GP-人工智能深度学习系统班（14期）
——/人工智能深度学习系统班（14期）/
├──01-【直播课】直播回放
| ├──1.开班典礼：如何学好人工智能学科.mp4765.16M
| ├──2.神经网络.mp41.17G
| ├──3.卷积神经网络.mp41.22G
| └──4.transformer解读.mp4999.13M
├──02-【基础模块】Al课程所需安装软件教程
| ├──1.AI课程所需安装软件教程.mp416.18M
| ├──2.Python环境安装和搭建.mp448.10M
| ├──3.Anaconda基础讲解和使用的教程.mp444.39M
| ├──4.PyTorch框架与其他框架区别分析.mp439.26M
| └──5.CPU与GPU版本安装方法解读.mp458.20M
├──03-【基础模块】深度学习基础与框架
| ├──1.神经网络结构
| | └──神经网络结构.mp4447.17M
| ├──2.PyTorch框架必备核心模块解读
| | ├──1-PyTorch实战课程简介.mp422.99M
| | ├──2-PyTorch框架发展趋势简介.mp426.60M
| | ├──3-框架安装方法（CPU与GPU版本）.mp413.24M
| | ├──4-PyTorch基本操作简介.mp428.01M
| | ├──5-自动求导机制.mp433.40M
| | ├──6-线性回归DEMO-数据与参数配置.mp422.66M
| | ├──7-线性回归DEMO-训练回归模型.mp439.44M
| | ├──8-补充：常见tensor格式.mp419.62M
| | └──9-补充：Hub模块简介.mp453.14M
| ├──3.神经网络分类任务
| | ├──1-数据集与任务概述.mp431.67M
| | ├──2-基本模块应用测试.mp432.55M
| | ├──3-网络结构定义方法.mp439.51M
| | ├──4-数据源定义简介.mp427.19M
| | ├──5-损失与训练模块分析.mp430.93M
| | ├──6-训练一个基本的分类模型.mp433.85M
| | └──7-参数对结果的影响.mp440.80M
| ├──4.神经网络回归：气温预测
| | └──神经网络回归任务-气温预测.mp4136.41M
| └──5.Pycharm环境配置与Debug演示
| | └──Pycharm环境配置与Debug演示(没用过的同学必看).mp4125.39M
├──04-【基础模块】深度学习核心算法与实践
| ├──1.卷积神经网络深度解析
| | └──卷积神经网络.mp41.33G
| ├──2.卷积网络参数分析与优化
| | ├──1-输入特征通道分析.mp428.28M
| | ├──2-卷积网络参数解读.mp420.91M
| | └──3-卷积网络模型训练.mp437.94M
| ├──3.ResNet模型及其应用
| | ├──1-医学疾病数据集介绍.mp418.87M
| | ├──2-Resnet网络架构原理分析.mp424.84M
| | ├──3-dataloader加载数据集.mp464.82M
| | ├──4-Resnet网络前向传播.mp435.84M
| | ├──5-残差网络的shortcut操作.mp447.37M
| | ├──6-特征图升维与降采样操作.mp426.91M
| | └──7-网络整体流程与训练演示.mp467.49M
| ├──4.图像识别模型与训练策略（重点）
| | ├──1-任务分析与图像数据基本处理.mp427.24M
| | ├──10-测试结果演示分析.mp486.64M
| | ├──2-数据增强模块.mp426.96M
| | ├──3-数据集与模型选择.mp428.64M
| | ├──4-迁移学习方法解读.mp430.59M
| | ├──5-输出层与梯度设置.mp436.50M
| | ├──6-输出类别个数修改.mp431.91M
| | ├──7-优化器与学习率衰减.mp432.95M
| | ├──8-模型训练方法.mp435.68M
| | └──9-重新训练全部模型.mp432.51M
| ├──5.DataLoader自定义数据集制作
| | ├──1-Dataloader要完成的任务分析.mp424.34M
| | ├──2-图像数据与标签路径处理.mp430.10M
| | ├──3-Dataloader中需要实现的方法分析.mp432.94M
| | └──4-实用Dataloader加载数据并训练模型.mp438.41M
| ├──6.RNN网络架构
| | └──RNN网络架构.mp429.37M
| ├──7.LSTM网络架构
| | └──LSTM网络架构.mp417.87M
| ├──8.LSTM文本分类
| | ├──1-数据集与任务目标分析.mp452.81M
| | ├──2-文本数据处理基本流程分析.mp455.97M
| | ├──3-命令行参数与DEBUG.mp436.52M
| | ├──4-训练模型所需基本配置参数分析.mp440.92M
| | ├──5-预料表与字符切分.mp431.98M
| | ├──6-字符预处理转换ID.mp434.37M
| | ├──7-LSTM网络结构基本定义.mp434.73M
| | ├──8-网络模型预测结果输出.mp439.11M
| | └──9-模型训练任务与总结.mp445.16M
| └──9.Transformer基础
| | ├──1-Transformer.mp4557.23M
| | ├──2-transformer-VIT源码解读.mp41.28G
| | └──3-GITHUB开源项目使用方法.mp4407.21M
├──05-【方向A：CV方向】图像处理基础
| ├──1.课程介绍与环境配置
| | ├──1-课程简介.mp45.37M
| | ├──2-Python与Opencv配置安装.mp423.89M
| | └──3-Notebook与IDE环境.mp453.16M
| ├──10.OpenCV项目实战-停车场车位识别
| | ├──1-任务整体流程.mp471.42M
| | ├──2-所需数据介绍.mp434.33M
| | ├──3-图像数据预处理.mp456.78M
| | ├──4-车位直线检测.mp461.48M
| | ├──5-按列划分区域.mp454.71M
| | ├──6-车位区域划分.mp457.37M
| | ├──7-识别模型构建.mp441.21M
| | └──8-基于视频的车位检测.mp4135.64M
| ├──11.OpenCV项目实战-答题卡识别判卷
| | ├──1-整体流程与效果概述.mp429.52M
| | ├──2-预处理操作.mp424.10M
| | ├──3-填涂轮廓检测.mp425.69M
| | └──4-选项判断识别.mp457.16M
| ├──12.OpenCV项目实战-目标追踪
| | ├──1-目标追踪概述.mp449.79M
| | ├──2-多目标追踪实战.mp434.65M
| | ├──3-深度学习检测框架加载.mp443.66M
| | ├──4-基于dlib与ssd的追踪.mp473.07M
| | ├──5-多进程目标追踪.mp425.74M
| | └──6-多进程效率提升对比.mp478.16M
| ├──13.OpenCV项目实战-疲劳检测
| | ├──1-关键点定位概述.mp428.48M
| | ├──2-获取人脸关键点.mp436.10M
| | ├──3-定位效果演示.mp445.46M
| | ├──4-闭眼检测.mp471.10M
| | └──5-检测效果.mp440.63M
| ├──2.OpenCV图像常⽤处理⽅法实例
| | ├──1-计算机眼中的图像.mp421.39M
| | ├──10-膨胀操作.mp412.26M
| | ├──11-开运算与闭运算.mp49.33M
| | ├──12-梯度计算.mp47.86M
| | ├──13-礼帽与黑帽.mp415.89M
| | ├──2-视频的读取与处理.mp423.99M
| | ├──3-ROI区域.mp410.13M
| | ├──4-边界填充.mp415.70M
| | ├──5-数值计算.mp423.48M
| | ├──6-图像阈值.mp430.88M
| | ├──7-图像平滑处理.mp424.79M
| | ├──8-高斯与中值滤波.mp420.63M
| | └──9-腐蚀操作.mp421.02M
| ├──3.OpenCV梯度计算与边缘检测实例
| | ├──1-Canny边缘检测流程.mp418.99M
| | ├──2-非极大值抑制.mp418.34M
| | ├──3-边缘检测效果.mp436.66M
| | ├──4-Sobel算子.mp427.04M
| | ├──5-梯度计算方法.mp430.32M
| | └──6-scharr与lapkacian算子.mp427.41M
| ├──4.OpenCV轮廓检测与直⽅图
| | ├──1-图像金字塔定义.mp419.70M
| | ├──10-均衡化效果.mp427.24M
| | ├──11-傅里叶概述.mp422.29M
| | ├──12-频域变换结果.mp417.35M
| | ├──13-低通与高通滤波.mp421.42M
| | ├──2-金字塔制作方法.mp425.50M
| | ├──3-轮廓检测方法.mp419.39M
| | ├──4-轮廓检测结果.mp434.46M
| | ├──5-轮廓特征与近似.mp437.67M
| | ├──6-模板匹配方法.mp447.49M
| | ├──7-匹配效果展示.mp421.22M
| | ├──8-直方图定义.mp423.66M
| | └──9-均衡化原理.mp431.39M
| ├──5.OpenCV角点检测
| | ├──1-角点检测基本原理.mp415.55M
| | ├──2-基本数学原理.mp430.61M
| | ├──3-求解化简.mp431.83M
| | ├──4-特征归属划分.mp443.27M
| | └──5-opencv角点检测效果.mp431.06M
| ├──6.OpenCV尺度空间
| | ├──1-尺度空间定义.mp420.06M
| | ├──2-高斯差分金字塔.mp421.70M
| | ├──3-特征关键点定位.mp448.20M
| | ├──4-生成特征描述.mp424.68M
| | ├──5-特征向量生成.mp443.77M
| | └──6-opencv中sift函数使用.mp428.83M
| ├──7.OpenCV高级图像处理技术
| | ├──1-特征匹配方法.mp428.59M
| | ├──10-Lucas-Kanade算法.mp419.70M
| | ├──11-推导求解.mp425.97M
| | ├──12-光流估计实战.mp464.27M
| | ├──13-dnn模块.mp428.62M
| | ├──14-模型加载结果输出.mp440.53M
| | ├──2-RANSAC算法.mp434.53M
| | ├──3-图像拼接方法.mp444.96M
| | ├──4-流程解读.mp421.67M
| | ├──5-背景消除-帧差法.mp420.82M
| | ├──6-混合高斯模型.mp426.41M
| | ├──7-学习步骤.mp431.78M
| | ├──8-背景建模实战.mp451.19M
| | └──9-基本概念.mp420.23M
| ├──8.OpenCV项目实战-信用卡数字识别
| | ├──1-总体流程与方法讲解.mp420.65M
| | ├──2-环境配置与预处理.mp434.88M
| | ├──3-模板处理方法.mp423.71M
| | ├──4-输入数据处理方法.mp428.92M
| | └──5-模板匹配得出识别结果.mp447.76M
| └──9.OpenCV项目实战-文档扫描OCR识别
| | ├──1-整体流程演示.mp421.52M
| | ├──2-文档轮廓提取.mp427.84M
| | ├──3-原始与变换坐标计算.mp426.26M
| | ├──4-透视变换结果.mp432.90M
| | ├──5-tesseract-ocr安装配置.mp441.26M
| | └──6-文档扫描识别效果.mp428.88M
├──06-【方向A：CV方向】目标检测算法
| ├──1.物体检测评估指标
| | └──物体检测评估指标.mp484.11M
| ├──10.YOLOv7检测算法深度解析
| | ├──1-YOLO系列（V7）算法解读.mp4259.63M
| | ├──10-得到偏移点所在网格位置.mp442.85M
| | ├──11-完成BuildTargets模块.mp451.40M
| | ├──12-候选框筛选流程分析.mp431.75M
| | ├──13-预测值各项指标获取与调整.mp447.03M
| | ├──14-GT匹配正样本数量计算.mp442.07M
| | ├──15-通过IOU与置信度分配正样本.mp460.44M
| | ├──16-损失函数计算方法.mp446.08M
| | ├──17-辅助头AUX网络结构配置文件解析.mp431.05M
| | ├──18-辅助头损失函数调整.mp439.28M
| | ├──19-BN与卷积权重参数融合方法.mp453.77M
| | ├──2-命令行参数介绍.mp425.02M
| | ├──20-重参数化多分支合并加速.mp443.19M
| | ├──3-基本参数作用.mp440.80M
| | ├──4-EMA等训练技巧解读.mp449.31M
| | ├──5-网络结构配置文件解读.mp436.94M
| | ├──6-各模块操作细节分析.mp449.07M
| | ├──7-输出层与配置文件其他模块解读.mp460.88M
| | ├──8-标签分配策略准备操作.mp434.72M
| | └──9-候选框偏移方法与find3p模块解读.mp433.70M
| ├──11.YOLOv8检测算法深度解析
| | └──YOLO V8.mp4250.98M
| ├──12.YOLOv9检测算法深度解析
| | └──YOLO V9.mp41.42G
| ├──13.YOLO-World 检测算法
| | └──YOLO-World.mp41.55G
| ├──14.YOLOv12与YOLOv13最新检测算法
| | └──YOLO V12与YOLO V13.mp41.48G
| ├──2.YOLO系列大串讲(可刷这个快速过)
| | └──YOLO系列大串讲(可刷这个快速过).mp4955.55M
| ├──3.经典物体检测算法
| | ├──1-半监督物体检测.mp4362.59M
| | ├──2-EfficientNet网络模型.mp4538.91M
| | └──3-EfficientDet检测算法.mp4448.01M
| ├──4.YOLOv1检测算法深度解析
| | ├──1-YOLO算法整体思路解读.mp414.68M
| | ├──2-检测算法要得到的结果.mp413.65M
| | ├──3-整体网络架构解读.mp430.71M
| | ├──4-位置损失计算.mp419.00M
| | └──5-置信度误差与优缺点分析.mp426.90M
| ├──5.YOLOv2检测算法深度解析
| | ├──1-V2版本细节升级概述.mp413.38M
| | ├──2-网络结构特点.mp415.72M
| | ├──3-架构细节解读.mp418.94M
| | ├──4-基于聚类来选择先验框尺寸.mp424.27M
| | ├──5-偏移量计算方法.mp427.58M
| | ├──6-坐标映射与还原.mp410.09M
| | ├──7-感受野的作用.mp428.15M
| | └──8-特征融合改进.mp419.23M
| ├──6.YOLOv3检测算法深度解析
| | ├──1-V3版本改进概述.mp418.30M
| | ├──10-COCO图像数据读取与处理.mp442.54M
| | ├──11-标签文件读取与处理.mp427.50M
| | ├──12-debug模式介绍.mp427.27M
| | ├──13-基于配置文件构建网络模型.mp442.07M
| | ├──14-路由层与shortcut层的作用.mp433.75M
| | ├──15-YOLO层定义解析.mp461.12M
| | ├──16-预测结果计算.mp446.04M
| | ├──17-网格偏移计算.mp433.95M
| | ├──18-模型要计算的损失概述.mp423.16M
| | ├──19-标签值格式修改.mp428.29M
| | ├──2-多scale方法改进与特征融合.mp417.10M
| | ├──20-坐标相对位置计算.mp432.83M
| | ├──21-完成所有损失函数所需计算指标.mp435.35M
| | ├──22-模型训练与总结.mp472.96M
| | ├──23-预测效果展示.mp434.53M
| | ├──3-经典变换方法对比分析.mp410.85M
| | ├──4-残差连接方法解读.mp418.67M
| | ├──5-整体网络模型架构分析.mp412.95M
| | ├──6-先验框设计改进.mp413.06M
| | ├──7-sotfmax层改进.mp410.62M
| | ├──8-数据与环境配置.mp465.57M
| | └──9-训练参数设置.mp423.87M
| ├──7.YOLO模型数据标注与训练
| | ├──1-Labelme工具安装.mp414.30M
| | ├──2-数据信息标注.mp432.11M
| | ├──3-完成标签制作.mp431.77M
| | ├──4-生成模型所需配置文件.mp436.74M
| | ├──5-json格式转换成yolo-v3所需输入.mp420.98M
| | ├──6-完成输入数据准备工作.mp440.13M
| | ├──7-训练代码与参数配置更改.mp444.33M
| | └──8-训练模型并测试效果.mp438.52M
| ├──8.YOLOv4版本算法解读
| | ├──1-V4版本整体概述.mp415.08M
| | ├──10-PAN模块解读.mp420.67M
| | ├──11-激活函数与整体架构总结.mp419.21M
| | ├──2-V4版本贡献解读.mp410.07M
| | ├──3-数据增强策略分析.mp424.73M
| | ├──4-DropBlock与标签平滑方法.mp419.39M
| | ├──5-损失函数遇到的问题.mp414.28M
| | ├──6-CIOU损失函数定义.mp410.84M
| | ├──7-NMS细节改进.mp416.68M
| | ├──8-SPP与CSP网络结构.mp414.84M
| | └──9-SAM注意力机制模块.mp422.51M
| └──9.YOLOv5检测算法深度解析
| | ├──1-整体项目概述.mp415.15M
| | ├──10-getItem构建batch.mp433.06M
| | ├──11-网络架构图可视化工具安装.mp423.35M
| | ├──12-V5网络配置文件解读.mp423.35M
| | ├──13-Focus模块流程分析.mp414.14M
| | ├──14-完成配置文件解析任务.mp458.84M
| | ├──15-前向传播计算.mp430.82M
| | ├──16-BottleneckCSP层计算方法.mp433.84M
| | ├──17-SPP层计算细节分析.mp429.19M
| | ├──18-Head层流程解读.mp429.12M
| | ├──19-上采样与拼接操作.mp421.49M
| | ├──2-训练自己的数据集方法.mp421.58M
| | ├──20-输出结果分析.mp441.74M
| | ├──21-超参数解读.mp434.96M
| | ├──22-命令行参数介绍.mp444.28M
| | ├──23-训练流程解读.mp446.85M
| | ├──24-各种训练策略概述.mp438.46M
| | ├──25-模型迭代过程.mp438.44M
| | ├──3-训练数据参数配置.mp429.67M
| | ├──4-测试DEMO演示.mp421.52M
| | ├──5-数据源DEBUG流程解读.mp448.16M
| | ├──6-图像数据源配置.mp434.68M
| | ├──7-加载标签数据.mp426.36M
| | ├──8-Mosaic数据增强方法.mp428.21M
| | └──9-数据四合一方法与流程演示.mp441.72M
├──07-【方向A：CV方向】图像分割算法
| ├──1.图像分割与损失函数
| | ├──1-语义分割与实例分割概述.mp420.27M
| | ├──2-分割任务中的目标函数定义.mp420.02M
| | └──3-MIOU评估标准.mp49.04M
| ├──10.Mask R-CNN 训练自己的数据与任务
| | ├──1-Labelme工具安装.mp49.23M
| | ├──2-使用labelme进行数据与标签标注.mp426.32M
| | ├──3-完成训练数据准备工作.mp426.64M
| | ├──4-maskrcnn源码修改方法.mp463.60M
| | ├──5-基于标注数据训练所需任务.mp439.75M
| | └──6-测试与展示模块.mp438.63M
| ├──11.SAM 图像分割算法
| | ├──1-DEMO效果演示.mp457.83M
| | ├──2-论文解读分析.mp474.48M
| | ├──3-完成的任务分析.mp431.21M
| | ├──4-数据闭环方法.mp445.68M
| | ├──5-预训练模型的作用.mp495.29M
| | ├──6-Decoder的作用与项目源码.mp448.97M
| | ├──7-分割任务模块设计.mp440.67M
| | ├──8-实现细节分析.mp427.76M
| | └──9-总结分析.mp432.19M
| ├──12.SAM2视频分割
| | └──SAM2视频分割.mp41.28G
| ├──13.EfficientSam分割算法
| | └──EfficientSam.mp41.37G
| ├──14.遥感图像处理与高光谱图像智能解译
| | └──遥感图像处理与高光谱图像智能解译.mp41.46G
| ├──2.Unet系列算法
| | ├──1-Unet网络编码与解码过程.mp418.32M
| | ├──2-网络计算流程.mp416.16M
| | ├──3-Unet升级版本改进.mp415.77M
| | └──4-后续升级版本介绍.mp418.40M
| ├──3.Unet医学细胞分割实战
| | ├──1-医学细胞数据集介绍与参数配置.mp471.23M
| | ├──2-数据增强工具.mp461.50M
| | ├──3-Debug模式演示网络计算流程.mp441.39M
| | ├──4-特征融合方法演示.mp430.07M
| | ├──5-迭代完成整个模型计算任务.mp433.58M
| | └──6-模型效果验证.mp447.31M
| ├──4.U2NET显著性检测实战
| | ├──1-任务目标与网络整体介绍.mp458.70M
| | ├──2-显著性检测任务与目标概述.mp453.98M
| | ├──3-编码器模块解读.mp443.69M
| | ├──4-解码器输出结果.mp427.93M
| | └──5-损失函数与应用效果.mp434.37M
| ├──5.DeepLab 语义分割算法
| | ├──1-deeplab分割算法概述.mp413.83M
| | ├──2-空洞卷积的作用.mp416.76M
| | ├──3-感受野的意义.mp419.40M
| | ├──4-SPP层的作用.mp419.05M
| | ├──5-ASPP特征融合策略.mp413.47M
| | └──6-deeplabV3Plus版本网络架构.mp424.11M
| ├──6.基于deeplabV3+版本进⾏VOC分割实战
| | ├──1-PascalVoc数据集介绍.mp470.16M
| | ├──2-项目参数与数据集读取.mp460.36M
| | ├──3-网络前向传播流程.mp433.12M
| | ├──4-ASPP层特征融合.mp451.23M
| | └──5-分割模型训练.mp434.99M
| ├──7.基于deeplabV3⼼脏视频数据集分割建模实战
| | ├──1-数据集与任务概述.mp445.58M
| | ├──2-项目基本配置参数.mp433.34M
| | ├──3-任务流程解读.mp469.15M
| | ├──4-文献报告分析.mp4122.70M
| | ├──5-补充：视频数据源特征处理方法概述.mp426.36M
| | └──6-补充：R(2plus1)D处理方法分析.mp418.90M
| ├──8.Mask R-CNN 实例分割算法
| | ├──1-Mask-Rcnn开源项目简介.mp488.18M
| | ├──2-开源项目数据集.mp442.48M
| | └──3-开源项目数据集.mp497.85M
| └──9.MaskRcnn网络框架源码详解
| | ├──1-FPN层特征提取原理解读.mp442.36M
| | ├──10-RoiPooling层的作用与目的.mp433.48M
| | ├──11-RorAlign操作的效果.mp425.73M
| | ├──12-整体框架回顾.mp428.89M
| | ├──2-FPN网络架构实现解读.mp455.81M
| | ├──3-生成框比例设置.mp428.27M
| | ├──4-基于不同尺度特征图生成所有框.mp432.96M
| | ├──5-RPN层的作用与实现解读.mp430.93M
| | ├──6-候选框过滤方法.mp415.61M
| | ├──7-Proposal层实现方法.mp433.34M
| | ├──8-DetectionTarget层的作用.mp425.72M
| | └──9-正负样本选择与标签定义.mp427.61M
├──08-【方向A：CV方向】MMLAB框架与数据集制作实战
| ├──1.MMCV安装方法
| | └──MMCV安装方法.mp455.75M
| ├──2.分类任务操作（分类）
| | ├──1-MMCLS问题修正.mp423.50M
| | ├──2-准备MMCLS项目.mp420.84M
| | ├──3-基本参数配置解读.mp434.52M
| | ├──4-各模块配置文件组成.mp435.81M
| | ├──5-生成完整配置文件.mp424.45M
| | ├──6-根据文件夹定义数据集.mp440.27M
| | ├──7-构建自己的数据集.mp436.33M
| | └──8-训练自己的任务.mp439.32M
| ├──3.训练结果测试与验证（分类）
| | ├──1-测试DEMO效果.mp425.49M
| | ├──2-测试评估模型效果.mp427.58M
| | ├──3-MMCLS中增加一个新的模块.mp462.61M
| | ├──4-修改配置文件中的参数.mp441.80M
| | ├──5-数据增强流程可视化展示.mp437.40M
| | ├──6-Grad-Cam可视化方法.mp441.17M
| | ├──7-可视化细节与效果分析.mp4124.19M
| | ├──8-MMCLS可视化模块应用.mp472.07M
| | └──9-模型分析脚本使用.mp436.37M
| ├──4.模型源码调试（分类）
| | ├──1-VIT任务概述.mp429.96M
| | ├──2-数据增强模块概述分析.mp449.58M
| | ├──3-PatchEmbedding层.mp425.30M
| | ├──4-前向传播基本模块.mp438.87M
| | └──5-CLS与输出模块.mp444.04M
| ├──5.分割模块自定义数据集训练（分割）
| | ├──1-项目配置基本介绍.mp435.78M
| | ├──2-数据集标注与制作方法.mp456.84M
| | ├──3-根据预测类别数修改配置文件.mp439.48M
| | ├──4-加载预训练模型开始训练.mp486.52M
| | └──5-预测DEMO演示.mp421.88M
| ├──6.Unet策略修改（分割）
| | ├──1-配置文件解读.mp432.12M
| | ├──2-编码层模块.mp432.47M
| | ├──3-上采样与输出层.mp428.25M
| | ├──4-辅助层的作用.mp419.83M
| | ├──5-给Unet添加一个neck层.mp430.37M
| | ├──6-如何修改参数适配网络结构.mp421.73M
| | ├──7-将Unet特征提取模块替换成transformer.mp422.41M
| | └──8-VIT模块源码分析.mp445.48M
| ├──7.分割任务CVPR最新Backbone设计及其应用（分割）
| | ├──1-注册自己的Backbone模块.mp434.30M
| | ├──10-汇总多层级特征进行输出.mp443.35M
| | ├──2-配置文件指定.mp435.84M
| | ├──3-DEBUG解读Backbone设计.mp440.45M
| | ├──4-PatchEmbedding的作用与实现.mp444.88M
| | ├──5-卷积位置编码计算方法.mp453.89M
| | ├──6-近似Attention模块实现.mp479.49M
| | ├──7-完成特征提取与融合模块.mp455.69M
| | ├──8-分割输出模块.mp457.72M
| | └──9-全局特征的作用与实现.mp456.34M
| ├──8.MMDetection自定义数据训练（检测）
| | ├──1-数据集标注与标签获取.mp423.13M
| | ├──2-COCO数据标注格式.mp422.21M
| | ├──3-通过脚本生成COCO数据格式.mp423.90M
| | ├──4-配置文件数据增强策略分析.mp434.27M
| | ├──5-训练所需配置说明.mp438.00M
| | ├──6-模型训练与DEMO演示.mp425.42M
| | ├──7-模型测试与可视化分析模块.mp451.07M
| | └──8-补充：评估指标.mp49.95M
| └──9. MMAction自定义数据训练（行为识别）
| | └──创建自己的行为识别标注数据集.mp4232.73M
├──09-【方向A：CV方向】Transformer与视觉应用
| ├──1.Vision Transformer算法原理解析
| | └──Transformer算法解读.mp4457.51M
| ├──10.Deformable DETR 检测算法解析
| | └──DeformableDetr算法解读.mp4730.35M
| ├──11.Deformable DETR 算法源码解读
| | ├──1-特征提取与位置编码.mp430.17M
| | ├──10-分类与回归输出模块.mp433.10M
| | ├──11-预测输出结果与标签匹配模块.mp433.76M
| | ├──2-序列特征展开并叠加.mp451.07M
| | ├──3-得到相对位置点编码.mp421.46M
| | ├──4-准备Encoder编码层所需全部输入.mp427.92M
| | ├──5-编码层中的序列分析.mp429.75M
| | ├──6-偏移量offset计算.mp431.71M
| | ├──7-偏移量对齐操作.mp427.30M
| | ├──8-Encoder层完成特征对齐.mp437.37M
| | └──9-Decoder要完成的操作.mp429.60M
| ├──12.MedicalTransformer 分割算法解析
| | ├──1-论文整体分析.mp416.99M
| | ├──2-核心思想分析.mp434.41M
| | ├──3-网络结构计算流程概述.mp425.34M
| | ├──4-论文公式计算分析.mp427.36M
| | ├──5-位置编码的作用与效果.mp431.95M
| | └──6-拓展应用分析.mp434.07M
| ├──13.MedicalTransformer 算法源码解读
| | ├──1-项目环境配置.mp425.29M
| | ├──2-医学数据介绍与分析.mp456.68M
| | ├──3-基本处理操作.mp425.77M
| | ├──4-AxialAttention实现过程.mp436.87M
| | ├──5-位置编码向量解读.mp427.80M
| | ├──6-注意力计算过程与方法.mp452.13M
| | └──7-局部特征提取与计算.mp440.92M
| ├──14.Maskformer 分割算法源码解读
| | └──分割模型Maskformer系列.mp4408.46M
| ├──15.Mask2former 分割算法码解读
| | ├──1-Backbone获取多层级特征.mp425.81M
| | ├──10-正样本筛选损失计算.mp430.22M
| | ├──11-标签分类匹配结果分析.mp446.57M
| | ├──12-最终损失计算流程.mp436.94M
| | ├──13-汇总所有损失完成迭代.mp426.17M
| | ├──2-多层级采样点初始化构建.mp431.30M
| | ├──3-多层级输入特征序列创建方法.mp430.53M
| | ├──4-偏移量与权重计算并转换.mp436.58M
| | ├──5-Encoder特征构建方法实例.mp438.08M
| | ├──6-query要预测的任务解读.mp434.61M
| | ├──7-Decoder中的AttentionMask方法.mp437.86M
| | ├──8-损失模块输入参数分析.mp428.09M
| | └──9-标签分配策略解读.mp429.95M
| ├──16.BEVFormer 3D检测算法解析
| | └──BEV特征空间.mp4339.53M
| ├──17.BEVFormer 算法源码解读
| | ├──1-环境配置方法解读.mp442.79M
| | ├──10-获取当前BEV特征.mp435.90M
| | ├──11-Decoder级联校正模块.mp441.58M
| | ├──12-损失函数与预测可视化.mp449.48M
| | ├──2-数据集下载与配置方法.mp453.57M
| | ├──3-特征提取以及BEV空间初始化.mp443.81M
| | ├──4-特征对齐与位置编码初始化.mp443.63M
| | ├──5-Reference初始点构建.mp437.26M
| | ├──6-BEV空间与图像空间位置对应.mp437.67M
| | ├──7-注意力机制模块计算方法.mp438.61M
| | ├──8-BEV空间特征构建.mp434.01M
| | └──9-Decoder要完成的任务分析.mp433.95M
| ├──18.LoFTR特征匹配算法
| | ├──1-特征匹配的应用场景.mp421.09M
| | ├──10-总结分析.mp439.42M
| | ├──2-特征匹配的基本流程分析.mp415.91M
| | ├──3-整体流程梳理分析.mp416.46M
| | ├──4-CrossAttention的作用与效果.mp415.69M
| | ├──5-transformer构建匹配特征.mp433.79M
| | ├──6-粗粒度匹配过程与作用.mp428.85M
| | ├──7-特征图拆解操作.mp414.34M
| | ├──8-细粒度匹配的作用与方法.mp419.87M
| | └──9-基于期望预测最终位置.mp423.08M
| ├──2.Vision Transformer算法源码解读
| | └──视觉Transformer及其源码分析.mp4903.08M
| ├──3.视觉自监督BEIT算法解读
| | ├──1-建模流程分析与效果展示.mp4101.08M
| | ├──2-codebook模块的作用.mp481.31M
| | └──3-任务总结分析.mp4114.38M
| ├──4.视觉自监督任务BEITv2论文解读
| | ├──1-BEITV2版本论文出发点解读.mp448.00M
| | ├──2-自监督任务中两大核心任务分析.mp456.24M
| | ├──3-整体网络架构图分析.mp443.98M
| | ├──4-框架实现细节流程分析.mp421.84M
| | └──5-论文细节模块实现解读.mp499.31M
| ├──5.视觉自监督任务BEITv2源码解读
| | ├──1-mmselfup源码实现解读.mp442.02M
| | ├──2-网络结构搭建细节解读.mp449.16M
| | └──3-源码实现流程总结.mp445.78M
| ├──6.SwinTransformer算法原理解析
| | ├──1-swintransformer整体概述.mp414.76M
| | ├──10-分层计算方法.mp421.71M
| | ├──2-要解决的问题及其优势分析.mp422.33M
| | ├──3-一个block要完成的任务.mp417.36M
| | ├──4-获取各窗口输入特征.mp418.99M
| | ├──5-基于窗口的注意力机制解读.mp429.53M
| | ├──6-窗口偏移操作的实现.mp424.27M
| | ├──7-偏移细节分析及其计算量概述.mp420.41M
| | ├──8-整体网络架构整合.mp420.88M
| | └──9-下采样操作实现方法.mp422.24M
| ├──7.SwinTransformer算法源码解读
| | ├──1-数据与环境配置解读.mp459.59M
| | ├──2-图像数据patch编码.mp437.62M
| | ├──3-数据按window进行划分计算.mp431.46M
| | ├──4-基础attention计算模块.mp427.58M
| | ├──5-窗口位移模块细节分析.mp436.81M
| | ├──6-patchmerge下采样操作.mp425.24M
| | ├──7-各block计算方法解读.mp427.91M
| | └──8-输出层概述.mp441.11M
| ├──8.DETR目标检测算法解析
| | ├──1-DETR目标检测基本思想解读.mp419.35M
| | ├──2-整体网络架构分析.mp431.64M
| | ├──3-位置信息初始化query向量.mp419.97M
| | ├──4-注意力机制的作用方法.mp420.85M
| | └──5-训练过程的策略.mp428.41M
| └──9.DETR目标检测源码解读
| | ├──1-项目环境配置解读.mp440.42M
| | ├──2-数据处理与dataloader.mp464.11M
| | ├──3-位置编码作用分析.mp447.95M
| | ├──4-backbone特征提取模块.mp435.62M
| | ├──5-mask与编码模块.mp434.75M
| | ├──6-编码层作用方法.mp442.86M
| | ├──7-Decoder层操作与计算.mp430.15M
| | ├──8-输出预测结果.mp441.28M
| | └──9-损失函数与预测输出.mp441.18M
├──10-【方向A：CV方向】生成模型与图像生成技术
| ├──1.生成对抗网络架构原理
| | ├──1-对抗生成网络通俗解释.mp418.42M
| | ├──2-GAN网络组成.mp410.75M
| | ├──3-损失函数解释说明.mp439.92M
| | ├──4-数据读取模块.mp429.96M
| | └──5-生成与判别网络定义.mp444.27M
| ├──10.Diffusion模型架构
| ├──11.DALL-E 2论文解析
| ├──12.DALL-E 2源码解读
| ├──13.视频超分辨率重构
| ├──2.基于 GAN 的图像补全实战
| | ├──1-论文概述.mp475.12M
| | ├──2-网络架构.mp430.79M
| | ├──3-细节设计.mp477.72M
| | ├──4-论文总结.mp467.32M
| | ├──5-数据与项目概述.mp445.96M
| | ├──6-参数基本设计.mp481.84M
| | ├──7-网络结构配置.mp471.61M
| | ├──8-网络迭代训练.mp492.93M
| | └──9-测试模块.mp448.41M
| ├──3.基于 SRGAN 图像超分辨率实战
| | ├──1-论文概述.mp446.85M
| | ├──2-网络架构.mp4106.96M
| | ├──3-数据与环境配置.mp426.93M
| | ├──4-数据加载与配置.mp439.17M
| | ├──5-生成模块.mp448.53M
| | ├──6-判别模块.mp444.63M
| | ├──7-VGG特征提取网络.mp435.90M
| | ├──8-损失函数与训练.mp489.04M
| | └──9-测试模块.mp490.82M
| ├──4.CycleGAN图像转换技术
| | ├──1-CycleGan网络所需数据.mp437.58M
| | ├──10-额外补充：VISDOM可视化配置.mp438.71M
| | ├──2-CycleGan整体网络架构.mp421.40M
| | ├──3-PatchGan判别网络原理.mp411.47M
| | ├──4-Cycle开源项目简介.mp432.51M
| | ├──5-数据读取与预处理操作.mp457.97M
| | ├──6-生成网络模块构造.mp448.56M
| | ├──7-判别网络模块构造.mp419.79M
| | ├──8-损失函数：identity loss计算方法.mp437.19M
| | └──9-生成与判别损失函数指定.mp454.73M
| ├──5.stargan论文架构解析
| | ├──1-stargan效果演示分析.mp427.97M
| | ├──2-网络架构整体思路解读.mp430.88M
| | ├──3-建模流程分析.mp442.57M
| | ├──4-V1版本存在的问题及后续改进思路.mp460.76M
| | ├──5-V2版本在整体网络架构.mp463.70M
| | ├──6-编码器训练方法.mp453.48M
| | ├──7-损失函数公式解析.mp449.46M
| | └──8-训练过程分析.mp434.19M
| ├──6.stargan项目实战及其源码解读
| | ├──1-测试模块效果与实验分析.mp429.97M
| | ├──10-生成模块损失计算.mp470.11M
| | ├──2-项目配置与数据源下载.mp421.53M
| | ├──3-测试效果演示.mp434.99M
| | ├──4-项目参数解析.mp427.64M
| | ├──5-生成器模块源码解读.mp453.21M
| | ├──6-所有网络模块构建实例.mp446.54M
| | ├──7-数据读取模块分析.mp456.64M
| | ├──8-判别器损失计算.mp432.92M
| | └──9-损失计算详细过程.mp445.79M
| ├──7.StarGANv2变声器论文解析
| | ├──1-论文整体思路与架构解读.mp434.68M
| | ├──2-VCC2016输入数据.mp420.79M
| | ├──3-语音特征提取.mp430.61M
| | ├──4-生成器模型架构分析.mp415.82M
| | ├──5-InstanceNorm的作用解读.mp418.61M
| | ├──6-AdaIn的目的与效果.mp413.20M
| | └──7-判别器模块分析.mp4114.08M
| ├──8.starganvc2变声器项目实战
| └──9.StyleGAN2高质量图像生成架构
├──11-【方向A：CV方向】行为识别+姿态估计+目标追踪
├──12-【方向A：CV方向】行人重识别技术
├──13-【方向A：CV方向】自动化驾驶
├──25-【方向D时序与GNN方向】时间序列预测算法与实战
| ├──1.RNN网络架构
| | └──RNN网络架构.mp429.37M
| ├──2.LSTM网络架构
| | └──LSTM网络架构.mp417.87M
| ├──3.Informer算法
| | ├──1-时间序列预测要完成的任务.mp433.27M
| | ├──2-常用模块分析.mp424.25M
| | ├──3-论文要解决的问题分析.mp430.47M
| | ├──4-Query采样方法解读.mp423.11M
| | ├──5-probAttention计算流程.mp431.40M
| | ├──6-编码器全部计算流程.mp427.15M
| | └──7-解码器流程分析.mp424.85M
| ├──4.Informer源码
| | ├──1-项目使用说明.mp463.92M
| | ├──10-核心采样计算方法.mp450.11M
| | ├──11-完成注意力机制计算模块.mp428.39M
| | ├──12-平均向量的作用.mp433.70M
| | ├──13-解码器预测输出.mp474.46M
| | ├──2-数据集解读.mp460.61M
| | ├──3-模型训练所需参数解读.mp437.37M
| | ├──4-数据集构建与读取方式.mp444.54M
| | ├──5-数据处理相关模块.mp444.58M
| | ├──6-时间相关特征提取方法.mp439.96M
| | ├──7-dataloader构建实例.mp441.03M
| | ├──8-整体架构分析.mp436.91M
| | └──9-编码器模块实现.mp439.16M
| ├──5.TimesNet时序预测
| ├──6.基于图模型的时间序列预测
| └──7.time-llm大模型多模态预测任务
├──26-【方向D时序与GNN方向】图神经网络实战
| ├──1.图神经网络基础
| | ├──1-图神经网络应用领域分析.mp426.40M
| | ├──2-图基本模块定义.mp410.51M
| | ├──3-邻接矩阵的定义.mp416.06M
| | ├──4-GNN中常见任务.mp419.17M
| | ├──5-消息传递计算方法.mp414.23M
| | └──6-多层GCN的作用.mp413.00M
| ├──2.图卷积（GCN）模型
| | ├──1-GCN基本模型概述.mp413.24M
| | ├──2-图卷积的基本计算方法.mp412.56M
| | ├──3-邻接的矩阵的变换.mp418.38M
| | └──4-GCN变换原理解读.mp421.12M
| ├──3.PyTorch Geometric配置与实战
| | ├──1-PyTorch Geometric工具包安装与配置方法.mp445.07M
| | ├──10-网络结构定义模块.mp436.87M
| | ├──11-TopkPooling进行下采样任务.mp431.30M
| | ├──12-获取全局特征.mp425.71M
| | ├──13-模型训练与总结.mp435.84M
| | ├──2-数据集与邻接矩阵格式.mp451.92M
| | ├──3-模型定义与训练方法.mp441.92M
| | ├──4-文献引用数据集分类案例实战.mp447.75M
| | ├──5-构建数据集基本方法.mp413.47M
| | ├──6-数据集与任务背景概述.mp421.63M
| | ├──7-数据集基本预处理.mp431.50M
| | ├──8-用户行为图结构创建.mp436.67M
| | └──9-数据集创建函数介绍.mp434.87M
| ├──4.图注意力与序列模型
| | ├──1-图注意力机制的作用与方法.mp416.53M
| | ├──2-邻接矩阵计算图Attention.mp421.40M
| | ├──3-序列图神经网络TGCN应用.mp412.59M
| | └──4-序列图神经网络细节.mp423.67M
| ├──5.图相似度论文分析
| | ├──1-要完成的任务分析.mp447.79M
| | ├──10-获得直方图特征结果.mp421.11M
| | ├──11-图的全局特征构建.mp431.45M
| | ├──12-NTN图相似特征提取.mp439.25M
| | ├──13-预测得到相似度结果.mp418.64M
| | ├──2-基本方法概述解读.mp452.67M
| | ├──3-图模型提取全局与局部特征.mp447.42M
| | ├──4-NTN模块的作用与效果.mp441.09M
| | ├──5-点之间的对应关系计算.mp451.22M
| | ├──6-结果输出与总结.mp471.18M
| | ├──7-数据集与任务概述.mp418.11M
| | ├──8-图卷积特征提取模块.mp455.92M
| | └──9-分别计算不同Batch点的分布.mp431.70M
| ├──6.图模型轨迹估计
| | ├──1-数据集与标注信息解读.mp457.53M
| | ├──10-训练数据准备.mp427.69M
| | ├──11-Agent特征提取方法.mp437.87M
| | ├──12-DataLoader构建图结构.mp428.61M
| | ├──13-SubGraph与Attention模型流程.mp434.55M
| | ├──2-整体三大模块分析.mp471.83M
| | ├──3-特征工程的作用与效果.mp441.75M
| | ├──4-传统方法与现在向量空间对比.mp451.83M
| | ├──5-输入细节分析.mp449.96M
| | ├──6-子图模块构建方法.mp442.55M
| | ├──7-特征融合模块分析.mp447.67M
| | ├──8-VectorNet输出层分析.mp485.45M
| | └──9-数据与环境配置.mp435.36M
| ├──7.异构图神经网络
| └──8.KIE关键信息抽取
| | ├──1-配置文件以及要完成的任务解读.mp451.55M
| | ├──2-KIE数据集格式调整方法.mp469.46M
| | ├──3-配置文件与标签要进行处理操作.mp447.83M
| | ├──4-边框要计算的特征分析.mp435.57M
| | ├──5-标签数据处理与关系特征提取.mp456.48M
| | ├──6-特征合并处理.mp443.74M
| | ├──7-准备拼接边与点特征.mp441.38M
| | └──8-整合得到图模型输入特征.mp471.98M
├──27-【方向E强化学习】强化学习基础算法与实战
| ├──1.强化学习简介及其应用
| | ├──1-一张图通俗解释强化学习.mp417.71M
| | ├──2-强化学习的指导依据.mp420.21M
| | ├──3-强化学习AI游戏DEMO.mp420.38M
| | ├──4-应用领域简介.mp417.36M
| | ├──5-强化学习工作流程.mp414.80M
| | └──6-计算机眼中的状态与行为.mp420.11M
| ├──2.PPO算法与公式推导
| | ├──1-基本情况介绍.mp428.09M
| | ├──2-与环境交互得到所需数据.mp423.20M
| | ├──3-要完成的目标分析.mp424.55M
| | ├──4-策略梯度推导.mp421.79M
| | ├──5-baseline方法.mp418.38M
| | ├──6-OnPolicy与OffPolicy策略.mp420.80M
| | ├──7-importance sampling的作用.mp423.22M
| | └──8-PPO算法整体思路解析.mp426.61M
| ├──3.PPO实战-月球登陆器训练实例
| | ├──1-Critic的作用与效果.mp440.09M
| | ├──2-PPO2版本公式解读.mp431.68M
| | ├──3-参数与网络结构定义.mp433.73M
| | ├──4-得到动作结果.mp429.04M
| | ├──5-奖励获得与计算.mp436.32M
| | └──6-参数迭代与更新.mp449.30M
| ├──4.Q-learning与DQN算法
| | ├──1-整体任务流程演示.mp423.92M
| | ├──2-探索与action获取.mp428.44M
| | ├──3-计算target值.mp422.48M
| | ├──4-训练与更新.mp434.18M
| | ├──5-算法原理通俗解读.mp426.02M
| | ├──6-目标函数与公式解析.mp425.58M
| | ├──7-Qlearning算法实例解读.mp416.68M
| | ├──8-Q值迭代求解.mp422.49M
| | └──9-DQN简介.mp415.38M
| ├──5.DQN改进与应用技巧
| | ├──1-DoubleDqn要解决的问题.mp422.37M
| | ├──2-DuelingDqn改进方法.mp419.08M
| | ├──3-Dueling整体网络架构分析.mp421.76M
| | ├──4-MultiSetp策略.mp48.68M
| | └──5-连续动作处理方法.mp422.27M
| ├──6.Actor-Critic算法分析（A3C）
| | ├──1-AC算法回顾与知识点总结.mp417.34M
| | ├──2-优势函数解读与分析.mp419.90M
| | ├──3-计算流程实例.mp417.61M
| | ├──4-A3C整体架构分析.mp416.45M
| | └──5-损失函数整理.mp422.43M
| ├──7.用A3C玩转超级马里奥
| | ├──1-整体流程与环境配置.mp426.99M
| | ├──2-启动游戏环境.mp432.21M
| | ├──3-要计算的指标回顾.mp437.03M
| | ├──4-初始化局部模型并加载参数.mp432.25M
| | ├──5-与环境交互得到训练数据.mp439.29M
| | └──6-训练网络模型.mp444.27M
| └──8.强化学习-拓展
| | └──强化学习的基础原理与应用等.mp4375.38M
├──28-【方向E强化学习】人形机器人高级学习与控制方法
├──29-【方向F智能应用】知识图谱技术与构建
| ├──1.知识图谱分析与应用
| | ├──1-知识图谱通俗解读.mp419.90M
| | ├──10-视觉领域图编码实例.mp420.99M
| | ├──11-图谱知识融合与总结分析.mp424.01M
| | ├──2-知识图谱在搜索引擎中的应用.mp426.62M
| | ├──3-知识图谱在医疗领域应用实例.mp4102.94M
| | ├──4-金融与推荐领域的应用.mp420.42M
| | ├──5-数据获取分析.mp435.97M
| | ├──6-数据关系抽取分析.mp427.34M
| | ├──7-常用NLP技术点分析.mp422.12M
| | ├──8-graph-embedding的作用与效果.mp426.18M
| | └──9-金融领域图编码实例.mp412.79M
| ├──2.Neo4j图数据库实战
| | ├──1-Neo4j图数据库介绍.mp463.53M
| | ├──2-Neo4j数据库安装流程演示.mp427.70M
| | ├──3-可视化例子演示.mp443.62M
| | ├──4-创建与删除操作演示.mp425.35M
| | ├──5-数据库更改查询操作演示.mp427.17M
| | ├──6-使用Py2neo建立连接.mp447.60M
| | ├──7-提取所需的指标信息.mp453.19M
| | ├──8-在图中创建实体.mp443.86M
| | └──9-根据给定实体创建关系.mp451.06M
| ├──3.基于知识图谱的医药问答系统实战
| | ├──1-项目概述与整体架构分析.mp437.06M
| | ├──10-完成对话系统构建.mp439.50M
| | ├──2-医疗数据介绍及其各字段含义.mp462.67M
| | ├──3-任务流程概述.mp439.75M
| | ├──4-环境配置与所需工具包安装.mp436.39M
| | ├──5-提取数据中的关键字段信息.mp461.37M
| | ├──6-创建关系边.mp439.44M
| | ├──7-打造医疗知识图谱模型.mp459.18M
| | ├──8-加载所有实体数据.mp442.48M
| | └──9-实体关键词字典制作.mp431.87M
| ├──4.文本关系抽取实践
| | ├──1-关系抽取要完成的任务演示与分析.mp418.58M
| | ├──2-LTP工具包概述介绍.mp446.55M
| | ├──3-pyltp安装与流程演示.mp441.85M
| | ├──4-得到分词与词性标注结果.mp447.21M
| | ├──5-依存句法概述.mp430.85M
| | ├──6-句法分析结果整理.mp439.12M
| | ├──7-语义角色构建与分析.mp454.21M
| | └──8-设计规则完成关系抽取.mp452.50M
| ├──5.金融平台风控模型实践
| | ├──1-竞赛任务目标.mp423.83M
| | ├──2-图模型信息提取.mp427.79M
| | ├──3-节点权重特征提取(PageRank).mp435.58M
| | ├──4-deepwalk构建图顶点特征.mp453.52M
| | ├──5-各项统计特征.mp456.06M
| | ├──6-app安装特征.mp437.43M
| | └──7-图中联系人特征.mp470.34M
| └──6.医学糖尿病数据命名实体识别
| | ├──1-数据与任务介绍.mp422.75M
| | ├──2-整体模型架构.mp415.02M
| | ├──3-数据-标签-语料库处理.mp440.03M
| | ├──4-输入样本填充补齐.mp436.25M
| | ├──5-训练网络模型.mp440.40M
| | └──6-医疗数据集（糖尿病）实体识别.mp481.47M
├──30-【方向F智能应用】语音识别
| ├──1.seq2seq序列网络模型
| | ├──1-序列网络模型概述分析.mp417.33M
| | ├──2-工作原理概述.mp49.00M
| | ├──3-注意力机制的作用.mp414.88M
| | ├──4-加入attention的序列模型整体架构.mp420.60M
| | ├──5-TeacherForcing的作用与训练策略.mp416.63M
| | └──6-额外补充-RNN网络模型解读.mp423.79M
| ├──2.LAS模型语音识别实战
| | ├──1-数据源与环境配置.mp432.26M
| | ├──2-语料表制作方法.mp425.49M
| | ├──3-制作json标注数据.mp437.87M
| | ├──4-声音数据处理模块解读.mp462.88M
| | ├──5-Pack与Pad操作解析.mp435.96M
| | ├──6-编码器模块整体流程.mp431.45M
| | ├──7-加入注意力机制.mp433.32M
| | ├──8-计算得到每个输出的attention得分.mp436.46M
| | └──9-解码器与训练过程演示.mp443.81M
| ├──3.starganvc2变声器论文原理解读
| | ├──1-论文整体思路与架构解读.mp434.68M
| | ├──2-VCC2016输入数据.mp420.79M
| | ├──3-语音特征提取.mp430.61M
| | ├──4-生成器模型架构分析.mp415.82M
| | ├──5-InstanceNorm的作用解读.mp418.61M
| | ├──6-AdaIn的目的与效果.mp413.20M
| | └──7-判别器模块分析.mp4114.08M
| ├──4.staeganvc2变声器源码实战
| | ├──1-数据与项目文件解读.mp421.82M
| | ├──10-源码损失计算流程.mp434.84M
| | ├──11-测试模块-生成转换语音.mp447.20M
| | ├──2-环境配置与工具包安装.mp437.14M
| | ├──3-数据预处理与声音特征提取.mp488.54M
| | ├──4-生成器构造模块解读.mp441.37M
| | ├──5-下采样与上采样操作.mp435.50M
| | ├──6-starganvc2版本标签输入分析.mp449.98M
| | ├──7-生成器前向传播维度变化.mp426.52M
| | ├──8-判别器模块解读.mp435.25M
| | └──9-论文损失函数.mp4100.51M
| ├──5.语音分离ConvTasnet模型
| | ├──1-语音分离任务分析.mp49.18M
| | ├──2-经典语音分离模型概述.mp418.12M
| | ├──3-DeepClustering论文解读.mp416.28M
| | ├──4-TasNet编码器结构分析.mp441.65M
| | ├──5-DW卷积的作用与效果.mp410.19M
| | └──6-基于Mask得到分离结果.mp419.27M
| ├──6.ConvTasnet语音分离实战
| | ├──1-数据准备与环境配置.mp478.00M
| | ├──2-训练任务所需参数介绍.mp427.69M
| | ├──3-DataLoader定义.mp438.04M
| | ├──4-采样数据特征编码.mp437.70M
| | ├──5-编码器特征提取.mp455.03M
| | ├──6-构建更大的感受区域.mp453.51M
| | ├──7-解码得到分离后的语音.mp452.61M
| | └──8-测试模块所需参数.mp442.44M
| └──7.语音合成tacotron最新版实战
| | ├──1-语音合成项目所需环境配置.mp444.58M
| | ├──10-得到加权的编码向量.mp455.89M
| | ├──11-模型输出结果.mp453.29M
| | ├──12-损失函数与预测.mp447.98M
| | ├──2-所需数据集介绍.mp452.74M
| | ├──3-路径配置与整体流程解读.mp470.18M
| | ├──4-Dataloader构建数据与标签.mp466.73M
| | ├──5-编码层要完成的任务.mp446.40M
| | ├──6-得到编码特征向量.mp428.57M
| | ├──7-解码器输入准备.mp434.60M
| | ├──8-解码器流程梳理.mp441.44M
| | └──9-注意力机制应用方法.mp443.74M
├──31-【方向F智能应用】现代推荐系统与实战
| ├──1.协同过滤与矩阵分解
| | ├──1-协同过滤与矩阵分解简介.mp411.32M
| | ├──2-基于用户与商品的协同过滤.mp418.55M
| | ├──3-相似度计算与推荐实例.mp415.21M
| | ├──4-矩阵分解的目的与效果.mp420.69M
| | ├──5-矩阵分解中的隐向量.mp425.10M
| | ├──6-目标函数简介.mp413.76M
| | ├──7-隐式情况分析.mp414.12M
| | └──8-Embedding的作用.mp411.12M
| ├──10.基于相似度的酒店推荐系统
| | ├──1-酒店数据与任务介绍.mp422.03M
| | ├──2-文本词频统计.mp431.44M
| | ├──3-ngram结果可视化展示.mp453.11M
| | ├──4-文本清洗.mp432.94M
| | ├──5-相似度计算.mp447.65M
| | └──6-得出推荐结果.mp462.00M
| ├──2.推荐系统介绍及其应用
| | ├──1-推荐系统通俗解读.mp417.30M
| | ├──2-推荐系统发展简介.mp423.26M
| | ├──3-应用领域与多方位评估指标.mp426.54M
| | ├──4-任务流程与挑战概述.mp426.78M
| | ├──5-常用技术点分析.mp416.48M
| | └──6-与深度学习的结合.mp423.73M
| ├──3.音乐推荐系统实战
| | ├──1-音乐推荐任务概述.mp464.52M
| | ├──2-数据集整合.mp453.94M
| | ├──3-基于物品的协同过滤.mp463.14M
| | ├──4-物品相似度计算与推荐.mp463.44M
| | ├──5-SVD矩阵分解.mp430.87M
| | └──6-基于矩阵分解的音乐推荐.mp483.20M
| ├──4.知识图谱与Neo4j数据库实例
| | ├──1-知识图谱通俗解读.mp419.90M
| | ├──10-数据库更改查询操作演示.mp427.17M
| | ├──2-知识图谱在搜索引擎中的应用.mp426.62M
| | ├──3-知识图谱在医疗领域应用实例.mp4102.94M
| | ├──4-金融与推荐领域的应用.mp420.42M
| | ├──5-数据获取分析.mp435.97M
| | ├──6-Neo4j图数据库介绍.mp463.53M
| | ├──7-Neo4j数据库安装流程演示.mp427.70M
| | ├──8-可视化例子演示.mp443.62M
| | └──9-创建与删除操作演示.mp425.35M
| ├──5.基于知识图谱的电影推荐实战
| | ├──1-知识图谱推荐系统效果演示.mp423.68M
| | ├──2-kaggle电影数据集下载与配置.mp463.44M
| | ├──3-图谱需求与任务流程解读.mp426.62M
| | ├──4-项目所需环境配置安装.mp448.87M
| | ├──5-构建用户电影知识图谱.mp461.53M
| | ├──6-图谱查询与匹配操作.mp419.64M
| | └──7-相似度计算与推荐引擎构建.mp439.20M
| ├──6.DeepFM算法解析与实战
| | ├──1-CTR估计及其经典方法概述.mp421.97M
| | ├──10-广告点击数据预处理实例.mp449.19M
| | ├──11-数据处理模块Embedding层.mp434.40M
| | ├──12-Index与Value数据制作.mp429.34M
| | ├──13-一阶权重参数设计.mp433.55M
| | ├──14-二阶特征构建方法.mp428.87M
| | ├──15-特征组合方法实例分析.mp449.53M
| | ├──16-完成FM模块计算.mp424.57M
| | ├──17-DNN模块与训练过程.mp437.56M
| | ├──2-高维特征带来的问题.mp412.96M
| | ├──3-二项式特征的作用与挑战.mp411.82M
| | ├──4-二阶公式推导与化简.mp420.91M
| | ├──5-FM算法解析.mp419.85M
| | ├──6-DeepFm整体架构解读.mp415.16M
| | ├──7-输入层所需数据样例.mp414.14M
| | ├──8-Embedding层的作用与总结.mp421.54M
| | └──9-数据集介绍与环境配置.mp457.80M
| ├──7.推荐系统常用工具包演示
| | ├──1-环境配置与数据集介绍.mp435.73M
| | ├──2-电影数据集预处理分析.mp432.78M
| | ├──3-surprise工具包基本使用.mp436.09M
| | ├──4-模型测试集结果.mp430.74M
| | └──5-评估指标概述.mp466.49M
| ├──8.基于文本数据的推荐实例
| | ├──1-数据与环境配置介绍.mp419.83M
| | ├──2-数据科学相关数据介绍.mp431.27M
| | ├──3-文本数据预处理.mp437.39M
| | ├──4-TFIDF构建特征矩阵.mp431.32M
| | ├──5-矩阵分解演示.mp429.04M
| | ├──6-LDA主题模型效果演示.mp453.10M
| | └──7-推荐结果分析.mp443.02M
| └──9.基本统计分析的电影推荐
| | ├──1-电影数据与环境配置.mp464.11M
| | ├──2-数据与关键词信息展示.mp461.30M
| | ├──3-关键词云与直方图展示.mp445.99M
| | ├──4-特征可视化.mp438.70M
| | ├──5-数据清洗概述.mp457.34M
| | ├──6-缺失值填充方法.mp437.19M
| | ├──7-推荐引擎构造.mp450.97M
| | ├──8-数据特征构造.mp436.19M
| | └──9-得出推荐结果.mp451.89M
├──32-【进阶模块】深度学习模型部署与实战
| ├──1.PyTorch Flask部署示例
| | ├──1-基本结构与训练好的模型加载.mp421.02M
| | ├──2-服务端处理与预测函数.mp440.92M
| | └──3-基于Flask测试模型预测结果.mp446.26M
| ├──2.PyTorch Docker部署示例
| | ├──1-docker简介.mp415.97M
| | ├──2-docker安装与配置.mp448.56M
| | ├──3-阿里云镜像配置.mp427.00M
| | ├──4-基于docker配置pytorch环境.mp436.56M
| | ├──5-安装演示环境所需依赖.mp431.51M
| | ├──6-复制所需配置到容器中.mp428.23M
| | └──7-上传与下载配置好的项目.mp445.53M
| ├──3.使用Docker实现TensorFlow-Serving部署实战
| | ├──1-tf-serving项目获取与配置.mp430.50M
| | ├──2-加载并启动模型服务.mp431.31M
| | ├──3-测试模型部署效果.mp443.40M
| | ├──4-fashion数据集获取.mp438.64M
| | └──5-加载fashion模型启动服务.mp433.43M
| ├──4.AloT与Jetson Nano
| | ├──1-jetson nano 硬件介绍.mp422.06M
| | ├──2-jetson nano 刷机.mp4105.19M
| | ├──3-jetson nano 系统安装过程.mp484.58M
| | ├──4-感受nano的GPU算力.mp462.42M
| | └──5-安装使用摄像头csi usb.mp443.16M
| ├──5.AloT实战应用
| | ├──1-jetson-inference 入门.mp432.00M
| | ├──2-docker 的安装使用.mp472.24M
| | ├──3-docker中运行分类模型.mp4105.48M
| | ├──4-训练自己的目标检测模型准备.mp436.43M
| | ├──5-训练出自己目标识别模型a.mp4109.79M
| | ├──6-训练出自己目标识别模型b.mp441.20M
| | └──7-转换出onnx模型，并使用.mp431.24M
| ├──6.NVIDIA TAO训练工具
| | ├──1-NVIDIA TAO介绍和安装.mp474.37M
| | ├──2-NVIDIA TAO数据准备和环境设置.mp441.50M
| | ├──3-NVIDIA TAO数据转换.mp4103.66M
| | ├──4-NVIDIA TAO预训练模型和训练a.mp440.28M
| | ├──5-NVIDIA TAO预训练模型和训练b.mp418.72M
| | ├──6-NVIDIA TAO预训练模型和训练c.mp416.31M
| | └──7-TAO 剪枝在训练推理验证.mp4127.77M
| └──7.DeepStream应用
| | ├──1-deepstream 介绍安装.mp455.46M
| | ├──2-deepstream HelloWorld.mp445.02M
| | ├──3-GStreamer RTP和RTSP1.mp464.04M
| | ├──4-GStreamer RTP和RTSP2.mp478.49M
| | ├──5-python实现RTP和RTSP.mp487.50M
| | ├──6-deepstream推理.mp494.05M
| | └──7-deepstream集成yolov4.mp486.63M
├──33-【进阶模块】深度学习模型优化与创新
| ├──1.通用创新点
| | ├──1-ACMIX（卷积与注意力融合）.mp486.05M
| | ├──10-Attention额外加入先验知识.mp47.42M
| | ├──11-结合GNN构建局部特征.mp425.87M
| | ├──12-损失函数约束项.mp48.42M
| | ├──13-自适应可学习参数.mp414.27M
| | ├──14-Coarse2Fine大框架.mp440.53M
| | ├──15-只能机器学习模型时凑工作量（特征工程）.mp46.02M
| | ├──16-自己数据集如何发的好（要开源）.mp445.07M
| | ├──17-可变形卷积加入方法.mp423.44M
| | ├──18-在源码中加入各种注意力机制方法.mp4122.48M
| | ├──2-GCnet（全局特征融合）.mp474.35M
| | ├──3-Coordinate_attention.mp474.92M
| | ├──4-SPD（可替换下采样）.mp445.03M
| | ├──5-SPP改进.mp417.03M
| | ├──6-mobileOne（加速）.mp445.26M
| | ├──7-Deformable（替换selfAttention）.mp444.90M
| | ├──8-ProbAttention（采样策略）.mp423.58M
| | └──9-CrossAttention融合特征.mp420.50M
| ├──2.模型剪枝-Network Slimming算法分析
| | ├──1-论文算法核心框架概述.mp419.67M
| | ├──2-BatchNorm要解决的问题.mp418.50M
| | ├──3-BN的本质作用.mp422.59M
| | ├──4-额外的训练参数解读.mp420.13M
| | └──5-稀疏化原理与效果.mp423.93M
| ├──3.模型剪枝-Network Slimming实战解读
| | ├──1-整体案例流程解读.mp432.42M
| | ├──2-加入L1正则化来进行更新.mp428.40M
| | ├──3-剪枝模块介绍.mp431.02M
| | ├──4-筛选需要的特征图.mp436.33M
| | ├──5-剪枝后模型参数赋值.mp449.54M
| | └──6-微调完成剪枝模型.mp446.93M
| ├──4.Mobilenet三代网络模型架构
| | ├──1-模型剪枝分析.mp422.37M
| | ├──10-V2整体架构与效果分析.mp410.49M
| | ├──11-V3版本网络架构分析.mp411.58M
| | ├──12-SE模块作用与效果解读.mp431.95M
| | ├──13-代码实现mobilenetV3网络架构.mp468.89M
| | ├──2-常见剪枝方法介绍.mp421.77M
| | ├──3-mobilenet简介.mp48.63M
| | ├──4-经典卷积计算量与参数量分析.mp413.23M
| | ├──5-深度可分离卷积的作用与效果.mp414.34M
| | ├──6-参数与计算量的比较.mp439.74M
| | ├──7-V1版本效果分析.mp424.97M
| | ├──8-V2版本改进以及Relu激活函数的问题.mp419.57M
| | └──9-倒残差结构的作用.mp417.46M
| ├──5.知识蒸馏
| | └──知识蒸馏与简历相关.mp41.22G
| └──6.拓展-模型部署与优化
| | └──模型部署.mp4433.59M
└──34-【进阶模块】科研与职业发展
| ├──1.论文写作与科研方法论
| | ├──1-从0-1：论文写作.mp4975.59M
| | ├──2-论文要完成的核心架构分析.mp447.92M
| | ├──3-网络模型基本组件分析.mp475.18M
| | ├──4-流程概述分析.mp466.22M
| | ├──5-实验结果分析.mp468.81M
| | ├──6-源码实现细节解读.mp441.61M
| | └──7-源码结果总结.mp435.18M
| ├──2.Deepseek辅助科研技能学习和科研探索
| | └──Deepseek辅助科研技能学习和科研探索.mp4590.03M
| ├──3.AI时代职业规划
| | └──AI浪潮之下的职业新机遇：如何武装自己，拿下未来岗位？.mp4701.78M
| └──4.就业简历指导
| | └──就业简历.mp4305.71M
:lol GP-人工智能深度学习系统班（14期） 很好的vip资源呀 4444444444444444444444444444 [百度网盘] GP-人工智能深度学习系统班（14期） [复制链接] |主动推送
强烈支持楼主ing…… 4444444444444 :lol 6666666