rk0224-mksz-440 - PyTorch入门到进阶 实战计算机视觉与自然语言处理项目[完结]
——/mksz-440 - PyTorch入门到进阶 实战计算机视觉与自然语言处理项目/
├──第10章 循环神经网与NLP基础串讲
| ├──10-1 RNN网络基础.mp412.89M
| ├──10-2 RNN常见网络结构-simple RNN网络.mp417.49M
| ├──10-3 Bi-RNN网络.mp47.69M
| ├──10-4 LSTM网络基础.mp423.72M
| ├──10-5 Attention结构.mp420.69M
| ├──10-6 Transformer结构.mp420.38M
| ├──10-7 BERT结构.mp412.48M
| └──10-8 NLP基础概念介绍.mp423.46M
├──第11章 PyTorch实战中文文本情感分类问题
| ├──11-1 文本情感分析-情感分类概念介绍.mp417.18M
| ├──11-10 文本情感分类-test脚本定义.mp426.02M
| ├──11-2 文本情感分类关键流程介绍.mp43.31M
| ├──11-3 文本情感分类之文本预处理.mp413.91M
| ├──11-4 文本情感分类之特征提取与文本表示.mp411.76M
| ├──11-5 文本情感分类之深度学习模型.mp414.25M
| ├──11-6 文本情感分类-数据准备.mp474.54M
| ├──11-7 文本情感分类-dataset类定义.mp450.56M
| ├──11-8 文本情感分类-model类定义.mp451.43M
| └──11-9 文本情感分类-train脚本定义.mp472.39M
├──第12章 PyTorch实战机器翻译问题
| ├──12-1 机器翻译相关方法-应用场景-评价方法.mp430.39M
| ├──12-2 Seq2Seq-Attention编程实例数据准备-模型结构-相关函数.mp411.69M
| ├──12-3 Seq2Seq-Attention编程实例-定义数据处理模块.mp472.90M
| ├──12-4 Seq2Seq-Attention编程实例-定义模型结构模块（上）.mp457.52M
| ├──12-5 Seq2Seq-Attention编程实例-定义模型结构模块（下）.mp463.65M
| ├──12-6 Seq2Seq-Attention编程实例-定义train模块（上）.mp445.25M
| ├──12-7 Seq2Seq-Attention编程实例-定义train模块（下）.mp443.63M
| ├──12-8 Seq2Seq-Attention编程实例-定义train模块-loss function.mp474.12M
| └──12-9 Seq2Seq-Attention编程实例-定义eval模块.mp435.08M
├──第13章 PyTorch工程应用介绍
| ├──13-1 PyTorch模型开发与部署基础平台介绍.mp414.04M
| ├──13-2 PyTorch工程化基础--Torchscript.mp413.98M
| ├──13-3 PyTorch服务端发布平台--Torchserver.mp413.25M
| └──13-4 PyTorch终端推理基础--ONNX.mp49.61M
├──第14章 【选修】Linux操作基础串讲
| └──14-1 linux操作基础串讲.mp438.90M
├──第15章 课程总结与回顾
| └──15-1 课程总结.mp420.01M
├──第1章 课程介绍-选择Pytorch的理由
| └──1-1 课程导学~1.mp423.04M
├──第2章 初识PyTorch框架与环境搭建
| ├──2-1 初识Pytorch基本框架.mp420.67M
| ├──2-2 环境配置（1）.mp417.15M
| └──2-3 环境配置（2）.mp448.07M
├──第3章 PyTorch入门基础串讲
| ├──3-1 机器学习中的分类与回归问题-机器学习基本构成元素.mp418.15M
| ├──3-10 取整-余.mp412.14M
| ├──3-11 比较运算-排序-topk-kthvalue-数据合法性校验.mp469.27M
| ├──3-12 三角函数.mp411.69M
| ├──3-13 其他数学函数.mp49.45M
| ├──3-14 Pytorch与统计学方法.mp439.82M
| ├──3-15 Pytorch与分布函数.mp49.43M
| ├──3-16 Pytorch与随机抽样.mp411.47M
| ├──3-17 Pytorch与线性代数运算.mp429.58M
| ├──3-18 Pytorch与矩阵分解-PCA.mp436.03M
| ├──3-19 Pytorch与矩阵分解-SVD分解-LDA.mp421.59M
| ├──3-2 Tensor的基本定义.mp49.96M
| ├──3-20 Pytorch与张量裁剪.mp417.04M
| ├──3-21 Pytorch与张量的索引与数据筛选.mp479.68M
| ├──3-22 Pytorch与张量组合与拼接.mp431.62M
| ├──3-23 Pytorch与张量切片.mp426.42M
| ├──3-24 Pytorch与张量变形.mp452.72M
| ├──3-25 Pytorch与张量填充.mp46.57M
| ├──3-26 Pytorch与傅里叶变换.mp41.62M
| ├──3-27 Pytorch简单编程技巧.mp429.54M
| ├──3-28 Pytorch与autograd-导数-方向导数-偏导数-梯度的概念.mp414.55M
| ├──3-29 Pytorch与autograd-梯度与机器学习最优解.mp422.28M
| ├──3-3 Tensor与机器学习的关系.mp411.08M
| ├──3-30 Pytorch与autograd-Variable$tensor.mp43.98M
| ├──3-31 Pytorch与autograd-如何计算梯度.mp44.54M
| ├──3-32 Pytorch与autograd中的几个重要概念-variable-grad-grad_fn.mp416.66M
| ├──3-33 Pytorch与autograd中的几个重要概念-function.mp424.80M
| ├──3-34 Pytorch与nn库.mp434.55M
| ├──3-35 Pytorch与visdom.mp49.24M
| ├──3-36 Pytorch与tensorboardX.mp412.51M
| ├──3-37 Pytorch与torchvision.mp45.80M
| ├──3-4 Tensor创建编程实例.mp450.84M
| ├──3-5 Tensor的属性.mp411.42M
| ├──3-6 Tensor的属性-稀疏的张量的编程实践.mp421.74M
| ├──3-7 Tensor的算术运算.mp413.40M
| ├──3-8 Tensor的算术运算编程实例.mp462.38M
| └──3-9 in-place的概念和广播机制.mp422.93M
├──第4章 PyTorch搭建简单神经网络
| ├──4-1 机器学习和神经网络的基本概念（1）.mp444.91M
| ├──4-2 机器学习和神经网络的基本概念（2）.mp432.09M
| ├──4-3 利用神经网络解决分类和回归问题（1）.mp442.28M
| ├──4-4 利用神经网络解决分类和回归问题（2）.mp489.39M
| ├──4-5 利用神经网络解决分类和回归问题（3）.mp441.21M
| ├──4-6 利用神经网络解决分类和回归问题（4）.mp446.09M
| └──4-7 利用神经网络解决分类和回归问题（5）.mp463.97M
├──第5章 计算机视觉与卷积神经网络基础串讲
| ├──5-1 计算机视觉基本概念.mp449.29M
| ├──5-10 多分支网络结构.mp47.02M
| ├──5-11 attention的网络结构.mp418.81M
| ├──5-12 学习率.mp48.35M
| ├──5-13 优化器.mp413.20M
| ├──5-14 卷积神经网添加正则化.mp45.31M
| ├──5-2 图像处理常见概念.mp453.79M
| ├──5-3 特征工程.mp425.39M
| ├──5-4 卷积神经网（上）.mp427.84M
| ├──5-5 卷积神经网（下）.mp425.61M
| ├──5-6 pooling层.mp49.29M
| ├──5-7 激活层-BN层-FC层-损失层.mp421.94M
| ├──5-8 经典卷积神经网络结构.mp420.81M
| └──5-9 轻量型网络结构.mp416.96M
├──第6章 PyTorch实战计算机视觉任务-Cifar10图像分类
| ├──1-1 图像分类网络模型框架解读（上）.mp423.37M
| ├──1-10 PyTorch搭建cifar10训练脚本搭建-ResNet结构（下）.mp448.56M
| ├──1-11 PyTorch搭建cifar10训练脚本搭建-Mobilenetv1结构.mp446.48M
| ├──1-12 PyTorch搭建cifar10训练脚本搭建-Inception结构（上）.mp445.09M
| ├──1-13 PyTorch搭建cifar10训练脚本搭建-Inception结构（下）.mp430.66M
| ├──1-14 PyTorch搭建cifar10训练脚本搭建-调用Pytorch标准网络ResNet18等.mp421.88M
| ├──1-15 PyTorch搭建cifar10推理测试脚本搭建.mp432.69M
| ├──1-16 分类问题优化思路.mp438.10M
| ├──1-17 分类问题最新研究进展和方向.mp413.53M
| ├──1-2 图像分类网络模型框架解读（下）.mp431.62M
| ├──1-3 cifar10数据介绍-读取-处理（上）.mp443.00M
| ├──1-4 cifar10数据介绍-读取-处理（下）.mp447.31M
| ├──1-5 PyTorch自定义数据加载-加载Cifar10数据.mp455.01M
| ├──1-6 PyTorch搭建 VGGNet 实现Cifar10图像分类.mp455.49M
| ├──1-7 PyTorch搭建cifar10训练脚本-tensorboard记录LOG（上）.mp462.78M
| ├──1-8 PyTorch搭建cifar10训练脚本-tensorboard记录LOG（下）.mp4124.29M
| └──1-9 PyTorch搭建cifar10训练脚本搭建-ResNet结构（上）.mp461.84M
├──第7章 Pytorch实战计算机视觉任务-Pascal VOC目标检测问题
| ├──7-1 目标检测问题介绍（上）.mp430.42M
| ├──7-10 MMdetection LOG分析.mp463.82M
| ├──7-2 目标检测问题介绍（下）.mp430.79M
| ├──7-3 Pascal VOC-COCO数据集介绍.mp410.38M
| ├──7-4 MMdetection框架介绍-安装说明.mp433.21M
| ├──7-5 MMdetection框架使用说明.mp423.76M
| ├──7-6 MMdetection训练Passcal VOC目标检测任务（上）.mp4108.66M
| ├──7-7 MMdetection训练Passcal VOC目标检测任务（中）.mp498.56M
| ├──7-8 MMdetection训练Passcal VOC目标检测任务（下）.mp4103.14M
| └──7-9 MMdetection Test脚本.mp421.62M
├──第8章 PyTorch实战计算机视觉任务-COCO目标分割问题
| ├──8-1 图像分割基本概念.mp421.24M
| ├──8-2 图像分割方法介绍.mp438.13M
| ├──8-3 图像分割评价指标及目前面临的挑战.mp417.20M
| ├──8-4 COCO数据集介绍.mp48.68M
| ├──8-5 detectron框架介绍和使用简单说明.mp418.73M
| ├──8-6 coco数据集标注文件解析.mp434.31M
| └──8-7 detectron源码解读和模型训练-demo测试.mp4284.33M
├──第9章 PyTorch搭建GAN网络实战图像风格迁移
| ├──9-1 GAN的基础概念和典型模型介绍（上）.mp427.11M
| ├──9-2 GAN的基础概念和典型模型介绍（下）.mp434.11M
| ├──9-3 图像风格转换数据下载与自定义dataset类.mp448.81M
| ├──9-4 cycleGAN模型搭建-model.mp462.16M
| ├──9-5 cycleGAN模型搭建-train（上）.mp478.07M
| ├──9-6 cycleGAN模型搭建-train（下）.mp4111.30M
| └──9-7 cycleGAN模型搭建-test.mp427.07M
└──新资料
| ├──detectron2-master_一手资源微信535950311.zip1.71M
| ├──mmdetection-master_一手资源微信535950311.zip5.54M
| └──Pytorch_code-master_一手资源微信535950311.zip20.39M
Good! 要耗费好多金币。 强烈支持楼主ing… 强烈支持楼主ing… 强烈支持楼主ing… 强烈支持楼主ing…… 11111111111111111111111 666666666 66666666666666666666666