方式.mp4
    │  │      03 商品類別可視化展示.mp4
    │  │      04 商品描述長度對價格的影響分析.mp4
    │  │      05 關鍵詞的詞云可視化展示.mp4
    │  │      06 基于tf-idf提取關鍵詞信息.mp4
    │  │      07 通過降維進行可視化展示.mp4
    │  │      08 聚類分析與主題模型展示.mp4
    │  │      
    │  ├─03 貝葉斯算法
    │  │      01 貝葉斯算法概述.mp4
    │  │      02 貝葉斯推導實例.mp4
    │  │      03 貝葉斯拼寫糾錯實例.mp4
    │  │      04 垃圾郵件過濾實例.mp4
    │  │      05 貝葉斯實現拼寫檢查器.mp4
    │  │      
    │  ├─04 新聞分類任務實戰
    │  │      01 文本分析與關鍵詞提取.mp4
    │  │      02 相似度計算.mp4
    │  │      03 新聞數據與任務簡介.mp4
    │  │      04 TF-IDF關鍵詞提取.mp4
    │  │      05 LDA建模.mp4
    │  │      06 基于貝葉斯算法進行新聞分類.mp4
    │  │      
    │  ├─05 HMM隱馬爾科夫模型
    │  │      01 馬爾科夫模型.mp4
    │  │      02 隱馬爾科夫模型基本出發點.mp4
    │  │      03 組成與要解決的問題.mp4
    │  │      04 暴力求解方法.mp4
    │  │      05 復雜度計算.mp4
    │  │      06 前向算法.mp4
    │  │      07 前向算法求解實例.mp4
    │  │      08 Baum-Welch算法.mp4
    │  │      09 參數求解.mp4
    │  │      10 維特比算法.mp4
    │  │      
    │  ├─06 HMM工具包實戰
    │  │      01 hmmlearn工具包.mp4
    │  │      02 工具包使用方法.mp4
    │  │      03 中文分詞任務.mp4
    │  │      04 實現中文分詞.mp4
    │  │      
    │  ├─07 語言模型
    │  │      01 開篇.mp4
    │  │      02 語言模型.mp4
    │  │      03 N-gram模型.mp4
    │  │      04 詞向量.mp4
    │  │      05 神經網絡模型.mp4
    │  │      06 Hierarchical Softmax.mp4
    │  │      07 CBOW模型實例.mp4
    │  │      08 CBOW求解目標.mp4
    │  │      09 銻度上升求解.mp4
    │  │      10 負采樣模型.mp4
    │  │      
    │  ├─08 使用Gemsim構建詞向量
    │  │      01 使用Gensim庫構造詞向量.mp4
    │  │      02 維基百科中文數據處理.mp4
    │  │      03 Gensim構造word2vec模型.mp4
    │  │      04 測試模型相似度結果.mp4
    │  │      
    │  ├─09 基于word2vec的分類任務
    │  │      01 影評情感分類.mp4
    │  │      02 基于詞袋模型訓練分類器.mp4
    │  │      03 準備word2vec輸入數據.mp4
    │  │      04 使用gensim構建word2vec詞向量(新).mp4
    │  │      
    │  ├─10 NLP-文本特征方法對比
    │  │      01 任務概述.mp4
    │  │      02 詞袋模型.mp4
    │  │      03 詞袋模型分析.mp4
    │  │      04 TFIDF模型.mp4
    │  │      05 word2vec詞向量模型.mp4
    │  │      06 深度學習模型.mp4
    │  │      
    │  ├─11 NLP-相似度模型
    │  │      01 任務概述.mp4
    │  │      02 數據展示.mp4
    │  │      03 正負樣本制作.mp4
    │  │      04 數據預處理.mp4
    │  │      05 網絡模型定義.mp4
    │  │      06 基于字符的訓練.mp4
    │  │      07 基于句子的相似度訓練.mp4
    │  │      
    │  ├─12 LSTM情感分析
    │  │      01 RNN網絡架構.mp4
    │  │      02 LSTM網絡架構.mp4
    │  │      03 案例:使用LSTM進行情感分類.mp4
    │  │      04 情感數據集處理.mp4
    │  │      05 基于word2vec的LSTM模型.mp4
    │  │      
    │  ├─13 機器人寫唐詩
    │  │      01 任務概述與環境配置.mp4
    │  │      02 參數配置.mp4
    │  │      03 數據預處理模塊.mp4
    │  │      04 batch數據制作.mp4
    │  │      05 RNN模型定義.mp4
    │  │      06 完成訓練模塊.mp4
    │  │      07 訓練唐詩生成模型.mp4
    │  │      08 測試唐詩生成效果.mp4
    │  │      
    │  └─14 對話機器人
    │          01 效果演示.mp4
    │          02 參數配置與數據加載.mp4
    │          03 數據處理.mp4
    │          04 詞向量與投影.mp4
    │          05 seq網絡.mp4
    │          06 網絡訓練.mp4
    │         
    ├─25 知識圖譜實戰系列
    │  ├─04 使用python操作neo4j實例
    │  │      01 使用Py2neo建立連接.mp4
    │  │      02 提取所需的指標信息.mp4
    │  │      03 在圖中創建實體.mp4
    │  │      04 根據給定實體創建關系.mp4
    │  │      
    │  ├─06 文本關系抽取實踐
    │  │      01 關系抽取要完成的任務演示與分析.mp4
    │  │      02 LTP工具包概述介紹.mp4
    │  │      03 pyltp安裝與流程演示.mp4
    │  │      04 得到分詞與詞性標注結果.mp4
    │  │      05 依存句法概述.mp4
    │  │      06 句法分析結果整理.mp4
    │  │      07 語義角色構建與分析.mp4
    │  │      08 設計規則完成關系抽取.mp4
    │  │      
    │  └─07 金融平臺風控模型實踐
    │          01 競賽任務目標.mp4
    │          02 圖模型信息提取.mp4
    │          03 節點權重特征提取(PageRank).mp4
    │          04 deepwalk構建圖頂點特征.mp4
    │          05 各項統計特征.mp4
    │          06 app安裝特征.mp4
    │          07 圖中聯系人特征.mp4
    │         
    ├─26 語音識別實戰系列
    │  ├─01 seq2seq序列網絡模型
    │  │      01 序列網絡模型概述分析.mp4
    │  │      02 工作原理概述.mp4
    │  │      03 注意力機制的作用.mp4
    │  │      04 加入attention的序列模型整體架構.mp4
    │  │      05 TeacherForcing的作用與訓練策略.mp4
    │  │      
    │  ├─02 LAS模型語音識別實戰
    │  │      01 數據源與環境配置.mp4
    │  │      02 語料表制作方法.mp4
    │  │      03 制作json標注數據.mp4
    │  │      04 聲音數據處理模塊解讀.mp4
    │  │      05 Pack與Pad操作解析.mp4
    │  │      06 編碼器模塊整體流程.mp4
    │  │      07 加入注意力機制.mp4
    │  │      08 計算得到每個輸出的attention得分.mp4
    │  │      09 解碼器與訓練過程演示.mp4
    │  │      
    │  ├─05 語音分離ConvTasnet模型
    │  │      01 語音分離任務分析.mp4
    │  │      02 經典語音分離模型概述.mp4
    │  │      03 DeepClustering論文解讀.mp4
    │  │      04 TasNet編碼器結構分析.mp4
    │  │      05 DW卷積的作用與效果.mp4
    │  │      06 基于Mask得到分離結果.mp4
    │  │      
    │  ├─06 ConvTasnet語音分離實戰
    │  │      01 數據準備與環境配置.mp4
    │  │      02 訓練任務所需參數介紹.mp4
    │  │      03 DataLoader定義.mp4
    │  │      04 采樣數據特征編碼.mp4
    │  │      05 編碼器特征提取.mp4
    │  │      06 構建更大的感受區域.mp4
    │  │      07 解碼得到分離后的語音.mp4
    │  │      08 測試模塊所需參數.mp4
    │  │      
    │  └─07 語音合成tacotron最新版實戰
    │          01 語音合成項目所需環境配置.mp4
    │          02 所需數據集介紹.mp4
    │          03 路徑配置與整體流程解讀.mp4
    │          04 Dataloader構建數據與標簽.mp4
    │          05 編碼層要完成的任務.mp4
    │          06 得到編碼特征向量.mp4
    │          07 解碼器輸入準備.mp4
    │          08 解碼器流程梳理.mp4
    │          09 注意力機制應用方法.mp4
    │          10 得到加權的編碼向量.mp4
    │          11 模型輸出結果.mp4
    │          12 損失函數與預測.mp4
    │         
    ├─27 推薦系統實戰系列
    │  ├─01 推薦系統介紹及其應用
    │  │      01 1-推薦系統通俗解讀.mp4
    │  │      02 2-推薦系統發展簡介.mp4
    │  │      03 3-應用領域與多方位評估指標.mp4
    │  │      04 4-任務流程與挑戰概述.mp4
    │  │      05 5-常用技術點分析.mp4
    │  │      06 6-與深度學習的結合.mp4
    │  │      
    │  ├─02 協同過濾與矩陣分解
    │  │      01 1-協同過濾與矩陣分解簡介.mp4
    │  │      02 2-基于用戶與商品的協同過濾.mp4
    │  │      03 3-相似度計算與推薦實例.mp4
    │  │      04 4-矩陣分解的目的與效果.mp4
    │  │      05 5-矩陣分解中的隱向量.mp4
    │  │      06 6-目標函數簡介.mp4
    │  │      07 7-隱式情況分析.mp4
    │  │      08 8-Embedding的作用.mp4
    │  │      
    │  ├─03 音樂推薦系統實戰
    │  │      01 1-音樂推薦任務概述.mp4
    │  │      02 2-數據集整合.mp4
    │  │      03 3-基于物品的協同過濾.mp4
    │  │      04 4-物品相似度計算與推薦.mp4
    │  │      05 5-SVD矩陣分解.mp4
    │  │      06 6-基于矩陣分解的音樂推薦.mp4
    │  │      
    │  ├─05 基于知識圖譜的電影推薦實戰
    │  │      01 1-知識圖譜推薦系統效果演示.mp4
    │  │      02 2-kaggle電影數據集下載與配置.mp4
    │  │      03 3-圖譜需求與任務流程解讀.mp4
    │  │      04 4-項目所需環境配置安裝.mp4
    │  │      05 5-構建用戶電影知識圖譜.mp4
    │  │      06 6-圖譜查詢與匹配操作.mp4
    │  │      07 7-相似度計算與推薦引擎構建.mp4
    │  │      
    │  ├─06 點擊率估計FM與DeepFM算法
    │  │      01 1-CTR估計及其經典方法概述.mp4
    │  │      02 2-高維特征帶來的問題.mp4
    │  │      03 3-二項式特征的作用與挑戰.mp4
    │  │      04 4-二階公式推導與化簡.mp4
    │  │      05 5-FM算法解析.mp4
    │  │      06 6-DeepFm整體架構解讀.mp4
    │  │      07 7-輸入層所需數據樣例.mp4
    │  │      08 8-Embedding層的作用與總結.mp4
    │  │      
    │  ├─07 DeepFM算法實戰
    │  │      01 1-數據集介紹與環境配置.mp4
    │  │      02 2-廣告點擊數據預處理實例.mp4
    │  │      03 3-數據處理模塊Embedding層.mp4
    │  │      04 4-Index與Value數據制作.mp4
    │  │      05 5-一階權重參數設計.mp4
    │  │      06 6-二階特征構建方法.mp4
    │  │      07 7-特征組合方法實例分析.mp4
    │  │      08 8-完成FM模塊計算.mp4
    │  │      09 9-DNN模塊與訓練過程.mp4
    │  │      
    │  ├─08 推薦系統常用工具包演示
    │  │      01 1-環境配置與數據集介紹.mp4
    │  │      02 2-電影數據集預處理分析.mp4
    │  │      03 3-surprise工具包基本使用.mp4
    │  │      04 4-模型測試集結果.mp4
    │  │      05 5-評估指標概述.mp4
    │  │      
    │  ├─09 基于文本數據的推薦實例
    │  │      01 1-數據與環境配置介紹.mp4
    │  │      02 2-數據科學相關數據介紹.mp4
    │  │      03 3-文本數據預處理.mp4
    │  │      04 4-TFIDF構建特征矩陣.mp4
    │  │      05 5-矩陣分解演示.mp4
    │  │      06 6-LDA主題模型效果演示.mp4
    │  │      07 7-推薦結果分析.mp4
    │  │      
    │  ├─10 基本統計分析的電影推薦
    │  │      01 1-電影數據與環境配置.mp4
    │  │      02 2-數據與關鍵詞信息展示.mp4
    │  │      03 3-關鍵詞云與直方圖展示.mp4
    │  │      04 4-特征可視化.mp4
    │  │      05 5-數據清洗概述.mp4
    │  │      06 6-缺失值填充方法.mp4
    │  │      07 7-推薦引擎構造.mp4
    │  │      08 8-數據特征構造.mp4
    │  │      09 9-得出推薦結果.mp4
    │  │      
    │  └─11 補充-基于相似度的酒店推薦系統
    │          01 1-酒店數據與任務介紹.mp4
    │          02 2-文本詞頻統計.mp4
    │          03 3-ngram結果可視化展示.mp4
    │          04 4-文本清洗.mp4
    │          05 5-相似度計算.mp4
    │          06 6-得出推薦結果.mp4
    │         
    ├─28 AI課程所需安裝軟件教程
    │  └─01 AI課程所需安裝軟件教程
    │          01 AI課程所需安裝軟件教程.mp4
    │         
    ├─29 額外補充
    │   └─01 通用創新點
    │           01 ACMIX(卷積與注意力融合).mp4
    │           02 GCnet(全局特征融合).mp4
    │           03 Coordinate_attention.mp4
    │           04 SPD(可替換下采樣).mp4
    │           05 SPP改進.mp4
    │           06 mobileOne(加速).mp4
    │           07 Deformable(替換selfAttention).mp4
    │           08 ProbAttention(采樣策略).mp4
    │           09 CrossAttention融合特征.mp4
    │           10 Attention額外加入先驗知識.mp4
    │           11 結合GNN構建局部特征.mp4
    │           12 損失函數約束項.mp4
    │           13 自適應可學習參數.mp4
    │           14 Coarse2Fine大框架.mp4
    │           15 只能機器學習模型時湊工作量(特征工程).mp4
    │           16 自己數據集如何發的好(要開源).mp4
    │           17 可變形卷積加入方法.mp4
    │           18 在源碼中加入各種注意力機制方法.mp4
    └─資料.zip

     

     

    欧美精品18videosex性欧美,老师的粉嫩小又紧水又多,久久国产高潮流白浆免费观看,国产睡熟迷奷系列网站
    <td id="6000o"><rt id="6000o"></rt></td>
  • <sup id="6000o"><button id="6000o"></button></sup>
  • <optgroup id="6000o"></optgroup>
  • <strong id="6000o"></strong>