咕泡AI深度学习系统班：从入门到精通，掌握前沿AI技术

加入咕泡AI深度学习系统班，系统学习从基础到前沿的AI技术。课程涵盖神经网络、卷积神经网络、Transformer架构、视觉Transformer、图神经网络等核心内容，结合PyTorch和TensorFlow框架实战，助你掌握深度学习算法与项目应用。无论你是初学者还是进阶者，本课程都将带你从入门到精通，提升AI技术能力，迈向AI领域的高峰。立即报名，开启你的AI学习之旅！

以下云资源目录树快照生成于[12个月前]，该学习资料由夸克云用户[心旷*怡的青蛙]分享（只展示大部分文件和目录）

咕泡AI深度学习系统班：从入门到精通，掌握前沿AI技术221.33GB(mp4、mkv视频2128节；png图片8张；pdf、txt、xlsx文档202个；zip、rar压缩包197个；pptx演示文稿2个；)

第八期资料

第29章推荐系统实战系列

第11节：补充-基于相似度的酒店推荐系统.zip1.81MB

第9节：基于文本数据的推荐实例.zip254.77MB

第8节：推荐系统常用工具包演示.zip129.35MB

第7节：DeepFM算法实战.zip1.16MB

第6节：FM与DeepFM算法.pdf759.61KB

第5节：基于知识图谱的电影推荐实战.zip160.61MB

第2节：协同过滤与矩阵分解.pdf974.68KB

第1节：推荐系统介绍.pdf1.5MB

第10节：基于统计分析的电影推荐

电影推荐.zip10.05MB

第4节：Neo4j数据库实例

NEO4J.pdf268KB

第3节：音乐推荐系统实战

Python实现音乐推荐系统

user_playcount_df.csv44.14MB

triplet_dataset_sub_song.csv648.3MB

train_triplets.txt2.8GB

track_metadata_df_sub.csv5.94MB

track_metadata.db711.61MB

推荐系统.ipynb363.54KB

song_playcount_df.csv8.47MB

Recommenders.py9.23KB

recommendation_engines.py13.66KB

老版.ipynb344.85KB

8.png68.76KB

7.png77.29KB

6.png60.31KB

5.png3.61KB

4.png12KB

3.png42.96KB

2.png30.4KB

1.png45.33KB

__pycache__

Recommenders.cpython-36.pyc4.97KB

.ipynb_checkpoints

推荐系统-checkpoint.ipynb344.85KB

第28章语音识别实战系列

语音识别LAS模型.zip420.12MB

语音合成tacotron2实战.zip302.43MB

语音分离Conv-TasNet.zip84.38MB

变声器pytorch-StarGAN-VC2.zip484.93MB

PPT

语音合成-tacotron2.pdf272.56KB

语音分离.pdf821.19KB

stargan-vc2.pdf788.58KB

seq2seq.pdf592.9KB

论文

tacotron2论文.pdf366.27KB

stargancv2论文.pdf451.51KB

Conv-TasNet论文.pdf1.46MB

第27章知识图谱实战系列

第8节：医学糖尿病数据命名实体识别

notebook-瑞金.zip4.96MB

eclipse-命名实体识别.zip18.19MB

第7节：金融平台风控模型实践

贷款风控特征工程.zip1.95GB

第6节：文本关系抽取实践

关系抽取.zip740.57MB

第5节：基于知识图谱的医药问答系统实战

配置与安装.pdf102.29KB

第4节：使用python操作neo4j实例

python操作neo4j.zip25.53KB

第3节：Neo4j数据库实战

NEO4J.pdf268KB

第1.2节：知识图谱介绍及其应用领域分析

知识图谱.pdf2.14MB

第26章⾃然语⾔处理通⽤框架-BERT实战

课件、源码

NLP核心模型-word2vec.zip2.15MB

第8节：医学糖尿病数据命名实体识别.zip23.07MB

第7节：必备基础知识点-RNN网络架构与情感分析应用实例.zip98.43MB

第6节：必备基础-掌握Tensorflow如何实现word2vec模型.zip32.61MB

第5节：必备基知识点-word2vec模型通俗解读.zip2.15MB

第4节：项目实战-基于BERT的中文命名实体识别实战.zip732MB

第3节：项目实战-基于BERT的中文情感分析实战.zip2.3MB

第2节：谷歌开源项目BERT源码解读与应用实例.zip992.81MB

第1节：BERT课件.pdf1.91MB

BERT开源项目及数据.zip992.7MB

BERT.zip732.89MB

课后作业

第八模块：BERT作业.pdf149.58KB

第25章时间序列预测

Informer.zip18.28MB

Informer.pdf1.12MB

第24章自然语言处理必备神器Huggingface系列实战

第十一章：补充Huggingface数据集制作方法实例

数据格式转换.zip89.44MB

第十章：图谱知识抽取实战

CMeKG.zip1.32GB

第九章：文本摘要建模

Summarization.zip2.04GB

Summarization.ipynb287.84KB

第八章：GPT训练与预测部署流程

GPT.zip1.25GB

第七章：GPT系列算法

GPT系列.pdf1.37MB

第六章：文本预训练模型构建实例

Mask Language Model.ipynb51.29KB

第五章：文本标注工具与NER实例

ner.zip121.6MB

第四章：BERT系列算法解读

BERT系列.pdf969.92KB

第三章：transformer原理解读

transformer.pdf1.99MB

第二章：Transformer工具包基本操作实例解读

2-Finetuning.zip2.05GB

1-Transformers.zip383.62MB

第一章：Huggingface与NLP介绍解读

Huggingface初识.pptx168.85KB

第23章⾃然语⾔处理经典案例实战

源码、数据集等

11-14：基于Tensorflow的项目实战

问答机器人

QA问答.zip880.47MB

唐诗生成

poem.zip96.97MB

LSTM.zip101.3MB

NLP-文本相似度

文本相似度.zip115.77MB

LSTM情感分析

LSTM.zip101.3MB

LSTM.ipynb59.19KB

对话问答机器人

chatbot.zip1.43GB

10：NLP方法对比

自然语言处理-特征提取方法对比.zip1.22MB

8-9：word2vec词向量实战

Word2Vec

word2vec.zip84.58MB

tensorflow-word2vec.zip1.85MB

gensim训练model.zip2.08GB

Gensim-代码.zip4.59MB

5-6：HMM实战

隐马尔科夫模型（课件）

HMM.pdf1.16MB

HMM案例实战

时间序列.ipynb188.97KB

hmm实践.ipynb5.78KB

data2.csv130.67KB

HMM

hmm_start.py823Byte

get_hmm_param.py2.64KB

data.py318Byte

__pycache__

get_hmm_param.cpython-36.pyc2.44KB

data.cpython-36.pyc216Byte

4：贝叶斯算法-新闻分类任务

贝叶斯Python文本分析

Python文本分析.zip19.39MB

搜狗新闻语料

val.txt9.49MB

train.txt86.82MB

test.txt18.29MB

3：贝叶斯算法

5-贝叶斯算法.pdf654.82KB

2：商品信息与文本可视化

商品可视化展示与文本处理.zip213.82MB

NLP常用工具包

Python-自然语言处理工具包.zip9.71MB

Python-自然语言处理工具包(1).zip9.71MB

课件

tensorflow-RNN.pdf120.1KB

RNN与LSTM.pdf1.43MB

Python文本分析.pdf579.54KB

贝叶斯算法.pdf620.68KB

5-贝叶斯算法.pdf654.82KB

课后作业

data.txt9.49MB

第八模块：NLP实战(1).pdf73.15KB

第22章深度学习模型部署与剪枝优化实战

YOLO部署实例.zip876.45MB

TensorFlow-serving.zip2.96MB

PyTorch模型部署实例.zip102.8KB

pytorch-slimming.zip356.43MB

mobilenetv3.py7.31KB

Mobilenet.pdf2.41MB

剪枝算法.pdf504.02KB

Docker使用命令.zip7.83MB

嵌入式AI

第四章 deepstream

4.6 deepstream集成yolov4.pdf822.46KB

4.5 deepstream推理.pdf815.11KB

4.4 python实现RTP和RTSP.pdf648.17KB

4.3 GStreamer RTP和RTSP.pdf1.46MB

4.2 deepstream HelloWorld.pdf711.55KB

4.1 deepstream 介绍安装.pdf620.52KB

software

rtspVideoH264.py717Byte

rtspCameraH264.py725Byte

gstreamer-1.0-msvc-x86_64-1.20.4.msi104.38MB

EasyPlayer-RTSP-Win-V3.0.19.0515.zip16.31MB

camera_gstreamer_code_rtsp_out.py2.07KB

camera_gstreamer_code_rtp.py2.12KB

Accelerated_GStreamer_User_Guide.pdf1.08MB

第三章 NVIDIA TAO 实用级的训练神器

3.5TAO 剪枝在训练推理验证.pdf791.99KB

3.4NVIDIA TAO预训练模型和训练.pdf858.8KB

3.3NVIDIA TAO数据转换.pdf936.63KB

3.2NVIDIA TAO数据准备和环境设置.pdf785.88KB

3.1NVIDIA TAO介绍和安装.pdf570.97KB

第二章 AI 实战

时间统计.xlsx9.57KB

2.6 转换出onnx模型，并使用.pdf95.28KB

2.5 训练出自己目标识别模型.pdf1.13MB

2.4 训练自己的目标检测模型准备.pdf300.13KB

2.3 docker中运行分类模型.pdf124.5KB

2.2 docker 的安装使用.pdf395.69KB

2.1 jetson-inference 入门.pdf115.24KB

2software

usbCamera.py159Byte

mobilenet-v1-ssd-mp-0_675.pth36.24MB

jetson-inference.zip557.41MB

csiCamera.py1002Byte

networks

googlenet_noprob.prototxt34.94KB

googlenet.prototxt35.02KB

bvlc_googlenet.caffemodel51.05MB

第一章认识 jetson nano

1.4 安装使用摄像头csi usb.pdf163.17KB

1.3 感受nano的GPU算力.pdf118.11KB

1.2b jetson nano 系统安装过程.pdf802.23KB

1.2 jetson nano 刷机.pdf503.86KB

1.1 jetson nano 硬件介绍.pdf895.04KB

1software

usbCamera.py183Byte

SDCardFormatterv5_WinEN.zip6.13MB

csiCamera.py1002Byte

code_1.71.2-1663189619_arm64.deb71.46MB

balenaEtcher-Setup-1.7.9.exe138.76MB

第21章经典大模型解读

6 节ChatGPT

GPT系列.pdf1.81MB

5 节Dalle2及其源码解读

dalle2.pdf40.92MB

DALLE2-pytorch-main.zip4.21MB

4 节Diffusion模型解读

annotated_diffusion.ipynb4.45MB

3 节CLIP系列

CLIP及其应用.pdf1.8MB

CLIP.zip679.35KB

2 节GPT建模与预测流程

ChinesePretrainedModels.zip1.62GB

1 节GPT系列生成模型

GPT系列.pdf1.25MB

GPT.zip1.25GB

第20章面向医学领域的深度学习实战

16-词向量模型与RNN网络架构.zip2.15MB

3-PyTorch框架必备核心模块解读.zip336.95MB

2-PyTorch框架基本处理操作.zip98.58MB

17-医学糖尿病数据命名实体识别

notebook-瑞金.zip4.96MB

eclipse-命名实体识别.zip18.19MB

15-基于知识图谱的医药问答系统实战

配置与安装.pdf102.29KB

14-Neo4j数据库实战

NEO4J.pdf268KB

13-知识图谱原理解读

知识图谱.pdf2.14MB

12-基于YOLO5细胞检测实战

基于YOLO5细胞检测实战.zip584.81MB

11-YOLO系列物体检测算法原理解读

YOLOv4.pdf3.84MB

YOLO.pdf2.05MB

10-基于deeplab的心脏视频数据诊断分析

基于deeplab的心脏视频数据诊断分析.zip748.28MB

9-基于deeplabV3+版本进行VOC分割实战

DeepLabV3Plus.zip1.92GB

8-deeplab系列算法

DeepLab.pdf704.25KB

7-unet医学细胞分割实战

unet++.zip409.6MB

6-Unet系列算法讲解

深度学习分割任务.pdf1.14MB

5-图像分割及其损失函数概述

深度学习分割任务.pdf1.14MB

4-基于Resnet的医学数据集分类实战

Resnet.pdf207.88KB

1-神经网络算法PPT

深度学习.pdf9.93MB

第19章-强化学习实战系列

第8节：A3C算法玩转超级马里奥.zip97.62MB

第7节：Actor-Critic算法分析(A3C).pdf560.29KB

第5节：DQN算法实例演示.zip1.98KB

第4节：DQN算法.pdf1.43MB

第3节：策略梯度实战-月球登陆器训练实例.zip4.34MB

第2节：PPO算法与公式推导.pdf899.22KB

第1节：强化学习简介及其应用.pdf738.65KB

第18章对抗⽣成⽹络实战

static.zip1.26MB

第7节：starganvc2变声器项目实战及其源码解读.zip485MB

第5节：stargan项目实战及其源码解读.zip869.44MB

第3节：基于CycleGan开源项目实战图像合成.zip1.6GB

第2节：对抗生成网络架构原理与实战解析.zip35.28MB

cyclegan.pdf2.67MB

第9节：基于GAN的图像补全实战

图像补全人脸数据.zip1.31GB

glcic图像补全.zip178.82MB

第8节：图像超分辨率重构实战

srgan超分辨率重构.zip532.56MB

srdata.zip3.97GB

第6节：基于starganvc2的变声器论文原理解读

stargan-vc2.pdf788.57KB

1907.12279.pdf451.51KB

第4节：stargan论文架构解析

stargan.pdf936.95KB

1912.01865.pdf5.45MB

第17章⾏⼈重识别实战

第7节：基于拓扑图的行人重识别项目实战

基于图模型的ReID(旷视).zip1.55GB

第6节：旷视研究院最新算法解读（基于图模型）

Wang_High-Order_Information_Matters_Learning_Relation_and_Topology_for_Occluded_Person_CVPR_2020_paper.pdf1.5MB

第5节：项目实战-基于行人局部特征融合的再识别实战

Relation Network for Person Re-identification.zip296.48MB

第4节：经典会议算法精讲（特征融合）

Relation Network for Person Re-identification.pdf2.52MB

第3节：基于Attention的行人重识别项目实战

Relation-Aware-Global-Attention-Networks.zip3.09GB

第2节：基于注意力机制的ReId模型论文解读

Relation-Aware Global Attention.pdf675.74KB

第1节：行人重识别原理及其应用

行人重识别.pdf1.83MB

第16章缺陷检测实战

DeepLab铁质材料缺陷检测与开源项目应用流程.zip3.58GB

第10章：基于视频流水线的Opnecv缺陷检测项目.zip13.96MB

第9章：基于Opencv缺陷检测项目实战.zip11.38MB

第5章：Semi-supervised布料缺陷检测实战.zip212.33MB

Resnet分类实战

Resnet.pdf207.88KB

PyTorch基础

3-图像识别核心模块实战解读.zip336.95MB

1-PyTorch框架基本处理操作.zip98.58MB

第11-12章：deeplab

DeepLabV3Plus.zip1.92GB

DeepLab.pdf704.25KB

第6-8章：Opencv各函数使用实例

第二部分notebook课件.zip1.29MB

第一部分notebook课件.zip7.28MB

第1-4章：YOLOV5缺陷检测

YOLO新版.pdf3.62MB

YOLO5.zip469.64MB

NEU-DET.zip26.68MB

Defective_Insulators.zip54.69MB

第15章对比学习与多模态任务实战

多模态文字识别

DBNET.pdf3.83MB

ABINET.pdf1.24MB

多模态3D目标检测算法源码解读

mmdetection3d-1.0.0rc0.zip395.05MB

对比学习算法与实例

trainCLIP.py1.56KB

对比学习.pdf1.96MB

CLIP系列

CLIP及其应用.pdf1.94MB

CLIP.zip679.35KB

ANINET源码解读

mmocr-main.zip381.72MB

第14章⾯向深度学习的⽆⼈驾驶实战

15-特斯拉无人驾驶解读

Tesla无人驾驶.pdf4.02MB

14-轨迹估计预测实战

Vector.zip4.93MB

13-轨迹估计算法与论文解读

无人驾驶.pdf629.17KB

12-TSDF实战案例

TSDF实例

tsdf-fusion-python-master.zip120.44MB

11-TSDF算法与应用

TSDF.pdf786.76KB

10-NeuralRecon项目源码解读

NeuralRecon

train_demo.zip64.62MB

data.py9.87KB

all_tsdf_9.zip5.3MB

8-NeuralRecon算法解读

NeuralRecon.pdf7.73MB

三维重建.pdf3.07MB

7-三维重建应用与坐标系基础

三维重建.pdf2.91MB

6-局部特征关键点匹配实战

LoFTR.zip404.06MB

5-商汤LoFTR算法解读

Loftr.pdf1.66MB

2104.00680.pdf7.68MB

4-基于深度学习的车道线检测项目实战

Lane-Detection.zip1.9GB

3-车道线检测算法与论文解读

基于深度学习的车道线检测.pdf879.67KB

2.深度估计项目实战

LapDepth.zip650.39MB

1.深度估计算法解读

深度估计.pdf1.5MB

Monocular_Depth_Estimation_Using_Laplacian_Pyramid-Based_Depth_Residuals.pdf13.78MB

第13章 3D点云实战

第8节：基础补充-对抗生成网络架构原理与实战解析

第八章：对抗生成网络架构原理与实战解析.zip35.28MB

第7节：点云配准及其案例实战

RPMNet.zip447.43MB

点云匹配.pdf552.85KB

2003.13479.pdf1.64MB

第6节：点云补全实战解读

PF-Net-Point-Fractal-Network.zip646.12MB

第5节：点云补全PF-Net论文解读

点云补全.pdf596.42KB

2003.00410.pdf4.02MB

第4节：Pointnet++项目实战

Pointnet2.zip2.33GB

第3节：PointNet++算法解读

PointNet++.pdf1.72MB

第2节：3D点云PointNet算法

PointNet++.pdf1.72MB

CloudCompare.zip68.07MB

第1节：3D点云应用领域分析

激光雷达.mp48.14MB

点云.pdf1.14MB

第12章图神经⽹络实战

异构图神经网络

异构图神经网络.pdf3.06MB

异构图.pdf1017.27KB

HeterogeneousGraph.zip1.89MB

基于图模型的时间序列预测

Raindrop-main.rar89.66MB

raindrop-AAAI22.pdf10.58MB

2110.05357.pdf880.7KB

第二章：图卷积GCN模型

图卷积.pdf1.02MB

第一章：图神经网络基础

图神经网络.pdf1.59MB

9-图模型轨迹估计实战

Vector.zip4.93MB

8-基于图模型的轨迹估计

数据集Demo.mp44.08MB

轨迹轨迹.pdf669.95KB

7-图相似度计算实战

Extended-SimGNN.zip3.49MB

6-图相似度论文解读

1808.05689.pdf1.46MB

5-图注意力机制与序列图模型

图注意力机制.pdf748.26KB

Temporal Graph Neural Networks.pdf703.14KB

时间序列TGCN.zip29.94MB

4-使用PyTorch Geometric构建自己的图数据集

创建自己的数据集.zip423.92MB

3-图模型必备神器PyTorch Geometric安装与使用

工具包使用.zip16.68MB

第11章论文必备Transformer实战解读

Transformer在视觉中的应用VIT算法.pdf1.24MB

transformer.pdf1.99MB

mmdetection-master.zip1.46GB

Medical-Transformer.zip59.77MB

maskformer.pdf1.51MB

mask2former.pdf2.97MB

LoFTR.zip404.06MB

Loftr.pdf1.51MB

可变形DETR.pdf4.5MB

Informer.zip18.28MB

Informer.pdf1.12MB

第七章：detr目标检测源码解读.zip108.29KB

第六章：基于Transformer的detr目标检测算法.pdf885.69KB

第五章：swintransformer源码解读.zip234.56MB

第四章：swintransformer算法原理解析.pdf807.76KB

BEV.pdf998.21KB

baiduyunguangjia_cfg_A900527E-5BA6-4d22-8E96-E40D5C6EDF61.cfg4Byte

2104.00680.pdf7.8MB

基础补充-Resnet模型及其应用实例

Resnet.pdf207.88KB

谷歌开源项目BERT源码解读与应用实例

BERT开源项目及数据.zip992.7MB

第十二，十三章

LoFTR.zip404.06MB

Loftr.pdf1.51MB

2104.00680.pdf7.8MB

第10章经典视觉项目实战-行为识别

slowfast论文.pdf1.45MB

基础补充-PyTorch框架基本处理操作.zip98.58MB

基础补充-PyTorch框架必备核心模块解读.zip336.95MB

6-视频异常检测CVPR2021论文及其源码解读.zip243.75MB

5-视频异常检测算法与元学习.pdf1.15MB

4-基于3D卷积的视频分析与动作识别.zip845.84MB

1-slowfast算法知识点通俗解读.pdf572.31KB

slowfast-add

avademo.zip2.08GB

download

val.csv1.54MB

train.csv1.48MB

_Ca3gOdOHxU.mp4516.8MB

_145Aa_xkuE.mp4313.33MB

1j20qq1JyX4.mp4240.53MB

-5KQ66BBWC4.mkv.1251.05MB

-5KQ66BBWC4.mkv251.05MB

ava_annotations

ava_val_v2.2.csv11.05MB

ava_train_v2.2.csv39.22MB

ava_train_v2.1.csv35.11MB

person_box_67091280_iou90

val.csv98.31MB

train.csv358.14MB

test.csv198.39MB

ava_val_v2.1.csv9.94MB

ava_val_predicted_boxes.csv7.58MB

ava_val_excluded_timestamps_v2.1.csv629Byte

ava_train_v2.1.csv35.11MB

ava_train_predicted_boxes.csv52.2MB

ava_detection_val_for_training_boxes_and_labels_include_negative_v2.2.csv15.16MB

ava_detection_val_for_training_boxes_and_labels_include_negative_v2.1.csv14.93MB

ava_detection_val_for_training_boxes_and_labels_include_negative.csv14.93MB

ava_detection_val_boxes_and_labels.csv7.58MB

ava_detection_train_boxes_and_labels_include_negative_v2.2.csv53.28MB

ava_detection_train_boxes_and_labels_include_negative_v2.1.csv52.2MB

ava_detection_train_boxes_and_labels_include_negative.csv52.2MB

ava_detection_test_boxes_and_labels.csv14.63MB

ava_action_list_v2.1_for_activitynet_2018.pbtxt2.59KB

基础补充-Resnet模型及其应用实例

Resnet.pdf207.88KB

第10章经典视觉项目实战-目标追踪与姿态估计

基础补充-PyTorch框架基本处理操作.zip98.58MB

基础补充-PyTorch框架必备核心模块解读.zip336.95MB

第四章：Deepsort源码解读.zip107.9MB

第三章：Deepsort算法知识点解读.pdf1.58MB

第二章：OpenPose算法源码分析.zip243.86MB

第一章：姿态估计OpenPose系列算法解读.pdf2.42MB

基础补充-Resnet模型及其应用实例

Resnet.pdf207.88KB

第五六七章：YOLO目标检测

YOLO新版.pdf3.62MB

YOLO5.zip469.64MB

NEU-DET.zip26.68MB

训练自己的数据集

json2yolo.py1.48KB

构建自己的数据集.pdf403.78KB

COCO-DATA

COCO数据集.txt96Byte

第9章走向AI论文实验与项目实战的捷径-MMLAB实战系列

ner.zip121.6MB

mask2former(mmdetection).zip192.38MB

第九模块：mmaction2-master.zip827.76MB

第八模块：mmrazor-模型蒸馏.zip1GB

第七模块：mmdetection3d-1.0.0rc0.zip395.05MB

第六模块：mmediting-master.zip107.78MB

第五模块：mmgeneration-master.zip746.81MB

第四模块：mmocr-main.zip381.72MB

第三模块：mmdetection-master.zip1.46GB

第二模块：MPViT-main.zip924.77MB

第二模块：mmsegmentation-0.20.2.zip2.8GB

第一模块：mmclassification-master.zip912MB

OCR算法解读

DBNET.pdf3.83MB

ABINET.pdf1.24MB

KIE关键信息抽取与视频超分辨率重构

spynet.pdf5.8MB

KIE.pdf2.27MB

BasicVSR++.pdf13.04MB

DeformableDetr算法解读

可变形DETR.pdf4.5MB

第8章图像分割实战

图像识别核心模块实战解读.zip336.95MB

R(2+1)D网络.pdf507.15KB

PyTorch框架基本处理操作.zip98.58MB

MaskRcnn网络框架源码详解.zip1.14GB

mask-rcnn.pdf989.98KB

f112c9fda85536ee3eba662c9043e683.bat70Byte

第5节：U-2-Net.zip636.25MB

unet医学细胞分割实战

unet++.zip409.6MB

Unet系列算法讲解

深度学习分割任务.pdf1.14MB

图像分割算法

深度学习分割任务.pdf1.14MB

基于Resnet的医学数据集分类实战

Resnet.pdf207.88KB

基于deeplabV3+版本进行VOC分割实战

DeepLabV3Plus.zip1.92GB

基于deeplab的心脏视频数据诊断分析

基于deeplab的心脏视频数据诊断分析.zip748.28MB

分割模型Maskformer系列

maskformer.pdf1.51MB

mask2former.pdf2.97MB

deeplab系列算法

DeepLab.pdf704.25KB

补充：Mask2former源码解读

mask2former(mmdetection).zip192.38MB

第7章综合项⽬-物体检测经典算法实战

Yolov7结构图.pptx44.45KB

YOLOV7.pdf1.69MB

yolov7-main.zip337.57MB

物体检测.pdf1.38MB

mmdetection-3.x.zip35.6MB

可变形DETR.pdf4.5MB

json2yolo.py1.48KB

EfficientNet.pdf943.23KB

EfficientDet.zip80.48MB

EfficientDet.pdf780.7KB

detr目标检测源码解读.zip108.29KB

第十二章：基于Transformer的detr目标检测算法.pdf885.69KB

CenterNet.pdf8.83MB

YOLO系列（PyTorch）

YOLO新版.pdf3.62MB

YOLO5.zip469.64MB

PyTorch-YOLOv3.zip462.21MB

NEU-DET.zip26.68MB

训练自己的数据集

json2yolo.py1.48KB

构建自己的数据集.pdf403.78KB

COCO-DATA

COCO数据集.txt96Byte

第6章 Opencv图像处理框架实战

源码资料

第21节：项目实战-疲劳检测.zip74.15MB

第21节：人脸关键点定位.zip69.75MB

第20节：卷积原理与操作.zip24.47KB

第19节：项目实战-目标追踪.zip125.33MB

第18节：Opencv的DNN模块.zip49.62MB

第15节：项目实战-答题卡识别判卷.zip3.07MB

第14节：项目实战-停车场车位识别.zip111.34MB

第13节：案例实战-全景图像拼接.zip829.49KB

第10节：项目实战-文档扫描OCR识别.zip44.94MB

第9节：项目实战-信用卡数字识别.zip548.1KB

课件

第16-17节notebook课件.zip9.37MB

第11-12节notebook课件.zip52.05MB

第2-8节课件

第8节notebook课件.zip1.29MB

第2-7节notebook课件.zip7.28MB

第5章深度学习框架Tensorflow

源码资料

第13节：经典网络架构Resnet实战.zip518.92MB

第12节：时间序列预测.zip14.02MB

第11节：CNN文本分类实战.zip27.62KB

第10节：基于RNN模型进行文本分类任务.zip95.66MB

第9节：基于TensorFlow实现word2vec.zip29.92MB

第8节：递归神经网络与词向量原理解读.zip2.15MB

第7节：训练策略-迁移学习实战.zip66.93MB

第6节：图像数据增强实例.zip6.19MB

第5节：猫狗识别实战.zip66.23MB

第3节：搭建神经网络进行分类与回归任务.zip17.63MB

第1节：tensorflow安装与简介.zip298.74KB

课件

神经网络整体架构（深度学习）.pdf9.54MB

第4章深度学习核⼼框架PyTorch

深度学习.pdf9.93MB

PyTorch.pdf2.67MB

flask预测.zip712.05MB

第七章：LSTM文本分类实战.zip31.53MB

第六章：DataLoader自定义数据集制作.zip594.02MB

第五章：图像识别模型与训练策略（重点）.zip449.77MB

第3章深度学习必备核⼼算法

课件

深度学习.pdf9.93MB

卷积神经网络.pdf2.59MB

词向量模型资料

NLP核心模型-word2vec.zip2.15MB

第2章 AI课程所需安装软件教程

VisualStudioSetup.exe1.6MB

torchvision-0.11.0+cu113-cp38-cp38-win_amd64.whl3.04MB

torch-1.10.0+cu113-cp38-cp38-win_amd64.whl2.27GB

pycharm-community-2022.1.2.exe378.78MB

notepadplusplus-8-4.exe4.28MB

mmcv_full-1.4.7-cp38-cp38-win_amd64.whl12.75MB

cuda_11.3.0_465.89_win10.exe2.68GB

Anaconda3-2020.07-Windows-x86_64.exe467.49MB

第1章直播课

15-直播13：BEITV2-3与Mmlab自监督源码解读

第十三课：BEITV2及其源码解读

BEiT v2.pdf9.87MB

1-17 节直播15：总结与论文和简历

EfficientViT.pdf5.42MB

1-16 节直播14：Bev特征空间与知识蒸馏

蒸馏.pdf1.45MB

Reinforced Multi-Teacher Selection for Knowledge Distillation.pdf1.02MB

Decoupled Knowledge Distillation.pdf1.98MB

BEV.pdf998.7KB

1-14 节直播12：注意力机制串讲

可变形DETR.pdf4.42MB

Informer.pdf1.12MB

1-13 节直播11：对比学习与自监督任务

对比学习.pdf1.96MB

BEIT.pdf1017.26KB

1-12 节直播10：EfficientVIT与DINOV2

IMAGE BERT PRE-TRAINING WITH ONLINE.pdf14.49MB

Emerging Properties in Self-Supervised Vision Transformers.pdf13.43MB

EfficientViT.pdf5.41MB

DINOv2.pdf7.71MB

1-11 节直播9：LangChain与VQA任务

langchain-tutorials-main.zip38.24MB

From Images to Textual Prompts.pdf6.68MB

1-10 直播8：图神经网络

异构图.pdf937.68KB

图注意力机制.pdf741.59KB

图神经网络.pdf1.51MB

图卷积.pdf955.9KB

Temporal Graph Neural Networks.pdf695.82KB

1-9 直播7：文本大模型下游任务一条龙资料

Huatuo-Llama-Med-Chinese-main.zip44.74MB

大模型.pdf1.37MB

1-8 节直播6：时间序列timesnet

Time-Series-Library-main.zip21.74MB

2210.02186.pdf3.81MB

1-7 节直播5：Segment anything

SAM.pdf14.98MB

1-6 节直播4：VIT源码解读

Transformer在视觉中的应用VIT算法.pdf1.24MB

1-5 节直播3：Transformer

transformer.pdf1.99MB

1-4 节直播2：卷积神经网络

卷积神经网络.pdf2.59MB

1-3 节直播1：神经网络结构

神经网络.pdf6.31MB

1-1 节开班典礼

3_唐宇迪《深度学习》系统班V8.0.pdf31.04MB

30-论文创新点常用方法及其应用实例

1-通用创新点

18-在源码中加入各种注意力机制方法.mp4122.48MB

17-可变形卷积加入方法.mp423.44MB

16-自己数据集如何发的好(要开源).mp445.07MB

15-只能机器学习模型时凑工作量（特征工程）.mp46.02MB

14-Coarse2Fine大框架.mp440.53MB

13-自适应可学习参数.mp414.27MB

12-损失函数约束项.mp48.42MB

11-结合GNN构建局部特征.mp425.87MB

10-Attention额外加入先验知识.mp47.42MB

9-CrossAttention融合特征.mp420.5MB

8-ProbAttention(采样策略).mp423.58MB

7-Deformable(替换selfAttention).mp444.9MB

6-mobileOne(加速).mp445.26MB

5-SPP改进.mp417.03MB

4-SPD（可替换下采样）.mp445.03MB

3-Coordinate_attention.mp474.92MB

2-GCnet(全局特征融合).mp474.35MB

1-ACMIX（卷积与注意力融合）.mp486.05MB

29-推荐系统实战系列

11-补充-基于相似度的酒店推荐系统

6-6-得出推荐结果.mp461.97MB

5-5-相似度计算.mp447.62MB

4-4-文本清洗.mp432.9MB

3-3-ngram结果可视化展示.mp453.07MB

2-2-文本词频统计.mp431.41MB

1-1-酒店数据与任务介绍.mp422.01MB

10-基本统计分析的电影推荐

9-9-得出推荐结果.mp451.85MB

8-8-数据特征构造.mp436.15MB

7-7-推荐引擎构造.mp450.93MB

6-6-缺失值填充方法.mp437.16MB

5-5-数据清洗概述.mp457.31MB

4-4-特征可视化.mp438.67MB

3-3-关键词云与直方图展示.mp445.97MB

2-2-数据与关键词信息展示.mp461.26MB

1-1-电影数据与环境配置.mp464.07MB

9-基于文本数据的推荐实例

7-7-推荐结果分析.mp443MB

6-6-LDA主题模型效果演示.mp453.07MB

5-5-矩阵分解演示.mp429.02MB

4-4-TFIDF构建特征矩阵.mp431.28MB

3-3-文本数据预处理.mp437.37MB

2-2-数据科学相关数据介绍.mp431.25MB

1-1-数据与环境配置介绍.mp419.81MB

8-推荐系统常用工具包演示

5-5-评估指标概述.mp466.45MB

4-4-模型测试集结果.mp430.72MB

3-3-surprise工具包基本使用.mp436.06MB

2-2-电影数据集预处理分析.mp432.75MB

1-1-环境配置与数据集介绍.mp435.7MB

7-DeepFM算法实战

9-9-DNN模块与训练过程.mp437.53MB

8-8-完成FM模块计算.mp424.56MB

7-7-特征组合方法实例分析.mp449.49MB

6-6-二阶特征构建方法.mp428.85MB

5-5-一阶权重参数设计.mp433.52MB

4-4-Index与Value数据制作.mp429.32MB

3-3-数据处理模块Embedding层.mp434.38MB

2-2-广告点击数据预处理实例.mp449.15MB

1-1-数据集介绍与环境配置.mp457.76MB

6-点击率估计FM与DeepFM算法

8-8-Embedding层的作用与总结.mp421.52MB

7-7-输入层所需数据样例.mp414.12MB

6-6-DeepFm整体架构解读.mp415.14MB

5-5-FM算法解析.mp419.83MB

4-4-二阶公式推导与化简.mp420.88MB

3-3-二项式特征的作用与挑战.mp411.8MB

2-2-高维特征带来的问题.mp412.95MB

1-1-CTR估计及其经典方法概述.mp421.94MB

5-基于知识图谱的电影推荐实战

7-7-相似度计算与推荐引擎构建.mp439.17MB

6-6-图谱查询与匹配操作.mp419.62MB

3-3-图谱需求与任务流程解读.mp426.59MB

1-1-知识图谱推荐系统效果演示.mp423.66MB

4-知识图谱与Neo4j数据库实例

10-5-数据库更改查询操作演示.mp427.14MB

9-4-创建与删除操作演示.mp425.32MB

8-3-可视化例子演示.mp443.59MB

6-1-Neo4j图数据库介绍.mp463.5MB

5-5-数据获取分析.mp435.93MB

4-4-金融与推荐领域的应用.mp420.39MB

2-2-知识图谱在搜索引擎中的应用.mp426.6MB

1-1-知识图谱通俗解读.mp419.87MB

3-音乐推荐系统实战

6-6-基于矩阵分解的音乐推荐.mp483.15MB

3-3-基于物品的协同过滤.mp463.1MB

2-2-数据集整合.mp453.91MB

1-1-音乐推荐任务概述.mp464.46MB

2-协同过滤与矩阵分解

8-8-Embedding的作用.mp411.11MB

7-7-隐式情况分析.mp414.1MB

6-6-目标函数简介.mp413.75MB

5-5-矩阵分解中的隐向量.mp425.07MB

4-4-矩阵分解的目的与效果.mp420.65MB

3-3-相似度计算与推荐实例.mp415.18MB

2-2-基于用户与商品的协同过滤.mp418.52MB

1-1-协同过滤与矩阵分解简介.mp411.3MB

1-推荐系统介绍及其应用

6-6-与深度学习的结合.mp423.7MB

5-5-常用技术点分析.mp416.45MB

4-4-任务流程与挑战概述.mp426.74MB

3-3-应用领域与多方位评估指标.mp426.51MB

2-2-推荐系统发展简介.mp423.22MB

1-1-推荐系统通俗解读.mp417.27MB

28-语音识别实战系列

7-语音合成tacotron最新版实战

12-损失函数与预测.mp447.96MB

11-模型输出结果.mp453.26MB

10-得到加权的编码向量.mp455.86MB

9-注意力机制应用方法.mp443.71MB

8-解码器流程梳理.mp441.4MB

7-解码器输入准备.mp434.57MB

6-得到编码特征向量.mp428.54MB

5-编码层要完成的任务.mp446.37MB

4-Dataloader构建数据与标签.mp466.68MB

3-路径配置与整体流程解读.mp470.15MB

2-所需数据集介绍.mp452.73MB

1-语音合成项目所需环境配置.mp444.55MB

6-ConvTasnet语音分离实战

8-测试模块所需参数.mp442.42MB

7-解码得到分离后的语音.mp452.59MB

6-构建更大的感受区域.mp453.48MB

5-编码器特征提取.mp455.01MB

4-采样数据特征编码.mp437.67MB

3-DataLoader定义.mp438.03MB

2-训练任务所需参数介绍.mp427.66MB

1-数据准备与环境配置.mp477.96MB

5-语音分离ConvTasnet模型

6-基于Mask得到分离结果.mp419.25MB

5-DW卷积的作用与效果.mp410.17MB

4-TasNet编码器结构分析.mp441.61MB

3-DeepClustering论文解读.mp416.26MB

2-经典语音分离模型概述.mp418.09MB

1-语音分离任务分析.mp49.16MB

4-staeganvc2变声器源码实战

11-测试模块-生成转换语音.mp447.17MB

10-源码损失计算流程.mp434.82MB

9-论文损失函数.mp4100.48MB

8-判别器模块解读.mp435.22MB

7-生成器前向传播维度变化.mp426.49MB

6-starganvc2版本标签输入分析.mp449.96MB

5-下采样与上采样操作.mp435.48MB

4-生成器构造模块解读.mp441.33MB

3-数据预处理与声音特征提取.mp488.49MB

2-环境配置与工具包安装.mp437.11MB

1-数据与项目文件解读.mp421.8MB

3-starganvc2变声器论文原理解读

7-判别器模块分析.mp4114.03MB

6-AdaIn的目的与效果.mp413.18MB

5-InstanceNorm的作用解读.mp418.58MB

4-生成器模型架构分析.mp415.81MB

3-语音特征提取.mp430.57MB

2-VCC2016输入数据.mp420.76MB

1-论文整体思路与架构解读.mp434.66MB

2-LAS模型语音识别实战

9-解码器与训练过程演示.mp443.78MB

8-计算得到每个输出的attention得分.mp436.42MB

7-加入注意力机制.mp433.29MB

6-编码器模块整体流程.mp431.43MB

5-Pack与Pad操作解析.mp435.92MB

4-声音数据处理模块解读.mp462.84MB

3-制作json标注数据.mp437.84MB

2-语料表制作方法.mp425.47MB

1-数据源与环境配置.mp432.23MB

1-seq2seq序列网络模型

6-额外补充-RNN网络模型解读.mp423.75MB

5-TeacherForcing的作用与训练策略.mp416.61MB

4-加入attention的序列模型整体架构.mp420.57MB

3-注意力机制的作用.mp414.86MB

2-工作原理概述.mp48.98MB

1-序列网络模型概述分析.mp417.3MB

27-知识图谱实战系列

8-医学糖尿病数据命名实体识别

6-医疗数据集（糖尿病）实体识别.mp481.44MB

5-训练网络模型.mp440.37MB

4-输入样本填充补齐.mp436.22MB

3-数据-标签-语料库处理.mp439.99MB

2-整体模型架构.mp415.01MB

1-数据与任务介绍.mp422.73MB

7-金融平台风控模型实践

7-图中联系人特征.mp470.31MB

6-app安装特征.mp437.41MB

5-各项统计特征.mp456.04MB

4-deepwalk构建图顶点特征.mp453.48MB

3-节点权重特征提取(PageRank).mp435.54MB

2-图模型信息提取.mp427.76MB

1-竞赛任务目标.mp423.81MB

6-文本关系抽取实践

8-设计规则完成关系抽取.mp452.47MB

7-语义角色构建与分析.mp454.17MB

6-句法分析结果整理.mp439.09MB

5-依存句法概述.mp430.83MB

4-得到分词与词性标注结果.mp447.19MB

3-pyltp安装与流程演示.mp441.82MB

2-LTP工具包概述介绍.mp446.52MB

1-关系抽取要完成的任务演示与分析.mp418.57MB

5-基于知识图谱的医药问答系统实战

10-完成对话系统构建.mp439.47MB

9-实体关键词字典制作.mp431.84MB

8-加载所有实体数据.mp442.46MB

7-打造医疗知识图谱模型.mp459.14MB

6-创建关系边.mp439.41MB

5-提取数据中的关键字段信息.mp461.33MB

4-环境配置与所需工具包安装.mp436.37MB

3-任务流程概述.mp439.73MB

2-医疗数据介绍及其各字段含义.mp462.65MB

1-项目概述与整体架构分析.mp437.04MB

4-使用python操作neo4j实例

4-根据给定实体创建关系.mp451.03MB

3-在图中创建实体.mp443.83MB

2-提取所需的指标信息.mp453.17MB

1-使用Py2neo建立连接.mp447.58MB

3-Neo4j数据库实战

5-数据库更改查询操作演示.mp427.14MB

4-创建与删除操作演示.mp425.32MB

3-可视化例子演示.mp443.59MB

2-Neo4j数据库安装流程演示.mp427.67MB

1-Neo4j图数据库介绍.mp463.5MB

2-知识图谱涉及技术点分析

6-图谱知识融合与总结分析.mp423.98MB

5-视觉领域图编码实例.mp420.97MB

4-金融领域图编码实例.mp412.77MB

3-graph-embedding的作用与效果.mp426.15MB

2-常用NLP技术点分析.mp422.09MB

1-数据关系抽取分析.mp427.31MB

1-知识图谱介绍及其应用领域分析

5-数据获取分析.mp435.93MB

4-金融与推荐领域的应用.mp420.39MB

3-知识图谱在医疗领域应用实例.mp4102.89MB

2-知识图谱在搜索引擎中的应用.mp426.6MB

1-知识图谱通俗解读.mp419.87MB

26-自然语言处理通用框架-BERT实战

8-医学糖尿病数据命名实体识别

6-输入样本填充补齐.mp436.22MB

5-医疗数据集（糖尿病）实体识别.mp481.44MB

4-训练网络模型.mp440.37MB

3-数据-标签-语料库处理.mp439.99MB

2-整体模型架构.mp415.01MB

1-数据与任务介绍.mp422.73MB

7-必备基础知识点-RNN网络架构与情感分析应用实例

8-LSTM情感分析.mp4576.33MB

7-训练与测试效果.mp491.77MB

6-构建LSTM网络模型.mp446.69MB

5-正负样本数据读取.mp436.78MB

4-加载词向量特征.mp432.32MB

3-项目流程解读.mp442.18MB

2-NLP应用领域与任务简介.mp432.82MB

1-RNN网络模型解读.mp423.75MB

6-必备基础-掌握Tensorflow如何实现word2vec模型

5-可视化展示.mp449.61MB

4-网络训练.mp449.09MB

3-batch数据制作.mp451.53MB

2-数据清洗.mp427.6MB

1-数据与任务流程.mp445.67MB

5-必备基础知识点-woed2vec模型通俗解读

5-负采样方案.mp429.51MB

4-CBOW与Skip-gram模型.mp423.83MB

3-训练数据构建.mp415.85MB

2-模型整体框架.mp428.24MB

1-词向量模型通俗解释.mp421.72MB

4-项目实战-基于BERT的中文命名实体识别识别实战

3-构建BERT与CRF模型.mp466.46MB

2-NER标注数据处理与读取.mp466.07MB

1-命名实体识别数据分析与任务目标.mp430.45MB

3-项目实战-基于BERT的中文情感分析实战

3-训练BERT中文分类模型.mp472.29MB

2-读取处理自己的数据集.mp453.09MB

1-中文分类数据与任务概述.mp483.53MB

2-谷歌开源项目BERT源码解读与应用实例

12-训练BERT模型.mp454.66MB

11-完成Transformer模块构建.mp440.81MB

10-构建QKV矩阵.mp450.77MB

9-mask机制的作用.mp436.78MB

8-加入位置编码特征.mp423.61MB

7-加入额外编码特征.mp442.45MB

6-Embedding层的作用.mp430.98MB

5-tfrecord数据源制作.mp451.5MB

4-数据预处理模块.mp440.1MB

3-数据读取模块.mp454.26MB

2-项目参数配置.mp4106.78MB

1-BERT开源项目简介.mp441.33MB

1-自然语言处理通用框架BERT原理解读

11-训练实例.mp424.18MB

10-BERT模型训练方法.mp420.67MB

9-transformer整体架构梳理.mp422.34MB

8-位置编码与多层堆叠.mp416.84MB

7-Multi-head的作用.mp419.37MB

6-特征分配与softmax机制.mp421.32MB

5-self-attention计算方法.mp423.8MB

4-注意力机制的作用.mp414.78MB

3-传统解决方案遇到的问题.mp422.69MB

2-BERT任务目标概述.mp411.52MB

1-BERT课程简介.mp429.78MB

25-时间序列预测

3-Timesnet时序预测

8-傅里叶变换流程.mp433.97MB

7-源码流程解读.mp454.1MB

6-周期间特征分析.mp474.13MB

5-全部计算流程解读.mp466.52MB

4-计算公式流程拆解.mp452.93MB

3-时序特征周期拆解.mp472.51MB

2-论文核心思想解读.mp464.34MB

1-时序预测故事背景.mp481.92MB

2-Informer源码解读

13-解码器预测输出.mp474.46MB

12-平均向量的作用.mp433.7MB

11-完成注意力机制计算模块.mp428.39MB

10-核心采样计算方法.mp450.11MB

9-编码器模块实现.mp439.16MB

8-整体架构分析.mp436.91MB

7-dataloader构建实例.mp441.03MB

6-时间相关特征提取方法.mp439.96MB

5-数据处理相关模块.mp444.58MB

4-数据集构建与读取方式.mp444.54MB

3-模型训练所需参数解读.mp437.37MB

2-数据集解读.mp460.61MB

1-项目使用说明.mp463.92MB

1-Informer原理解读

7-解码器流程分析.mp424.85MB

6-编码器全部计算流程.mp424.05MB

5-probAttention计算流程.mp431.4MB

4-Query采样方法解读.mp423.11MB

3-论文要解决的问题分析.mp430.47MB

2-常用模块分析.mp424.25MB

1-时间序列预测要完成的任务.mp433.27MB

24-自然语言处理必备神器Huggingface系列实战

11-补充Huggingface数据集制作方法实例

3-数据处理基本流程.mp472.59MB

2-Huggingface中的预处理实例.mp472.56MB

1-数据结构分析.mp447.87MB

10-图谱知识抽取实战

8-关系抽取模型训练.mp442.25MB

7-网络模型前向计算方法.mp432.93MB

6-模型构建与计算流程.mp443.1MB

5-标签与数据结构定义方法.mp449.68MB

4-实体抽取模块分析.mp444.33MB

3-数据处理与读取模块.mp439.11MB

2-数据标注格式样例分析.mp470.01MB

1-应用场景概述分析.mp491.97MB

9-文本摘要建模

4-训练自己标注的数据并测试.mp427.68MB

3-文本摘要数据标注方法.mp455.92MB

2-模型训练与测试结果.mp4108.1MB

1-中文商城评价数据处理方法.mp466.36MB

8-GPT训练与预测部署流程

5-部署与网页预测展示.mp479.57MB

4-模型训练过程.mp451.48MB

3-训练所需参数解读.mp457.68MB

2-数据样本生成方法.mp472.04MB

1-生成模型可以完成的任务概述.mp428.91MB

7-GPT系列算法

8-DEMO应用演示.mp498.82MB

7-应用场景CODEX分析.mp436.5MB

6-GPT3的提示与生成方法.mp474.39MB

5-采样策略与多样性.mp428.2MB

4-GPT第二代版本训练策略.mp428.94MB

3-GPT初代版本要解决的问题.mp430.99MB

2-GPT三代版本分析.mp429.33MB

1-GPT系列算法概述.mp426.53MB

6-文本预训练模型构建实例

3-预训练模型自定义训练.mp497.91MB

2-文本数据截断处理.mp445.78MB

1-预训练模型效果分析.mp431.96MB

5-文本标注工具与NER实例

6-模型训练与输出结果预测.mp443.06MB

5-预训练模型加载与参数配置.mp441.5MB

4-标签处理并完成对齐操作.mp438.62MB

3-标注导出与BIO处理.mp439.39MB

2-命名实体识别任务标注方法实例.mp439.35MB

1-文本标注工具Doccano配置方法.mp433.01MB

4-BERT系列算法解读

5-DistilBert模型解读.mp416.06MB

4-RoBerta模型训练方法解读.mp428.45MB

3-ALBERT中的简化方法解读.mp443.38MB

2-ALBERT基本定义.mp438.6MB

1-BERT模型训练方法解读.mp423.92MB

3-transformer原理解读

1-transformer原理解读.mp4367.64MB

2-Transformer工具包基本操作实例解读

8-模型训练DEMO.mp458.66MB

7-模型训练所需配置参数.mp436.95MB

6-数据Dataloader封装.mp450.18MB

5-数据集与模型.mp442.97MB

4-AttentionMask配套使用方法.mp435.3MB

3-文本切分方法实例解读.mp442.74MB

2-NLP任务常规流程分析.mp429.18MB

1-工具包与任务整体介绍.mp433.38MB

1-Huggingface与NLP介绍解读

1-Huggingface与NLP介绍解读.mp4163.59MB

23-自然语言处理经典案例实战

14-对话机器人

6-网络训练.mp437.99MB

5-seq网络.mp430.68MB

4-词向量与投影.mp438.22MB

3-数据处理.mp441.99MB

2-参数配置与数据加载.mp451MB

1-效果演示.mp430.57MB

13-机器人写唐诗

8-测试唐诗生成效果.mp421.38MB

7-训练唐诗生成模型.mp411.13MB

6-完成训练模块.mp428MB

5-RNN模型定义.mp417.97MB

4-batch数据制作.mp427.96MB

3-数据预处理模块.mp435.34MB

2-参数配置.mp421.87MB

1-任务概述与环境配置.mp413.71MB

12-LSTM情感分析

5-基于word2vec的LSTM模型.mp450.52MB

4-情感数据集处理.mp433.58MB

3-案例：使用LSTM进行情感分类.mp430.99MB

2-LSTM网络架构.mp417.8MB

1-RNN网络架构.mp419.86MB

11-NLP-相似度模型

7-基于句子的相似度训练.mp442.44MB

6-基于字符的训练.mp458.94MB

5-网络模型定义.mp455.9MB

4-数据预处理.mp436.08MB

3-正负样本制作.mp437.95MB

2-数据展示.mp422.65MB

1-任务概述.mp413.15MB

10-NLP-文本特征方法对比

6-深度学习模型.mp439.28MB

5-word2vec词向量模型.mp454.4MB

4-TFIDF模型.mp447.59MB

3-词袋模型分析.mp463.59MB

2-词袋模型.mp428.12MB

1-任务概述.mp437.49MB

9-基于word2vec的分类任务

4-使用gensim构建word2vec词向量（新）.mp467.73MB

3-准备word2vec输入数据.mp424.19MB

2-基于词袋模型训练分类器.mp428.07MB

1-影评情感分类.mp446.92MB

8-使用Gemsim构建词向量

4-测试模型相似度结果.mp420.04MB

3-Gensim构造word2vec模型.mp420.97MB

2-维基百科中文数据处理.mp439.14MB

1-使用Gensim库构造词向量.mp416.84MB

7-语言模型

10-负采样模型.mp410.5MB

9-锑度上升求解.mp415.93MB

8-CBOW求解目标.mp48.68MB

7-CBOW模型实例.mp418.54MB

6-Hierarchical Softmax.mp415.19MB

5-神经网络模型.mp415.87MB

4-词向量.mp413.55MB

3-N-gram模型.mp413.62MB

2-语言模型.mp48.82MB

1-开篇.mp48.52MB

6-HMM工具包实战

4-实现中文分词.mp435.77MB

3-中文分词任务.mp413.44MB

2-工具包使用方法.mp455.62MB

1-hmmlearn工具包.mp419.55MB

5-HMM隐马尔科夫模型

10-维特比算法.mp443.08MB

9-参数求解.mp417.22MB

8-Baum-Welch算法.mp426.86MB

7-前向算法求解实例.mp433.34MB

6-前向算法.mp436.14MB

5-复杂度计算.mp415.28MB

4-暴力求解方法.mp428MB

3-组成与要解决的问题.mp414.85MB

2-隐马尔科夫模型基本出发点.mp418.72MB

1-马尔科夫模型.mp417.5MB

4-新闻分类任务实战

6-基于贝叶斯算法进行新闻分类.mp450.88MB

5-LDA建模.mp428.05MB

4-TF-IDF关键词提取.mp445.75MB

3-新闻数据与任务简介.mp433.21MB

2-相似度计算.mp419.5MB

1-文本分析与关键词提取.mp419.44MB

3-贝叶斯算法

5-贝叶斯实现拼写检查器.mp436.77MB

4-垃圾邮件过滤实例.mp422.82MB

3-贝叶斯拼写纠错实例.mp418.58MB

2-贝叶斯推导实例.mp411.92MB

1-贝叶斯算法概述.mp411.34MB

2-商品信息可视化与文本分析

8-聚类分析与主题模型展示.mp457.03MB

7-通过降维进行可视化展示.mp439.05MB

6-基于tf-idf提取关键词信息.mp435.32MB

5-关键词的词云可视化展示.mp451.86MB

4-商品描述长度对价格的影响分析.mp433.72MB

3-商品类别可视化展示.mp441.28MB

2-商品类别划分方式.mp437.31MB

1-在线商城商品数据信息概述.mp432.31MB

1-NLP常用工具包实战

14-词云展示.mp487.56MB

13-结巴分词器.mp428.14MB

12-统计分析结果.mp447.69MB

11-恐怖袭击分析.mp440.53MB

10-名字实体匹配.mp421.37MB

9-Spacy工具包.mp447.11MB

8-数据清洗实例.mp441.37MB

7-词性标注.mp435.92MB

6-停用词过滤.mp427.63MB

5-NLTK工具包简介.mp432.26MB

4-常用函数介绍.mp440.13MB

3-正则常用符号.mp437.06MB

2-正则表达式基本语法.mp431.03MB

1-Python字符串处理.mp441.33MB

22-深度学习模型部署与剪枝优化实战

12-Mobilenet三代网络模型架构

13-代码实现mobilenetV3网络架构.mp468.85MB

12-SE模块作用与效果解读.mp431.91MB

11-V3版本网络架构分析.mp411.56MB

10-V2整体架构与效果分析.mp410.48MB

9-倒残差结构的作用.mp417.43MB

8-V2版本改进以及Relu激活函数的问题.mp419.55MB

7-V1版本效果分析.mp424.94MB

6-参数与计算量的比较.mp439.68MB

5-深度可分离卷积的作用与效果.mp414.31MB

4-经典卷积计算量与参数量分析.mp413.21MB

3-mobilenet简介.mp48.62MB

2-常见剪枝方法介绍.mp421.73MB

1-模型剪枝分析.mp422.35MB

11-模型剪枝-Network Slimming实战解读

6-微调完成剪枝模型.mp446.91MB

5-剪枝后模型参数赋值.mp449.5MB

4-筛选需要的特征图.mp436.3MB

3-剪枝模块介绍.mp431.01MB

2-加入L1正则化来进行更新.mp428.38MB

1-整体案例流程解读.mp432.4MB

10-模型剪枝-Network Slimming算法分析

5-稀疏化原理与效果.mp423.9MB

4-额外的训练参数解读.mp420.11MB

3-BN的本质作用.mp422.56MB

2-BatchNorm要解决的问题.mp418.48MB

1-论文算法核心框架概述.mp419.64MB

9-tensorflow-serving实战

5-加载fashion模型启动服务.mp433.4MB

4-fashion数据集获取.mp438.63MB

3-测试模型部署效果.mp443.37MB

2-加载并启动模型服务.mp431.27MB

1-tf-serving项目获取与配置.mp430.47MB

8-docker实例演示

7-上传与下载配置好的项目.mp445.48MB

6-复制所需配置到容器中.mp428.2MB

5-安装演示环境所需依赖.mp431.47MB

4-基于docker配置pytorch环境.mp436.52MB

3-阿里云镜像配置.mp426.97MB

2-docker安装与配置.mp448.52MB

1-docker简介.mp415.95MB

7-YOLO-V3物体检测部署实例

4-返回线性预测结果.mp444.91MB

3-数据预处理.mp453.86MB

2-加载参数与模型权重.mp435.63MB

1-项目所需配置文件介绍.mp424.63MB

6-pyTorch框架部署实践

5-课程简介.mp48.15MB

4-效果实例演示.mp443.27MB

3-接收与预测模块实现.mp437.66MB

2-模型加载与数据预处理.mp439.61MB

1-所需基本环境配置.mp422.07MB

4- AIoT人工智能物联网之deepstream

7-deepstream集成yolov4.mp4117.19MB

6-deepstream推理.mp4117.9MB

5-python实现RTP和RTSP.mp4118.05MB

4-GStreamer RTP和RTSP2.mp4138.8MB

3-GStreamer RTP和RTSP1.mp490.64MB

2-deepstream HelloWorld.mp451.92MB

1-deepstream 介绍安装.mp4108.78MB

3-AIoT人工智能物联网之NVIDIA TAO 实用级的训练神器

7-TAO 剪枝在训练推理验证.mp4198.78MB

6-NVIDIA TAO预训练模型和训练c..mp442.86MB

5-NVIDIA TAO预训练模型和训练b.mp418.72MB

4-NVIDIA TAO预训练模型和训练a.mp4100.69MB

3-NVIDIA TAO数据转换.mp4146.27MB

2-NVIDIA TAO数据准备和环境设置.mp474.09MB

1-NVIDIA TAO介绍和安装.mp474.35MB

2-AIoT人工智能物联网之AI 实战

7-转换出onnx模型，并使用.mp474.62MB

6-训练出自己目标识别模型b.mp491.42MB

5- 训练出自己目标识别模型a.mp4109.79MB

4-训练自己的目标检测模型准备.mp477.71MB

3-docker中运行分类模型.mp4197.54MB

2-docker 的安装使用.mp486.11MB

1- jetson-inference 入门.mp459.71MB

1-AIoT人工智能物联网之认识 jetson nano

5-安装使用摄像头csi usb.mp443.16MB

4-感受nano的GPU算力.mp462.42MB

3- jetson nano 系统安装过程.mp484.51MB

2-jetson nano 刷机.mp4105.19MB

1- jetson nano 硬件介绍.mp422.06MB

21-CV与NLP经典大模型解读

18-补充-视觉大模型基础-deformableAttention

6-下游任务应用场景.mp429.34MB

5-整体框架流程实例.mp452.61MB

4-论文计算公式解读.mp470.45MB

3-应用场景分析解读.mp448.64MB

2-可变形偏移量分析.mp437.05MB

1-DeformableAttention概述分析.mp426.55MB

17-BEVformer项目源码解读

12-损失函数与预测可视化.mp449.48MB

11-Decoder级联校正模块.mp441.58MB

10-获取当前BEV特征.mp435.9MB

9-Decoder要完成的任务分析.mp433.95MB

8-BEV空间特征构建.mp434.01MB

7-注意力机制模块计算方法.mp438.61MB

6-BEV空间与图像空间位置对应.mp437.67MB

5-Reference初始点构建.mp437.26MB

4-特征对齐与位置编码初始化.mp443.63MB

3-特征提取以及BEV空间初始化.mp443.81MB

2-数据集下载与配置方法.mp453.57MB

1-环境配置方法解读.mp442.79MB

16-BEV感知特征空间算法解读

10-整体架构总结.mp451.47MB

9-核心模块论文分析.mp457.14MB

8-论文知识点分析.mp450.4MB

7-时间模块与拓展补充.mp427.1MB

6-空间注意力模块解读.mp433.92MB

5-DeformableAttention回顾.mp440.86MB

4-BEV汇总特征方法实例解读.mp435.67MB

3-特征融合过程中可能遇到的问题.mp422.25MB

2-BEV中的3D与4D分析.mp423.58MB

1-BEV要解决的问题通俗解读.mp457.89MB

15-视觉自监督任务BEITV2源码解读

3-源码实现流程总结.mp445.78MB

2-网络结构搭建细节解读.mp449.16MB

1-mmselfup源码实现解读.mp442.02MB

14-视觉自监督任务BEITV2论文解读

5-论文细节模块实现解读.mp499.31MB

4-框架实现细节流程分析.mp421.84MB

3-整体网络架构图分析.mp443.98MB

2-自监督任务中两大核心任务分析.mp456.24MB

1-BEITV2版本论文出发点解读.mp448MB

13-视觉自监督BEIT算法解读

5-任务总结分析.mp4114.38MB

4-codebook模块的作用.mp481.31MB

3-建模流程分析与效果展示.mp4101.08MB

2-任务训练目标分析.mp472.8MB

1-视觉自监督任务分析.mp456.86MB

12-自监督任务-对比学习思想

4-下游任务应用概述.mp445.04MB

3-Simclr框架流程分析.mp440.15MB

2-正负样本构建方法.mp434.18MB

1-对比学习要解决的问题分析.mp447.41MB

11-openai-dalle2源码解读

5-源码实现流程总结.mp456.49MB

4-Decoder模块实现细节解读.mp444.83MB

3-源码公式对应论文分析.mp447.57MB

2-源码实现细节分析.mp441.14MB

1-项目整体流程分析.mp453.51MB

10-openai-dalle2论文解读

4-各模块实现细节讲解.mp478.77MB

3-算法核心流程解读.mp462.78MB

2-不同模块对比分析.mp434.78MB

1-论文基本思想与核心模块分析.mp442.1MB

9-扩散模型diffusion架构算法解读

10-基本建模训练效果.mp481.38MB

9-案例流程分析.mp453.76MB

8-论文流程图解读.mp446.55MB

7-细节实现总结.mp459.6MB

6-公式推导结果分析.mp449.07MB

5-算法实现细节推导.mp441.52MB

4-分布相关计算操作.mp445.08MB

3-公式原理推导解读.mp451.48MB

2-要完成的任务分析.mp462.27MB

1-扩散模型概述与GAN遇到的问题.mp443.24MB

8-视觉QA算法与论文解读

5-VQA任务总结.mp451.51MB

4-答案关注区域分析.mp454.45MB

3-实现流程路线图.mp464.44MB

2-论文概述分析.mp466.38MB

1-视觉QA要解决的问题.mp451.72MB

7-视觉大模型SAM

9-总结分析.mp460.65MB

8-实现细节分析.mp462.98MB

7-分割任务模块设计.mp462.84MB

6-Decoder的作用与项目源码.mp494.78MB

5-预训练模型的作用.mp4144.99MB

4-数据闭环方法.mp493.66MB

3-完成的任务分析.mp476.96MB

2-论文解读分析.mp474.48MB

1-DEMO效果演示.mp457.83MB

6-LLM下游任务训练自己模型实战

5-数据切块方法.mp461.14MB

4-样本索引与向量构建.mp466.44MB

3-数据文档切分操作.mp447.88MB

2-基本API调用方法.mp459.69MB

1-提示工程的作用.mp444.01MB

5-LLM与LORA微调策略解读

5-LORA模型实现细节.mp440.79MB

4-LORA微调的核心思想.mp422.08MB

3-LLAMA与LORA介绍.mp430.1MB

2-LLM落地微调分析.mp437.03MB

1-大模型如何做下游任务.mp433.43MB

4-chatgpt算法解读分析

7-总结分析.mp469.21MB

6-RLHF训练流程解读.mp438.53MB

5-奖励模型设计方法.mp426.2MB

4-强化学习的作用效果.mp433.81MB

3-强化学习登场.mp417.69MB

2-挑战及其与有监督问题差异.mp422.41MB

1-chatgpt概述.mp421.49MB

3-GPT2训练与预测部署流程

5-部署与网页预测展示.mp479.57MB

4-模型训练过程.mp451.48MB

3-训练所需参数解读.mp457.68MB

2-数据样本生成方法.mp472.04MB

1-生成模型可以完成的任务概述.mp428.91MB

2-GPT系列算法解读

8-DEMO应用演示.mp498.82MB

7-应用场景CODEX分析.mp436.5MB

6-GPT3的提示与生成方法.mp474.39MB

5-采样策略与多样性.mp428.2MB

4-GPT第二代版本训练策略.mp428.94MB

3-GPT初代版本要解决的问题.mp430.99MB

2-GPT三代版本分析.mp429.33MB

1-GPT系列算法概述.mp426.53MB

1-课程简介

1-课程简介.mp410.19MB

20-面向医学领域的深度学习实战

17-医学糖尿病数据命名实体识别

6-医疗数据集（糖尿病）实体识别.mp481.44MB

5-训练网络模型.mp440.37MB

4-输入样本填充补齐.mp436.22MB

3-数据-标签-语料库处理.mp439.99MB

2-整体模型架构.mp415.01MB

1-数据与任务介绍.mp422.73MB

16-词向量模型与RNN网络架构

6-额外补充-RNN网络模型解读.mp423.75MB

5-负采样方案.mp429.51MB

4-CBOW与Skip-gram模型.mp423.83MB

3-训练数据构建.mp415.85MB

2-模型整体框架.mp428.24MB

1-词向量模型通俗解释.mp421.72MB

15-基于知识图谱的医药问答系统实战

10-完成对话系统构建.mp439.47MB

9-实体关键词字典制作.mp431.84MB

8-加载所有实体数据.mp442.46MB

7-打造医疗知识图谱模型.mp459.14MB

6-创建关系边.mp439.41MB

5-提取数据中的关键字段信息.mp461.33MB

4-环境配置与所需工具包安装.mp436.37MB

3-任务流程概述.mp439.73MB

2-医疗数据介绍及其各字段含义.mp462.65MB

1-项目概述与整体架构分析.mp437.04MB

14-Neo4j数据库实战

5-数据库更改查询操作演示.mp427.14MB

4-创建与删除操作演示.mp425.32MB

3-可视化例子演示.mp443.59MB

2-Neo4j数据库安装流程演示.mp427.67MB

1-Neo4j图数据库介绍.mp463.5MB

13-知识图谱原理解读

11-图谱知识融合与总结分析.mp423.98MB

10-视觉领域图编码实例.mp420.97MB

9-金融领域图编码实例.mp412.77MB

8-graph-embedding的作用与效果.mp426.15MB

7-常用NLP技术点分析.mp422.09MB

6-数据关系抽取分析.mp427.31MB

5-数据获取分析.mp435.93MB

4-金融与推荐领域的应用.mp420.39MB

3-知识图谱在医疗领域应用实例.mp4102.89MB

2-知识图谱在搜索引擎中的应用.mp426.6MB

1-知识图谱通俗解读.mp419.87MB

12-基于YOLO5细胞检测实战

5-细胞检测效果演示.mp443.21MB

4-效果评估与展示.mp432.65MB

3-网络训练流程演示.mp442.34MB

2-模型与算法配置参数解读.mp442.47MB

1-任务与细胞数据集介绍.mp449.79MB

11-YOLO系列物体检测算法原理解读

36-激活函数与整体架构总结.mp419.19MB

35-PAN模块解读.mp420.64MB

34-SAM注意力机制模块.mp422.48MB

33-SPP与CSP网络结构.mp414.81MB

32-NMS细节改进.mp416.66MB

31-CIOU损失函数定义.mp410.82MB

30-损失函数遇到的问题.mp414.26MB

29-DropBlock与标签平滑方法.mp419.36MB

28-数据增强策略分析.mp424.7MB

27-V4版本贡献解读.mp410.06MB

26-V4版本整体概述.mp415.06MB

25-sotfmax层改进.mp410.61MB

24-先验框设计改进.mp413.04MB

23-整体网络模型架构分析.mp412.93MB

22-残差连接方法解读.mp418.64MB

21-经典变换方法对比分析.mp410.83MB

20-多scale方法改进与特征融合.mp417.07MB

19-V3版本改进概述.mp418.27MB

18-特征融合改进.mp419.2MB

17-感受野的作用.mp428.11MB

16-坐标映射与还原.mp410.08MB

15-偏移量计算方法.mp427.55MB

14-基于聚类来选择先验框尺寸.mp424.24MB

13-架构细节解读.mp418.92MB

12-网络结构特点.mp415.69MB

11-V2版本细节升级概述.mp413.43MB

10-置信度误差与优缺点分析.mp426.86MB

9-位置损失计算.mp418.97MB

8-整体网络架构解读.mp430.67MB

7-检测算法要得到的结果.mp413.63MB

6-YOLO算法整体思路解读.mp414.75MB

5-map指标计算.mp419.63MB

4-评估所需参数计算.mp426.23MB

3-IOU指标计算.mp411.74MB

2-不同阶段算法优缺点分析.mp410.68MB

1-检测任务中阶段的意义.mp415.14MB

10-基于deeplab的心脏视频数据诊断分析

6-补充：R(2plus1)D处理方法分析.mp418.88MB

5-补充：视频数据源特征处理方法概述.mp426.33MB

4-文献报告分析.mp4122.67MB

3-任务流程解读.mp469.12MB

2-项目基本配置参数.mp433.31MB

1-数据集与任务概述.mp445.55MB

9-基于deeplabV3+版本进行VOC分割实战

5-分割模型训练.mp434.97MB

4-ASPP层特征融合.mp451.19MB

3-网络前向传播流程.mp433.1MB

2-项目参数与数据集读取.mp460.32MB

1-PascalVoc数据集介绍.mp470.12MB

8-deeplab系列算法

6-deeplabV3Plus版本网络架构.mp424.08MB

5-ASPP特征融合策略.mp413.45MB

4-SPP层的作用.mp419.02MB

3-感受野的意义.mp419.37MB

2-空洞卷积的作用.mp416.74MB

1-deeplab分割算法概述.mp413.81MB

7-unet医学细胞分割实战

6-模型效果验证.mp447.29MB

5-迭代完成整个模型计算任务.mp433.55MB

4-特征融合方法演示.mp430.05MB

3-Debug模式演示网络计算流程.mp441.37MB

2-数据增强工具.mp461.47MB

1-医学细胞数据集介绍与参数配置.mp471.21MB

6-Unet系列算法讲解

4-后续升级版本介绍.mp418.37MB

3-Unet升级版本改进.mp415.75MB

2-网络计算流程.mp416.13MB

1-Unet网络编码与解码过程.mp418.29MB

5-图像分割及其损失函数概述

3-MIOU评估标准.mp49.03MB

2-分割任务中的目标函数定义.mp420MB

1-语义分割与实例分割概述.mp420.24MB

4-基于Resnet的医学数据集分类实战

7-网络整体流程与训练演示.mp467.45MB

6-特征图升维与降采样操作.mp426.89MB

5-残差网络的shortcut操作.mp447.34MB

4-Resnet网络前向传播.mp435.82MB

3-dataloader加载数据集.mp464.78MB

2-Resnet网络架构原理分析.mp424.81MB

1-医学疾病数据集介绍.mp418.85MB

3-PyTorch框架必备核心模块解读

16-额外补充-Resnet网络架构解读.mp418.27MB

15-额外补充-Resnet论文解读.mp4117.98MB

14-加载模型对测试数据进行预测.mp452.81MB

13-训练结果与模型保存.mp441.24MB

12-实现训练模块.mp433.2MB

11-优化器模块配置.mp424.63MB

10-加载训练好的网络模型.mp450MB

9-迁移学习策略.mp415.47MB

8-迁移学习的目标.mp411.75MB

7-Batch数据制作.mp443.65MB

6-数据预处理与数据增强模块.mp437.24MB

5-图像增强的作用.mp414.68MB

4-分类任务数据集定义与配置.mp429.73MB

3-Vision模块功能解读.mp423.53MB

2-网络流程解读.mp437.49MB

1-卷积网络参数定义.mp426.46MB

2-PyTorch框架基本处理操作

9-补充：Hub模块简介.mp453.11MB

8-补充：常见tensor格式.mp419.59MB

7-线性回归DEMO-训练回归模型.mp439.4MB

6-线性回归DEMO-数据与参数配置.mp422.62MB

5-自动求导机制.mp433.36MB

4-PyTorch基本操作简介.mp428.68MB

3-框架安装方法（CPU与GPU版本）.mp418.6MB

2-PyTorch框架发展趋势简介.mp425.22MB

1-PyTorch实战课程简介.mp422.98MB

1-卷积神经网络原理与参数解读

12-感受野的作用.mp416.86MB

11-残差网络Resnet.mp418.02MB

10-VGG网络架构.mp419.34MB

9-整体网络架构.mp416.98MB

8-池化层的作用.mp411.31MB

7-特征图尺寸计算与参数共享.mp421.99MB

6-边缘填充方法.mp417.28MB

5-步长与卷积核大小对结果的影响.mp419.86MB

4-得到特征图表示.mp418.23MB

3-卷积特征值计算方法.mp421.23MB

2-卷积的作用.mp422.67MB

1-卷积神经网络应用领域.mp421.2MB

19-强化学习与AI黑科技实例

13-ChatGPT

1-ChatGPT.mp4382.23MB

12-Dalle2及其源码解读

1-Dalle2源码解读.mp4614.12MB

11-Diffusion模型解读

1-Diffusion模型解读.mp4737.53MB

10-CLIP系列

1-CLIP系列.mp4621MB

9-GPT建模与预测流程

5-部署与网页预测展示.mp479.57MB

4-模型训练过程.mp451.48MB

3-训练所需参数解读.mp457.68MB

2-数据样本生成方法.mp472.04MB

1-生成模型可以完成的任务概述.mp428.91MB

8-GPT系列生成模型

1-GPT系列.mp4442.99MB

7-用A3C玩转超级马里奥

6-训练网络模型.mp444.24MB

5-与环境交互得到训练数据.mp439.26MB

4-初始化局部模型并加载参数.mp432.22MB

3-要计算的指标回顾.mp437MB

2-启动游戏环境.mp432.19MB

1-整体流程与环境配置.mp426.97MB

6-Actor-Critic算法分析（A3C）

5-损失函数整理.mp422.4MB

4-A3C整体架构分析.mp416.43MB

3-计算流程实例.mp417.59MB

2-优势函数解读与分析.mp419.87MB

1-AC算法回顾与知识点总结.mp417.31MB

5-DQN改进与应用技巧

5-连续动作处理方法.mp422.24MB

4-MultiSetp策略.mp48.67MB

3-Dueling整体网络架构分析.mp421.73MB

2-DuelingDqn改进方法.mp419.06MB

1-DoubleDqn要解决的问题.mp422.34MB

4-Q-learning与DQN算法

9-DQN简介.mp415.36MB

8-Q值迭代求解.mp422.46MB

7-Qlearning算法实例解读.mp416.65MB

6-目标函数与公式解析.mp425.54MB

5-算法原理通俗解读.mp425.99MB

4-训练与更新.mp434.15MB

3-计算target值.mp422.46MB

2-探索与action获取.mp428.41MB

1-整体任务流程演示.mp423.9MB

3-PPO实战-月球登陆器训练实例

6-参数迭代与更新.mp449.26MB

5-奖励获得与计算.mp436.29MB

4-得到动作结果.mp429.01MB

3-参数与网络结构定义.mp433.7MB

2-PPO2版本公式解读.mp431.64MB

1-Critic的作用与效果.mp440.06MB

2-PPO算法与公式推导

8-PPO算法整体思路解析.mp426.57MB

7-importance sampling的作用.mp423.19MB

6-OnPolicy与OffPolicy策略.mp420.77MB

5-baseline方法.mp418.36MB

4-策略梯度推导.mp421.76MB

3-要完成的目标分析.mp424.51MB

2-与环境交互得到所需数据.mp423.17MB

1-基本情况介绍.mp428.05MB

1-强化学习简介及其应用

6-计算机眼中的状态与行为.mp420.09MB

5-强化学习工作流程.mp414.78MB

4-应用领域简介.mp417.34MB

3-强化学习AI游戏DEMO.mp420.36MB

2-强化学习的指导依据.mp420.19MB

1-一张图通俗解释强化学习.mp417.69MB

18-对抗生成网络实战

9-基于GAN的图像补全实战

9-测试模块.mp448.39MB

8-网络迭代训练.mp492.87MB

7-网络结构配置.mp471.57MB

6-参数基本设计.mp481.81MB

5-数据与项目概述.mp445.92MB

4-论文总结.mp467.3MB

3-细节设计.mp477.69MB

2-网络架构.mp430.75MB

1-论文概述.mp475.09MB

8-图像超分辨率重构实战

9-测试模块.mp490.79MB

8-损失函数与训练.mp489MB

7-VGG特征提取网络.mp435.88MB

6-判别模块.mp444.6MB

5-生成模块.mp448.5MB

4-数据加载与配置.mp439.14MB

3-数据与环境配置.mp426.9MB

2-网络架构.mp4106.93MB

1-论文概述.mp446.83MB

7-starganvc2变声器项目实战及其源码解读

11-测试模块-生成转换语音.mp447.17MB

10-源码损失计算流程.mp434.82MB

9-论文损失函数.mp4100.48MB

8-判别器模块解读.mp435.22MB

7-生成器前向传播维度变化.mp426.49MB

6-starganvc2版本标签输入分析.mp449.96MB

5-下采样与上采样操作.mp435.48MB

4-生成器构造模块解读.mp441.33MB

3-数据预处理与声音特征提取.mp488.49MB

2-环境配置与工具包安装.mp437.11MB

1-数据与项目文件解读.mp421.8MB

6-基于starganvc2的变声器论文原理解读

7-判别器模块分析.mp4114.03MB

6-AdaIn的目的与效果.mp413.18MB

5-InstanceNorm的作用解读.mp418.58MB

4-生成器模型架构分析.mp415.81MB

3-语音特征提取.mp430.57MB

2-VCC2016输入数据.mp420.76MB

1-论文整体思路与架构解读.mp434.66MB

5-stargan项目实战及其源码解读

10-生成模块损失计算.mp470.07MB

9-损失计算详细过程.mp445.76MB

8-判别器损失计算.mp432.9MB

7-数据读取模块分析.mp456.6MB

6-所有网络模块构建实例.mp446.52MB

5-生成器模块源码解读.mp453.18MB

4-项目参数解析.mp427.62MB

3-测试效果演示.mp434.97MB

2-项目配置与数据源下载.mp421.51MB

1-测试模块效果与实验分析.mp429.95MB

4-stargan论文架构解析

8-训练过程分析.mp434.17MB

7-损失函数公式解析.mp449.43MB

6-编码器训练方法.mp453.45MB

5-V2版本在整体网络架构.mp463.67MB

4-V1版本存在的问题及后续改进思路.mp460.74MB

3-建模流程分析.mp442.55MB

2-网络架构整体思路解读.mp430.84MB

1-stargan效果演示分析.mp427.95MB

3-基于CycleGan开源项目实战图像合成

10-额外补充：VISDOM可视化配置.mp438.69MB

9-生成与判别损失函数指定.mp454.69MB

8-损失函数：identity loss计算方法.mp437.16MB

7-判别网络模块构造.mp419.77MB

6-生成网络模块构造.mp448.52MB

5-数据读取与预处理操作.mp457.93MB

4-Cycle开源项目简介.mp446.41MB

3-PatchGan判别网络原理.mp411.45MB

2-CycleGan整体网络架构.mp421.36MB

1-CycleGan网络所需数据.mp437.56MB

2-对抗生成网络架构原理与实战解析

5-生成与判别网络定义.mp444.24MB

4-数据读取模块.mp429.93MB

3-损失函数解释说明.mp439.88MB

2-GAN网络组成.mp410.73MB

1-对抗生成网络通俗解释.mp418.39MB

1-课程介绍

1-课程介绍.mp428.55MB

17-行人重识别实战

8-额外补充：行人搜索源码分析

9-总结概述.mp434.1MB

8-损失函数计算模块.mp454.31MB

7-Head层预测模块.mp440.06MB

6-Neck层操作方法.mp433.12MB

5-BackBone位置与流程.mp452.3MB

4-通过配置文件读取模型位置.mp437.97MB

3-数据与标签读取模块.mp457.97MB

2-项目概述.mp431.61MB

1-项目概述.mp426.15MB

7-基于拓扑图的行人重识别项目实战

10-整体项目总结.mp479.79MB

9-图匹配模块计算流程.mp467.63MB

8-基于拓扑结构组合关键点特征.mp463.2MB

7-邻接矩阵学习与更新.mp450.98MB

6-mask矩阵的作用.mp440.13MB

5-初始化图卷积模型.mp434.82MB

4-阶段监督训练.mp478.61MB

3-得到一阶段热度图结果.mp442.07MB

2-局部特征准备方法.mp447.66MB

1-数据集与环境配置概述.mp448.08MB

6-旷视研究院最新算法解读（基于图模型）

7-整体算法框架分析.mp424.09MB

6-图匹配在行人重识别中的作用.mp418.07MB

5-图卷积模块实现方法.mp427.54MB

4-基于图卷积构建人体拓扑关系.mp429.82MB

3-局部特征热度图计算.mp424.78MB

2-图卷积与匹配的作用.mp424.41MB

1-关键点位置特征构建.mp422.4MB

5-项目实战-基于行人局部特征融合的再识别实战

12-测试与验证模块.mp447.02MB

11-损失函数与训练过程演示.mp442.52MB

10-得到所有分组特征结果.mp451.2MB

9-特征组合汇总.mp449.29MB

8-局部特征提取实例.mp452.39MB

7-GCP全局特征提取.mp439.65MB

6-特征序列构建.mp441MB

5-网络计算整体流程演示.mp430.51MB

4-debug模式解读.mp462.34MB

3-dataloader加载顺序解读.mp427.96MB

2-数据源构建方法分析.mp441.23MB

1-项目配置与数据集介绍.mp467.72MB

4-AAAI2020顶会算法精讲

6-损失函数应用位置.mp416.8MB

5-oneVsReset方法实例.mp415.63MB

4-GCP模块特征融合方法.mp428.45MB

3-特征分组方法.mp415.12MB

2-局部特征与全局关系计算方法.mp415.39MB

1-论文整体框架概述.mp416.23MB

3-基于Attention的行人重识别项目实战

9-训练与测试模块演示.mp475.66MB

8-损失函数计算实例解读.mp460.36MB

7-基于特征图的权重计算.mp425.57MB

6-计算得到位置权重值.mp438.01MB

5-组合关系特征图.mp439.65MB

4-获得空间位置点之间的关系.mp443.11MB

3-进入debug模式解读网络计算流程.mp430.56MB

2-参数配置与整体架构分析.mp465.4MB

1-项目环境与数据集配置.mp449.78MB

2-基于注意力机制的Reld模型论文解读

4-基于特征图的注意力计算.mp466.01MB

3-融合空间注意力所需特征.mp427.38MB

2-空间权重值计算流程分析.mp432.88MB

1-论文整体思想及注意力机制的作用解读.mp450.47MB

1-行人重识别原理及其应用

6-Hard-Negative方法应用.mp427.27MB

5-triplet损失计算实例.mp425.16MB

4-map值计算方法.mp415.7MB

3-评估标准rank1指标.mp414.05MB

2-挑战与困难分析.mp435.89MB

1-行人重识别要解决的问题.mp417.26MB

16-缺陷检测实战

14-Deeplab铁质材料缺陷检测与开源项⽬应⽤流程

8-任务总结.mp443.02MB

7-训练模型.mp434.38MB

6-数据路径配置.mp454.55MB

5-数据集制作方法.mp475.53MB

4-源码的利用方法.mp489.46MB

3-github与kaggle中需要注意的点.mp440.24MB

2-开源项目应用方法.mp436.52MB

1-数据集与任务概述.mp431.09MB

13-基于deeplabV3+版本进⾏VOC分割实战

5-分割模型训练.mp434.97MB

4-ASPP层特征融合.mp451.19MB

3-网络前向传播流程.mp433.1MB

2-项目参数与数据集读取.mp460.32MB

1-PascalVoc数据集介绍.mp470.12MB

12-图像分割deeplab系列算法

6-deeplabV3Plus版本网络架构.mp424.08MB

5-ASPP特征融合策略.mp413.45MB

4-SPP层的作用.mp419.02MB

3-感受野的意义.mp419.37MB

2-空洞卷积的作用.mp416.74MB

1-deeplab分割算法概述.mp413.81MB

11-基于视频流⽔线的Opencv缺陷检测项⽬

7-检测效果演示.mp425.73MB

6-不同类型的缺陷检测方法.mp436.77MB

5-缺陷区域提取.mp436MB

4-视频数据遍历方法.mp431.41MB

3-目标质心计算.mp432.47MB

2-视频数据读取与轮廓检测.mp420.83MB

1-数据与任务概述.mp416.48MB

10-基于Opencv缺陷检测项⽬实战

5-缺陷检测效果演示.mp450.91MB

4-整体流程解读.mp423.65MB

3-缺陷形态学操作.mp426.46MB

2-数据读取与基本处理.mp426.63MB

1-任务需求与环境配置.mp415.4MB

9-Opencv轮廓检测与直⽅图

13-低通与高通滤波.mp427.4MB

12-频域变换结果.mp426.32MB

11-傅里叶概述.mp438.86MB

10-均衡化效果.mp427.21MB

9-均衡化原理.mp431.35MB

8-直方图定义.mp423.64MB

7-匹配效果展示.mp421.2MB

6-模板匹配方法.mp447.45MB

5-轮廓特征与近似.mp437.62MB

4-轮廓检测结果.mp434.44MB

3-轮廓检测方法.mp419.37MB

2-金字塔制作方法.mp425.47MB

1-图像金字塔定义.mp419.68MB

8-Opencv梯度计算与边缘检测实例

6-scharr与lapkacian算子.mp427.39MB

5-梯度计算方法.mp430.29MB

4-Sobel算子.mp427MB

3-边缘检测效果.mp436.63MB

2-非极大值抑制.mp418.32MB

1-Canny边缘检测流程.mp418.97MB

7-Opencv图像常⽤处理⽅法实例

13-礼帽与黑帽.mp415.88MB

12-梯度计算.mp47.85MB

11-开运算与闭运算.mp49.32MB

10-膨胀操作.mp412.25MB

9-腐蚀操作.mp420.99MB

8-高斯与中值滤波.mp420.61MB

7-图像平滑处理.mp424.77MB

6-图像阈值.mp430.85MB

5-数值计算.mp440.04MB

4-边界填充.mp421.46MB

3-ROI区域.mp415.37MB

2-视频的读取与处理.mp446.97MB

1-计算机眼中的图像.mp430.88MB

6-Semi-supervised布料缺陷检测实战

5-输出结果展示.mp439.29MB

4-网络流程分析.mp437.48MB

3-项目配置解读.mp463MB

2-论文思想与模型分析.mp4129.03MB

1-任务目标与流程概述.mp453.72MB

5-基于YOLOV5的钢材缺陷检测实战

7-输出结果与项目总结.mp445.2MB

6-缺陷检测模型训练.mp434.15MB

5-项目参数配置.mp427.21MB

4-各版本模型介绍分析.mp433.52MB

3-标签转换格式脚本制作.mp430.57MB

2-数据与标签配置方法.mp438.42MB

1-任务需求与项目概述.mp414.14MB

4-物体检测框架YOLOV5项目工程源码解读

21-模型迭代过程.mp438.42MB

20-各种训练策略概述.mp438.43MB

19-训练流程解读.mp446.81MB

18-命令行参数介绍.mp444.26MB

17-超参数解读.mp434.94MB

16-输出结果分析.mp441.71MB

15-上采样与拼接操作.mp421.48MB

14-Head层流程解读.mp429.19MB

13-SPP层计算细节分析.mp429.17MB

12-BottleneckCSP层计算方法.mp433.82MB

11-前向传播计算.mp430.8MB

10-完成配置文件解析任务.mp458.8MB

9-Focus模块流程分析.mp421.93MB

8-V5网络配置文件解读.mp435.74MB

7-网络架构图可视化工具安装.mp434.33MB

6-getItem构建batch.mp433.03MB

5-数据四合一方法与流程演示.mp441.69MB

4-Mosaic数据增强方法.mp428.19MB

3-加载标签数据.mp426.33MB

2-图像数据源配置.mp434.65MB

1-数据源DEBUG流程解读.mp448.13MB

3-物体检测框架YOLOV5版本项目配置

4-测试DEMO演示.mp450.47MB

3-训练数据参数配置.mp451.48MB

2-训练自己的数据集方法.mp441.32MB

1-整体项目概述.mp435.77MB

2-物体检框架YOLO-V4版本算法解读

11-激活函数与整体架构总结.mp419.19MB

10-PAN模块解读.mp420.64MB

9-SAM注意力机制模块.mp422.48MB

8-SPP与CSP网络结构.mp414.81MB

7-NMS细节改进.mp416.66MB

6-CIOU损失函数定义.mp410.82MB

5-损失函数遇到的问题.mp414.26MB

4-DropBlock与标签平滑方法.mp419.36MB

3-数据增强策略分析.mp424.7MB

2-V4版本贡献解读.mp410.06MB

1-V4版本整体概述.mp415.06MB

1-课程介绍

1-课程介绍.mp426.71MB

15-对比学习与多模态任务实战

5-ANINET源码解读

8-输出层与损失计算.mp452.81MB

7-迭代修正模块.mp438.14MB

6-文本模型中的结构分析.mp438.66MB

5-视觉模型中的编码与解码的效果.mp454.49MB

4-视觉Transformer模块的作用.mp445.97MB

3-Bakbone模块得到特征.mp442.1MB

2-配置文件修改方法.mp452.49MB

1-数据集与环境概述.mp455.58MB

4-多模态文字识别

1-多模态文字识别.mp4766.02MB

3-多模态3D目标检测算法源码解读

11-输出层预测结果.mp480.8MB

10-3D卷积特征融合.mp456.76MB

9-多模态特征融合.mp468.36MB

8-全局体素特征提取.mp495.96MB

7-体素特征计算方法分析.mp470.71MB

6-体素特征提取方法解读.mp437.57MB

5-体素索引位置获取.mp464.72MB

4-数据与图像特征提取模块.mp458.02MB

3-基本流程梳理并进入debug模式.mp450.33MB

2-数据与标注文件介绍.mp437.49MB

1-环境配置与数据集概述.mp451.52MB

2-CLIP系列

1-CLIP系列.mp4621MB

1-对比学习算法与实例

1-对比学习算法与实例.mp4549.52MB

14-面向深度学习的无人驾驶实战

15-特斯拉无人驾驶解读

1-特斯拉无人驾驶解读.mp4644.17MB

14-轨迹估计预测实战

5-SubGraph与Attention模型流程.mp434.64MB

4-DataLoader构建图结构.mp428.68MB

3-Agent特征提取方法.mp437.97MB

2-训练数据准备.mp427.75MB

1-数据与环境配置.mp435.43MB

13-轨迹估计算法与论文解读

8-VectorNet输出层分析.mp485.45MB

7-特征融合模块分析.mp447.67MB

6-子图模块构建方法.mp442.55MB

5-输入细节分析.mp449.96MB

4-传统方法与现在向量空间对比.mp451.83MB

3-特征工程的作用与效果.mp441.75MB

2-整体三大模块分析.mp471.83MB

1-数据集与标注信息解读.mp457.53MB

12-TSDF实战案例

3-计算得到TSDF输出.mp444.1MB

2-初始化与数据读取.mp421.3MB

1-环境配置概述.mp432.66MB

11-TSDF算法与应用

6-输出结果融合更新.mp434.23MB

5-坐标转换流程分析.mp431.1MB

4-TSDF计算基本流程解读.mp423.93MB

3-布局初始化操作.mp412.69MB

2-合成过程DEMO演示.mp427.58MB

1-TSDF整体概述分析.mp423.16MB

10-NeuralRecon项目源码解读

8-项目总结.mp4108.4MB

7-完成三个阶段预测结果.mp445.77MB

6-得到一阶段输出结果.mp438.08MB

5-插值得到对应特征向量.mp432.36MB

4-得到体素所对应特征图.mp450.7MB

3-坐标映射方法实现.mp426.66MB

2-初始化体素位置.mp441.51MB

1-Backbone得到特征图.mp436.02MB

9-NeuralRecon项目环境配置

5-完成依赖环境配置.mp457.11MB

4-ISSUE的作用.mp449.23MB

3-TSDF标签生成方法.mp455.3MB

2-Scannet数据集内容概述.mp437.26MB

1-数据集下载与配置方法.mp452.41MB

8-NeuralRecon算法解读

5-整体架构重构方法.mp423MB

4-片段融合思想.mp416.72MB

3-特征映射方法解读.mp434.68MB

2-基本框架熟悉.mp427.45MB

1-任务流程分析.mp419.35MB

7-三维重建应用与坐标系基础

8-相机标定简介.mp45.5MB

7-通过内外参数进行坐标变换.mp416.47MB

6-相机内外参.mp417.01MB

5-坐标系转换方法解读.mp420.91MB

4-相机坐标系.mp417.15MB

3-成像方法概述.mp416.33MB

2-三维重建应用领域概述.mp413.17MB

1-三维重建概述分析.mp466.8MB

6-局部特征关键点匹配实战

11-通过期望计算最终输出.mp440.24MB

10-得到精细化输出结果.mp419.39MB

9-精细化调整方法与实例.mp442.81MB

8-完成基础匹配模块.mp463.33MB

7-粗粒度匹配过程.mp449.8MB

6-cross关系计算方法实例.mp429.36MB

5-特征融合模块实现方法.mp429.35MB

4-注意力机制的作用与效果分析.mp431.04MB

3-backbone特征提取模块.mp428.7MB

2-DEMO效果演示.mp439.56MB

1-项目与参数配置解读.mp444.48MB

5-商汤LoFTR算法解读

10-总结分析.mp439.42MB

9-基于期望预测最终位置.mp423.08MB

8-细粒度匹配的作用与方法.mp419.87MB

7-特征图拆解操作.mp414.34MB

6-粗粒度匹配过程与作用.mp426MB

5-transformer构建匹配特征.mp433.79MB

4-CrossAttention的作用与效果.mp415.69MB

3-整体流程梳理分析.mp416.46MB

2-特征匹配的基本流程分析.mp415.91MB

1-特征匹配的应用场景.mp487.35MB

4-基于深度学习的车道线检测项目实战

11-DEMO制作与配置.mp440.28MB

10-车道线规则损失函数限制.mp444.61MB

9-损失函数计算模块分析.mp445.66MB

8-算法网络结构解读.mp459.95MB

7-完成数据与标签制作.mp424.65MB

6-grid设置方法.mp441.7MB

5-四条车道线标签位置矩阵.mp422.28MB

4-车道线标签数据处理.mp434.18MB

3-制作数据集dataloader.mp454.62MB

2-项目环境配置演示.mp429.98MB

1-车道数据与标签解读.mp465.61MB

3-车道线检测算法与论文解读

5-论文概述分析.mp462.39MB

4-损失函数计算方法.mp427.3MB

3-输出结果分析.mp418.12MB

2-网络整体框架分析.mp428.89MB

1-数据标签与任务分析.mp484.49MB

2-深度估计项目实战

11-模型DEMO输出结果.mp480.63MB

10-损失函数通俗解读.mp465.84MB

9-输出深度估计结果.mp425.45MB

8-特征拼接方法解读.mp447.64MB

7-网络结构ASPP层.mp447.25MB

6-权重参数标准化操作.mp442.56MB

5-计算差异特征.mp430.69MB

4-使用backbone进行特征提取.mp442.38MB

3-数据集dataloader制作.mp436.83MB

2-数据与标签定义方法.mp474.34MB

1-项目环境配置解读.mp452.89MB

1-深度估计算法原理解读

10-损失计算.mp430.51MB

9-权重参数预处理.mp427.5MB

8-网络coarse-to-fine过程.mp426.5MB

7-特征拼接方法分析.mp421.24MB

6-空洞卷积与ASPP.mp418.94MB

5-SPP层的作用.mp415.27MB

4-差异特征计算边界信息.mp426.49MB

3-使用backbone获取层级特征.mp422.18MB

2-kitti数据集介绍.mp459.45MB

1-深度估计效果与应用.mp498.47MB

13-3D点云实战

8-基础补充-对抗生成网络架构原理与实战解析

5-生成与判别网络定义.mp444.24MB

4-数据读取模块.mp429.93MB

3-损失函数解释说明.mp439.88MB

2-GAN网络组成.mp410.73MB

1-对抗生成网络通俗解释.mp418.39MB

7-点云配准及其案例实战

9-任务总结.mp433.31MB

8-特征构建方法分析.mp434.65MB

7-基于模型预测输出参数.mp424.88MB

6-参数计算模块解读.mp421.85MB

5-数据源配置方法.mp445.42MB

4-任务基本流程.mp415.56MB

3-训练数据构建.mp423.43MB

2-配准要完成的目标解读.mp417.64MB

1-点云配准任务概述.mp420MB

6-点云补全实战解读

7-判别模块.mp448.59MB

6-补全点云数据.mp435.21MB

5-分层预测输出模块.mp431.04MB

4-MRE特征提取模块.mp440.36MB

3-整体框架概述.mp449.1MB

2-待补全数据准备方法.mp429.26MB

1-数据与项目配置解读.mp441.86MB

5-点云补全PF-Net论文解读

5-输入与计算结果.mp465.02MB

4-网络计算流程.mp425.52MB

3-整体网络概述.mp420.61MB

2-基本解决方案概述.mp417.42MB

1-点云补全要解决的问题.mp423.13MB

4-Pointnet++项目实战

13-上采样完成分割任务.mp444.75MB

12-分割需要解决的任务概述.mp433.94MB

11-分割任务数据与配置概述.mp451.28MB

9-预测结果输出模块.mp438.74MB

8-特征提取模块整体流程.mp440.04MB

7-实现group操作得到各中心簇.mp435MB

6-组区域划分方法.mp424.88MB

5-采样得到中心点.mp431.77MB

4-最远点采样介绍.mp419.48MB

3-DEBUG解读网络模型架构.mp424.25MB

2-数据读取模块配置.mp439.23MB

1-项目文件概述.mp429.02MB

3-PointNet++算法解读

6-遇到的问题及改进方法分析.mp413.43MB

5-分类与分割问题解决方案.mp421.74MB

4-整体流程概述分析.mp416.37MB

3-分组Group方法原理解读.mp432.79MB

2-最远点采样方法.mp421MB

1-PointNet升级版算法要解决的问题.mp422.08MB

2-3D点云PointNet算法

5-PointNet算法网络架构解读.mp431.01MB

4-PointNet算法出发点解读.mp417.46MB

3-点云数据特性和及要解决的问题.mp433.08MB

2-点云数据可视化展示.mp440.07MB

1-3D数据应用领域与点云介绍.mp440.05MB

1-3D点云实战 3D点云应用领域分析

6-点云数据特征提取概述与预告.mp422.69MB

5-点云检测与配准任务.mp459.58MB

4-点云补全任务.mp429.17MB

3-点云分割任务.mp452.03MB

2-点云应用领域与发展分析.mp482.18MB

1-点云数据概述.mp449.53MB

12-图神经网络实战

11-异构图神经网络

1-异构图神经网络.mp4754.04MB

10-基于图模型的时间序列预测

1-基于图模型的时间序列预测.mp41021.16MB

9-图模型轨迹估计实战

5-SubGraph与Attention模型流程.mp434.55MB

4-DataLoader构建图结构.mp428.61MB

3-Agent特征提取方法.mp437.87MB

2-训练数据准备.mp427.69MB

1-数据与环境配置.mp435.36MB

8-基于图模型的轨迹估计

8-VectorNet输出层分析.mp485.45MB

7-特征融合模块分析.mp447.67MB

6-子图模块构建方法.mp442.55MB

5-输入细节分析.mp449.96MB

4-传统方法与现在向量空间对比.mp451.83MB

3-特征工程的作用与效果.mp441.75MB

2-整体三大模块分析.mp471.83MB

1-数据集与标注信息解读.mp457.53MB

7-图相似度计算实战

7-预测得到相似度结果.mp418.64MB

6-NTN图相似特征提取.mp439.25MB

5-图的全局特征构建.mp431.45MB

4-获得直方图特征结果.mp421.11MB

3-分别计算不同Batch点的分布.mp431.7MB

2-图卷积特征提取模块.mp455.92MB

1-数据集与任务概述.mp418.11MB

6-图相似度论文解读

6-结果输出与总结.mp471.18MB

5-点之间的对应关系计算.mp451.22MB

4-NTN模块的作用与效果.mp441.09MB

3-图模型提取全局与局部特征.mp447.42MB

2-基本方法概述解读.mp452.67MB

1-要完成的任务分析.mp447.79MB

5-图注意力机制与序列图模型

4-序列图神经网络细节.mp423.67MB

3-序列图神经网络TGCN应用.mp412.59MB

2-邻接矩阵计算图Attention.mp421.4MB

1-图注意力机制的作用与方法.mp416.53MB

4-使用PyTorch Geometric构建自己的图数据集

9-模型训练与总结.mp435.84MB

8-获取全局特征.mp425.71MB

7-TopkPooling进行下采样任务.mp431.3MB

6-网络结构定义模块.mp436.87MB

5-数据集创建函数介绍.mp434.87MB

4-用户行为图结构创建.mp436.67MB

3-数据集基本预处理.mp431.5MB

2-数据集与任务背景概述.mp421.63MB

1-构建数据集基本方法.mp413.47MB

3-图模型必备神器PyTorch Geometric安装与使用

4-文献引用数据集分类案例实战.mp447.75MB

3-模型定义与训练方法.mp441.92MB

2-数据集与邻接矩阵格式.mp451.92MB

1-PyTorch Geometric工具包安装与配置方法.mp445.07MB

2-图卷积GCN模型

4-GCN变换原理解读.mp421.12MB

3-邻接的矩阵的变换.mp418.38MB

2-图卷积的基本计算方法.mp412.56MB

1-GCN基本模型概述.mp413.24MB

1-图神经网络基础

6-多层GCN的作用.mp413MB

5-消息传递计算方法.mp414.23MB

4-GNN中常见任务.mp419.17MB

3-邻接矩阵的定义.mp416.06MB

2-图基本模块定义.mp410.51MB

1-图神经网络应用领域分析.mp426.4MB

11-2022论⽂必备-Transformer实战系列

20-Huggingface与NLP（讲故事）

1-Huggingface与NLP（讲故事）.mp4163.59MB

19-Informer时间序列源码解读

1-Informer时间序列源码解读.mp4829.1MB

18-时间序列预测

1-时间序列预测.mp4375.4MB

17-BevFormer源码解读

12-损失函数与预测可视化.mp449.48MB

11-Decoder级联校正模块.mp441.58MB

10-获取当前BEV特征.mp435.9MB

9-Decoder要完成的任务分析.mp433.95MB

8-BEV空间特征构建.mp434.01MB

7-注意力机制模块计算方法.mp438.61MB

6-BEV空间与图像空间位置对应.mp437.67MB

5-Reference初始点构建.mp437.26MB

4-特征对齐与位置编码初始化.mp443.63MB

3-特征提取以及BEV空间初始化.mp443.81MB

2-数据集下载与配置方法.mp453.57MB

1-环境配置方法解读.mp442.79MB

16-BEV特征空间

1-BEV特征空间.mp4523.07MB

15-Mask2former源码解读

13-汇总所有损失完成迭代.mp435.76MB

12-最终损失计算流程.mp452.29MB

11-标签分类匹配结果分析.mp462.04MB

10-正样本筛选损失计算.mp441.78MB

9-标签分配策略解读.mp442.53MB

8-损失模块输入参数分析.mp440.84MB

7-Decoder中的AttentionMask方法.mp450.89MB

6-query要预测的任务解读.mp445.61MB

5-Encoder特征构建方法实例.mp449.77MB

4-偏移量与权重计算并转换.mp448.78MB

3-多层级输入特征序列创建方法.mp443.83MB

2-多层级采样点初始化构建.mp441.46MB

1-Backbone获取多层级特征.mp435.79MB

14-分割模型Maskformer系列

1-分割模型Maskformer系列.mp4776.88MB

13-局部特征关键点匹配实战

11-通过期望计算最终输出.mp440.24MB

10-得到精细化输出结果.mp419.35MB

9-精细化调整方法与实例.mp442.73MB

8-完成基础匹配模块.mp463.33MB

7-粗粒度匹配过程.mp449.8MB

6-cross关系计算方法实例.mp429.3MB

5-特征融合模块实现方法.mp429.29MB

4-注意力机制的作用与效果分析.mp430.98MB

3-backbone特征提取模块.mp428.65MB

2-DEMO效果演示.mp439.57MB

1-项目与参数配置解读.mp444.48MB

12-商汤LoFTR算法解读

10-总结分析.mp439.42MB

9-基于期望预测最终位置.mp423.08MB

8-细粒度匹配的作用与方法.mp419.87MB

7-特征图拆解操作.mp414.34MB

6-粗粒度匹配过程与作用.mp426MB

5-transformer构建匹配特征.mp433.79MB

4-CrossAttention的作用与效果.mp415.69MB

3-整体流程梳理分析.mp416.46MB

2-特征匹配的基本流程分析.mp415.91MB

1-特征匹配的应用场景.mp487.35MB

11-MedicalTransformer源码解读

7-局部特征提取与计算.mp440.92MB

6-注意力计算过程与方法.mp452.13MB

5-位置编码向量解读.mp427.8MB

4-AxialAttention实现过程.mp436.87MB

3-基本处理操作.mp425.77MB

2-医学数据介绍与分析.mp456.68MB

1-项目环境配置.mp425.29MB

10-MedicalTrasnformer论文解读

6-拓展应用分析.mp456.52MB

5-位置编码的作用与效果.mp446.55MB

4-论文公式计算分析.mp446.93MB

3-网络结构计算流程概述.mp444.46MB

2-核心思想分析.mp454.26MB

1-论文整体分析.mp423.72MB

9-DeformableDetr物体检测源码分析

11-预测输出结果与标签匹配模块.mp444.31MB

10-分类与回归输出模块.mp449.72MB

9-Decoder要完成的操作.mp438.98MB

8-Encoder层完成特征对齐.mp451.84MB

7-偏移量对齐操作.mp439.8MB

6-偏移量offset计算.mp446.09MB

5-编码层中的序列分析.mp439.73MB

4-准备Encoder编码层所需全部输入.mp437.91MB

3-得到相对位置点编码.mp428.8MB

2-序列特征展开并叠加.mp451.07MB

1-特征提取与位置编码.mp438.16MB

8-DeformableDetr算法解读

1-DeformableDetr算法解读.mp4730.35MB

7-detr目标检测源码解读

9-损失函数与预测输出.mp441.18MB

8-输出预测结果.mp441.2MB

7-Decoder层操作与计算.mp430.08MB

6-编码层作用方法.mp442.78MB

5-mask与编码模块.mp434.68MB

4-backbone特征提取模块.mp435.54MB

3-位置编码作用分析.mp447.86MB

2-数据处理与dataloader.mp463.98MB

1-项目环境配置解读.mp440.33MB

6-基于Transformer的detr目标检测算法

5-训练过程的策略.mp428.34MB

4-注意力机制的作用方法.mp420.79MB

3-位置信息初始化query向量.mp419.9MB

2-整体网络架构分析.mp431.54MB

1-DETR目标检测基本思想解读.mp419.27MB

5-swintransformer源码解读

8-输出层概述.mp441.11MB

7-各block计算方法解读.mp427.91MB

6-patchmerge下采样操作.mp425.24MB

5-窗口位移模块细节分析.mp436.81MB

4-基础attention计算模块.mp427.58MB

3-数据按window进行划分计算.mp431.46MB

2-图像数据patch编码.mp437.62MB

1-数据与环境配置解读.mp459.59MB

4-swintransformer算法原理解析

10-分层计算方法.mp421.71MB

9-下采样操作实现方法.mp422.24MB

8-整体网络架构整合.mp420.88MB

7-偏移细节分析及其计算量概述.mp420.41MB

6-窗口偏移操作的实现.mp424.27MB

5-基于窗口的注意力机制解读.mp429.53MB

4-获取各窗口输入特征.mp418.99MB

3-一个block要完成的任务.mp417.36MB

2-要解决的问题及其优势分析.mp422.33MB

1-swintransformer整体概述.mp414.76MB

3-VIT算法模型源码解读

4-输出层计算结果.mp437.72MB

3-注意力机制计算.mp428.04MB

2-输入序列构建方法解读.mp429.8MB

1-项目配置说明.mp443.27MB

2-视觉Transformer及其源码分析

1-视觉Transformer及其源码分析.mp4878.23MB

1-Transformer算法解读

1-Transformer算法解读.mp4557.22MB

10-经典视觉项目实战：行为识别、姿态估计、目标追踪

15-V5项目工程源码解读

21-模型迭代过程.mp438.42MB

20-各种训练策略概述.mp438.43MB

19-训练流程解读.mp446.81MB

18-命令行参数介绍.mp444.26MB

17-超参数解读.mp434.94MB

16-输出结果分析.mp441.71MB

15-上采样与拼接操作.mp421.48MB

14-2-Head层流程解读.mp429.12MB

13-1-SPP层计算细节分析.mp429.09MB

12-BottleneckCSP层计算方法.mp433.82MB

11-前向传播计算.mp430.8MB

10-完成配置文件解析任务.mp458.8MB

9-Focus模块流程分析.mp421.93MB

8-V5网络配置文件解读.mp435.74MB

7-网络架构图可视化工具安装.mp434.33MB

6-getItem构建batch.mp433.03MB

5-数据四合一方法与流程演示.mp441.69MB

4-Mosaic数据增强方法.mp428.19MB

3-加载标签数据.mp426.33MB

2-图像数据源配置.mp434.65MB

1-数据源DEBUG流程解读.mp448.13MB

14-V5版本项目配置

4-测试DEMO演示.mp450.47MB

3-训练数据参数配置.mp451.48MB

2-训练自己的数据集方法.mp441.32MB

1-整体项目概述.mp435.77MB

13-YOLO-V4版本算法解读

11-激活函数与整体架构总结.mp419.19MB

10-PAN模块解读.mp420.64MB

9-SAM注意力机制模块.mp422.48MB

8-SPP与CSP网络结构.mp414.81MB

7-NMS细节改进.mp416.66MB

6-CIOU损失函数定义.mp410.82MB

5-损失函数遇到的问题.mp414.26MB

4-DropBlock与标签平滑方法.mp419.36MB

3-数据增强策略分析.mp424.7MB

2-V4版本贡献解读.mp410.06MB

1-V4版本整体概述.mp415.06MB

12-deepsort源码解读

10-匹配结果与总结.mp476.93MB

9-ReID特征代价矩阵计算.mp446.45MB

8-级联匹配模块.mp443.34MB

7-参数更新操作.mp450.21MB

6-IOU代价矩阵计算.mp432.89MB

5-状态量预测结果.mp436.02MB

4-对track执行预测操作.mp438.3MB

3-针对检测结果初始化track.mp448.2MB

2-参数与DEMO演示.mp442.18MB

1-项目环境配置.mp437.33MB

11-deepsort算法知识点解读

12-追踪任务流程拆解.mp432.13MB

11-预测与匹配流程解读.mp426.25MB

10-sort与deepsort建模流程分析.mp426.79MB

9-REID特征的作用.mp420.84MB

8-匹配小例子分析.mp421.8MB

7-匈牙利匹配算法概述.mp419.23MB

6-追踪中的状态量.mp416.04MB

5-预测与更新操作.mp424MB

4-基于观测值进行最优估计.mp417.11MB

3-任务本质分析.mp419.07MB

2-卡尔曼滤波要完成的任务.mp415.6MB

1-卡尔曼滤波通俗解释.mp431.48MB

10-OpenPose算法源码分析

10-多阶段输出与预测.mp446.99MB

9-网络模型一阶段输出.mp427.54MB

8-完成PAF特征图制作.mp431.91MB

7-特征图各点累加向量计算.mp432.67MB

6-各位置点归属判断.mp428.04MB

5-准备构建PAF躯干标签.mp429.58MB

4-根据关键点位置设计关键点标签.mp454.92MB

3-关键点与躯干特征图初始化.mp434.31MB

2-读取图像与标注信息.mp446.78MB

1-数据集与路径配置解读.mp433.79MB

9-姿态估计OpenPose系列算法解读

12-算法流程与总结.mp450.27MB

11-CPM模型特点.mp421.94MB

10-匹配方法解读.mp421.06MB

9-预测时PAF积分计算方法.mp434.91MB

8-PAF标签设计方法.mp425.01MB

7-PAF向量登场.mp412.59MB

6-各模块输出特征图解读.mp415.58MB

5-基于高斯分布预测关键点位置.mp424.83MB

4-要解决的两个问题分析.mp410.19MB

3-传统topdown方法的问题.mp437.95MB

2-姿态估计应用领域概述.mp420.8MB

1-姿态估计要解决的问题分析.mp479.45MB

8-课程介绍

1-课程介绍.mp427.22MB

7-基础补充-Resnet模型及其应用实例

7-网络整体流程与训练演示.mp467.45MB

6-特征图升维与降采样操作.mp426.89MB

5-残差网络的shortcut操作.mp447.34MB

4-Resnet网络前向传播.mp435.82MB

3-dataloader加载数据集.mp464.78MB

2-Resnet网络架构原理分析.mp424.81MB

1-医学疾病数据集介绍.mp418.85MB

6-视频异常检测CVPR2021论文及其源码解读

7-MetaLearn与输出.mp429.79MB

6-特征图生成.mp438.02MB

5-损失函数的目的.mp457.97MB

4-注意力机制模块打造.mp461.12MB

3-模型编码与解码结构.mp433.37MB

2-数据集配置与读取.mp438.74MB

1-论文概述与环境配置.mp426.61MB

5-视频异常检测算法与元学习

7-MAML算法流程解读.mp428.99MB

6-如何找到合适的初始化参数.mp423.36MB

5-学习能力与参数定义.mp414.17MB

4-Meta-Learn要解决的问题.mp420.78MB

3-预测与常见问题.mp426.58MB

2-基本思想与流程分析.mp424.27MB

1-异常检测要解决的问题与数据集介绍.mp421.49MB

4-基于3D卷积的视频分析与动作识别

7-训练网络模型.mp438.81MB

6-3D卷积网络所涉及模块.mp437.76MB

5-数据Batch制作方法.mp446.66MB

4-视频数据预处理方法.mp432.25MB

3-测试效果与项目配置.mp455.6MB

2-UCF101动作识别数据集简介.mp451.69MB

1-3D卷积原理解读.mp420.62MB

3-slowfast源码详细解读

10-RoiAlign与输出层.mp478.92MB

9-resnetBolock操作.mp453.62MB

8-slow与fast特征图拼接操作.mp449.69MB

7-分别计算特征图输出结果.mp456.64MB

6-slow与fast分别执行采样操作.mp466.34MB

5-图像数据所需预处理方法.mp466.76MB

4-数据与标签读取实例.mp452.22MB

3-dataloader数据遍历方法.mp456.85MB

2-数据处理概述.mp449.72MB

1-模型所需配置文件参数读取.mp433.24MB

2-slowfast项目环境配置与配置文件

8-完成视频分帧操作.mp432.77MB

7-视频数据集切分操作.mp439.66MB

6-训练所需视频数据准备.mp447.39MB

5-训练所需标签文件说明.mp448.77MB

4-测试DEMO演示.mp466.77MB

3-配置文件作用解读.mp450.9MB

2-目录各文件分析.mp436.84MB

1-环境基本配置解读.mp445.35MB

1-slowfast算法知识点通俗解读

5-特征融合模块与总结分析.mp439.3MB

4-模型网络结构设计.mp419.3MB

3-数据采样曾的作用.mp418.26MB

2-核心网络结构模块分析.mp420.98MB

1-slowfast核心思想解读.mp474.86MB

9-走向AI论文实验与项目实战的捷径-MMLAB实战系列

23-额外补充-在源码中加入各种注意力机制方法

1-在源码中加入各种注意力机制方法.mp4122.48MB

22-OCR算法解读

1-OCR算法解读.mp41.67GB

21-第九模块：mmaction行为识别

1-创建自己的行为识别标注数据集.mp4232.73MB

20-第八模块：模型剪枝方法概述分析

2-搜索匹配到符合计算量的模型并训练.mp446.83MB

1-SuperNet网络结构分析与剪枝概述.mp440.58MB

19-第八模块：模型蒸馏应用实例

7-实际测试效果演示.mp439.02MB

6-分别得到Teacher与Student模型.mp445.74MB

5-日志输出与模型分离.mp470.25MB

4-开始模型训练过程与问题修正.mp457.26MB

3-训练T与S得到蒸馏模型.mp470.63MB

2-Teacher与Student网络结构定义.mp446.25MB

1-任务概述与工具使用.mp439.64MB

18-第七模块：多模态3D目标检测算法源码解读

11-输出层预测结果.mp480.8MB

10-3D卷积特征融合.mp456.76MB

9-多模态特征融合.mp468.36MB

8-全局体素特征提取.mp495.96MB

7-体素特征计算方法分析.mp470.71MB

6-体素特征提取方法解读.mp437.57MB

5-体素索引位置获取.mp464.72MB

4-数据与图像特征提取模块.mp458.02MB

3-基本流程梳理并进入debug模式.mp450.33MB

2-数据与标注文件介绍.mp437.49MB

1-环境配置与数据集概述.mp451.52MB

17-第六模块：BasicVSR++视频超分辨重构源码解读

11-完成输出结果.mp451.56MB

10-传播流程整体完成一圈.mp461.55MB

9-准备变形卷积模块的输入.mp444.71MB

8-序列传播计算.mp439.88MB

7-提特征传递流程分析.mp437.23MB

6-双向计算特征对齐.mp436.97MB

5-偏移量计算方法.mp432.48MB

4-基于光流完成对齐操作.mp440.23MB

3-光流估计网络模块.mp425.67MB

2-特征基础提取模块.mp444.58MB

1-要完成的任务分析与配置文件.mp427.36MB

16-第五模块：stylegan2源码解读

6-损失函数概述.mp426.56MB

5-上采样得到输出结果.mp440.75MB

4-基础风格特征卷积模块.mp454.69MB

3-特征编码风格拼接.mp436.76MB

2-得到style特征编码.mp469.51MB

1-要完成的任务与基本思想概述.mp457.79MB

15-第四模块：KIE基于图模型的关键信息抽取

8-整合得到图模型输入特征.mp471.98MB

7-准备拼接边与点特征.mp441.38MB

6-特征合并处理.mp443.74MB

5-标签数据处理与关系特征提取.mp456.48MB

4-边框要计算的特征分析.mp435.57MB

3-配置文件与标签要进行处理操作.mp447.83MB

2-KIE数据集格式调整方法.mp469.46MB

1-配置文件以及要完成的任务解读.mp451.55MB

14-第四模块：ANINET文字识别

8-输出层与损失计算.mp452.81MB

7-迭代修正模块.mp438.14MB

6-文本模型中的结构分析.mp438.66MB

5-视觉模型中的编码与解码的效果.mp454.49MB

4-视觉Transformer模块的作用.mp445.97MB

3-Bakbone模块得到特征.mp442.1MB

2-配置文件修改方法.mp452.49MB

1-数据集与环境概述.mp455.58MB

13-第四模块：DBNET文字检测

5-损失计算方法.mp459.35MB

4-损失函数模块概述.mp443.11MB

3-Neck层特征组合.mp432.04MB

2-配置文件参数设置.mp438.74MB

1-文字检测数据概述与配置文件.mp456.6MB

12-KIE关键信息抽取与视频超分辨率重构

1-KIE关键信息抽取与视频超分辨率重构.mp4916.12MB

11-补充：Mask2former源码解读

13-汇总所有损失完成迭代.mp435.76MB

12-最终损失计算流程.mp452.29MB

11-标签分类匹配结果分析.mp462.04MB

10-正样本筛选损失计算.mp441.78MB

9-标签分配策略解读.mp442.53MB

8-损失模块输入参数分析.mp440.84MB

7-Decoder中的AttentionMask方法.mp450.89MB

6-query要预测的任务解读.mp445.61MB

5-Encoder特征构建方法实例.mp449.77MB

4-偏移量与权重计算并转换.mp448.78MB

3-多层级输入特征序列创建方法.mp443.83MB

2-多层级采样点初始化构建.mp441.46MB

1-Backbone获取多层级特征.mp435.79MB

10-第三模块：DeformableDetr算法解读

1-DeformableDetr算法解读.mp4730.35MB

9-第三模块：DeformableDetr物体检测源码分析

11-预测输出结果与标签匹配模块.mp444.31MB

10-分类与回归输出模块.mp449.72MB

9-Decoder要完成的操作.mp438.98MB

8-Encoder层完成特征对齐.mp451.84MB

7-偏移量对齐操作.mp439.8MB

6-偏移量offset计算.mp446.09MB

5-编码层中的序列分析.mp439.73MB

4-准备Encoder编码层所需全部输入.mp437.91MB

3-得到相对位置点编码.mp428.8MB

2-序列特征展开并叠加.mp451.07MB

1-特征提取与位置编码.mp438.16MB

8-第三模块：mmdet训练自己的数据任务

8-补充：评估指标.mp414.06MB

7-模型测试与可视化分析模块.mp477.61MB

6-模型训练与DEMO演示.mp435.27MB

5-训练所需配置说明.mp456MB

4-配置文件数据增强策略分析.mp445.59MB

3-通过脚本生成COCO数据格式.mp438.55MB

2-COCO数据标注格式.mp428.16MB

1-数据集标注与标签获取.mp431.35MB

7-第二模块：分割任务CVPR最新Backbone设计及其应用

10-汇总多层级特征进行输出.mp443.35MB

9-全局特征的作用与实现.mp456.34MB

8-分割输出模块.mp457.72MB

7-完成特征提取与融合模块.mp455.69MB

6-近似Attention模块实现.mp479.49MB

5-卷积位置编码计算方法.mp453.89MB

4-PatchEmbedding的作用与实现.mp444.88MB

3-DEBUG解读Backbone设计.mp440.45MB

2-配置文件指定.mp435.84MB

1-注册自己的Backbone模块.mp434.3MB

6-第二模块：基于Unet进行各种策略修改

8-VIT模块源码分析.mp445.48MB

7-将Unet特征提取模块替换成transformer.mp422.41MB

6-如何修改参数适配网络结构.mp421.73MB

5-给Unet添加一个neck层.mp430.37MB

4-辅助层的作用.mp419.83MB

3-上采样与输出层.mp428.25MB

2-编码层模块.mp432.47MB

1-配置文件解读.mp432.12MB

5-第二模块：使用分割模块训练自己的数据集

5-预测DEMO演示.mp421.88MB

4-加载预训练模型开始训练.mp486.52MB

3-根据预测类别数修改配置文件.mp439.48MB

2-数据集标注与制作方法.mp456.84MB

1-项目配置基本介绍.mp474.23MB

4-第一模块：模型源码DEBUG演示

5-CLS与输出模块.mp444.04MB

4-前向传播基本模块.mp438.87MB

3-PatchEmbedding层.mp425.3MB

2-数据增强模块概述分析.mp449.58MB

1-VIT任务概述.mp429.96MB

3-第一模块：训练结果测试与验证

9-模型分析脚本使用.mp436.37MB

8-MMCLS可视化模块应用.mp472.07MB

7-可视化细节与效果分析.mp4124.19MB

6-Grad-Cam可视化方法.mp441.17MB

5-数据增强流程可视化展示.mp437.4MB

4-修改配置文件中的参数.mp467.72MB

3-MMCLS中增加一个新的模块.mp462.61MB

2-测试评估模型效果.mp427.58MB

1-测试DEMO效果.mp425.49MB

2-第一模块：分类任务基本操作

8-训练自己的任务.mp439.32MB

7-构建自己的数据集.mp436.33MB

6-根据文件夹定义数据集.mp440.27MB

5-生成完整配置文件.mp424.45MB

4-各模块配置文件组成.mp435.81MB

3-基本参数配置解读.mp434.52MB

2-准备MMCLS项目.mp432.26MB

1-MMCLS问题修正.mp423.5MB

1-MMCV安装方法

1-MMCV安装方法.mp455.75MB

8-图像分割实战

12-基于MASK-RCNN框架训练自己的数据与任务

6-测试与展示模块.mp438.6MB

5-基于标注数据训练所需任务.mp439.72MB

4-maskrcnn源码修改方法.mp463.56MB

3-完成训练数据准备工作.mp426.61MB

2-使用labelme进行数据与标签标注.mp426.29MB

1-Labelme工具安装.mp414.29MB

11-MaskRcnn网络框架源码详解

12-整体框架回顾.mp428.86MB

11-RorAlign操作的效果.mp425.7MB

10-RoiPooling层的作用与目的.mp433.45MB

9-正负样本选择与标签定义.mp427.59MB

8-DetectionTarget层的作用.mp425.7MB

7-Proposal层实现方法.mp433.31MB

6-候选框过滤方法.mp415.59MB

5-RPN层的作用与实现解读.mp430.9MB

4-基于不同尺度特征图生成所有框.mp432.93MB

3-生成框比例设置.mp428.25MB

2-FPN网络架构实现解读.mp455.77MB

1-FPN层特征提取原理解读.mp442.31MB

10-物体检测框架-MaskRcnn项目介绍与配置

3-开源项目数据集.mp497.85MB

2-开源项目数据集.mp442.48MB

1-Mask-Rcnn开源项目简介.mp488.18MB

9-补充：Mask2former源码解读

13-汇总所有损失完成迭代.mp435.76MB

12-最终损失计算流程.mp452.29MB

11-标签分类匹配结果分析.mp462.04MB

10-正样本筛选损失计算.mp441.78MB

9-标签分配策略解读.mp442.53MB

8-损失模块输入参数分析.mp440.84MB

7-Decoder中的AttentionMask方法.mp450.89MB

6-query要预测的任务解读.mp445.61MB

5-Encoder特征构建方法实例.mp449.77MB

4-偏移量与权重计算并转换.mp448.78MB

3-多层级输入特征序列创建方法.mp443.83MB

2-多层级采样点初始化构建.mp441.46MB

1-Backbone获取多层级特征.mp435.79MB

8-分割模型Maskformer系列

1-分割模型Maskformer系列.mp41.27GB

7-医学⼼脏视频数据集分割建模实战

6-补充：R(2plus1)D处理方法分析.mp418.88MB

5-补充：视频数据源特征处理方法概述.mp426.33MB

4-文献报告分析.mp4122.67MB

3-任务流程解读.mp469.12MB

2-项目基本配置参数.mp433.31MB

1-数据集与任务概述.mp445.55MB

6-基于deeplabV3+版本进⾏VOC分割实战

5-分割模型训练.mp434.97MB

4-ASPP层特征融合.mp451.19MB

3-网络前向传播流程.mp433.1MB

2-项目参数与数据集读取.mp460.32MB

1-PascalVoc数据集介绍.mp470.12MB

5-deeplab系列算法

6-deeplabV3Plus版本网络架构.mp424.08MB

5-ASPP特征融合策略.mp413.45MB

4-SPP层的作用.mp419.02MB

3-感受野的意义.mp419.37MB

2-空洞卷积的作用.mp416.74MB

1-deeplab分割算法概述.mp413.81MB

4-U2NET显著性检测实战

5-损失函数与应用效果.mp434.34MB

4-解码器输出结果.mp427.9MB

3-编码器模块解读.mp443.66MB

2-显著性检测任务与目标概述.mp453.96MB

1-任务目标与网络整体介绍.mp458.66MB

3-unet医学细胞分割实战

6-模型效果验证.mp447.29MB

5-迭代完成整个模型计算任务.mp433.55MB

4-特征融合方法演示.mp430.05MB

3-Debug模式演示网络计算流程.mp441.37MB

2-数据增强工具.mp461.47MB

1-医学细胞数据集介绍与参数配置.mp471.21MB

2-Unet系列算法讲解

4-后续升级版本介绍.mp418.37MB

3-Unet升级版本改进.mp415.75MB

2-网络计算流程.mp416.13MB

1-Unet网络编码与解码过程.mp418.29MB

1-图像分割及其损失函数概述

3-MIOU评估标准.mp49.03MB

2-分割任务中的目标函数定义.mp420MB

1-语义分割与实例分割概述.mp420.24MB

7-综合项目-物体检测经典算法实战

18-EfficientDet检测算法

1-EfficientDet检测算法.mp4448.01MB

17-EfficientNet网络

1-EfficientNet网络模型.mp4538.47MB

16-半监督物体检测

1-半监督物体检测.mp4824.82MB

15-DeformableDetr算法解读

1-DeformableDetr算法解读.mp41.55GB

14-detr目标检测源码解读

9-损失函数与预测输出.mp441.18MB

8-输出预测结果.mp441.28MB

7-Decoder层操作与计算.mp430.15MB

6-编码层作用方法.mp442.86MB

5-mask与编码模块.mp434.75MB

4-backbone特征提取模块.mp435.62MB

3-位置编码作用分析.mp447.95MB

2-数据处理与dataloader.mp464.11MB

1-项目环境配置解读.mp440.42MB

13-基于Transformer的detr目标检测算法

5-训练过程的策略.mp428.41MB

4-注意力机制的作用方法.mp420.85MB

3-位置信息初始化query向量.mp419.97MB

2-整体网络架构分析.mp431.64MB

1-DETR目标检测基本思想解读.mp419.35MB

12-V7源码解读

19-重参数化多分支合并加速.mp443.19MB

18-BN与卷积权重参数融合方法.mp453.77MB

17-辅助头损失函数调整.mp439.28MB

16-辅助头AUX网络结构配置文件解析.mp431.05MB

15-损失函数计算方法.mp446.08MB

14-通过IOU与置信度分配正样本.mp460.44MB

13-GT匹配正样本数量计算.mp442.07MB

12-预测值各项指标获取与调整.mp447.03MB

11-候选框筛选流程分析.mp431.75MB

10-完成BuildTargets模块.mp451.4MB

9-得到偏移点所在网格位置.mp442.85MB

8-候选框偏移方法与find3p模块解读.mp433.7MB

7-标签分配策略准备操作.mp434.72MB

6-输出层与配置文件其他模块解读.mp460.88MB

5-各模块操作细节分析.mp449.07MB

4-网络结构配置文件解读.mp436.94MB

3-EMA等训练技巧解读.mp449.31MB

2-基本参数作用.mp440.8MB

1-命令行参数介绍.mp425.02MB

11-YOLO系列（V7）算法解读

1-YOLO系列（V7）算法解读.mp4650.58MB

10-V5项目工程源码解读

21-模型迭代过程.mp438.42MB

20-各种训练策略概述.mp438.43MB

19-训练流程解读.mp446.81MB

18-命令行参数介绍.mp444.26MB

17-超参数解读.mp434.94MB

16-输出结果分析.mp441.71MB

15-上采样与拼接操作.mp421.48MB

14-Head层流程解读.mp429.12MB

13-SPP层计算细节分析.mp429.17MB

12-BottleneckCSP层计算方法.mp433.82MB

11-前向传播计算.mp430.8MB

10-完成配置文件解析任务.mp458.8MB

9-Focus模块流程分析.mp421.93MB

8-V5网络配置文件解读.mp435.74MB

7-网络架构图可视化工具安装.mp434.33MB

6-getItem构建batch.mp433.03MB

5-数据四合一方法与流程演示.mp441.69MB

4-Mosaic数据增强方法.mp428.19MB

3-加载标签数据.mp426.33MB

2-图像数据源配置.mp434.65MB

1-数据源DEBUG流程解读.mp448.13MB

9-V5版本项目配置

4-测试DEMO演示.mp450.47MB

3-训练数据参数配置.mp451.48MB

2-训练自己的数据集方法.mp441.32MB

1-整体项目概述.mp435.77MB

8-YOLO-V4版本算法解读

11-激活函数与整体架构总结.mp419.19MB

10-PAN模块解读.mp420.64MB

9-SAM注意力机制模块.mp422.48MB

8-SPP与CSP网络结构.mp414.81MB

7-NMS细节改进.mp416.66MB

6-CIOU损失函数定义.mp410.82MB

5-损失函数遇到的问题.mp414.26MB

4-DropBlock与标签平滑方法.mp419.36MB

3-数据增强策略分析.mp424.7MB

2-V4版本贡献解读.mp410.06MB

1-V4版本整体概述.mp415.06MB

7-基于YOLO-V3训练自己的数据集与任务（建议直接跑V5版本）

8-训练模型并测试效果.mp438.49MB

7-训练代码与参数配置更改.mp444.29MB

6-完成输入数据准备工作.mp440.1MB

5-json格式转换成yolo-v3所需输入.mp420.95MB

4-生成模型所需配置文件.mp436.71MB

3-完成标签制作.mp431.74MB

2-数据信息标注.mp432.09MB

1-Labelme工具安装.mp414.29MB

6-项目实战-基于V3版本进行源码解读（建议直接跑V5版本）

16-预测效果展示.mp434.51MB

15-模型训练与总结.mp472.91MB

14-完成所有损失函数所需计算指标.mp435.32MB

13-坐标相对位置计算.mp432.8MB

12-标签值格式修改.mp428.27MB

11-模型要计算的损失概述.mp423.14MB

10-网格偏移计算.mp433.92MB

9-预测结果计算.mp446MB

8-YOLO层定义解析.mp461.09MB

7-路由层与shortcut层的作用.mp433.72MB

6-基于配置文件构建网络模型.mp442.04MB

5-debug模式介绍.mp427.25MB

4-标签文件读取与处理.mp427.48MB

3-COCO图像数据读取与处理.mp442.51MB

2-训练参数设置.mp423.85MB

1-数据与环境配置.mp465.52MB

5-YOLO-V3核心网络模型

7-sotfmax层改进.mp410.61MB

6-先验框设计改进.mp413.04MB

5-整体网络模型架构分析.mp412.93MB

4-残差连接方法解读.mp418.64MB

3-经典变换方法对比分析.mp410.83MB

2-多scale方法改进与特征融合.mp417.07MB

1-V3版本改进概述.mp418.27MB

4-YOLO-V2改进细节详解

8-特征融合改进.mp419.2MB

7-感受野的作用.mp428.11MB

6-坐标映射与还原.mp410.08MB

5-偏移量计算方法.mp427.55MB

4-基于聚类来选择先验框尺寸.mp424.24MB

3-架构细节解读.mp418.92MB

2-网络结构特点.mp415.69MB

1-V2版本细节升级概述.mp413.38MB

3-YOLO-V1整体思想与网络架构

5-置信度误差与优缺点分析.mp426.86MB

4-位置损失计算.mp418.97MB

3-整体网络架构解读.mp430.67MB

2-检测算法要得到的结果.mp413.63MB

1-YOLO算法整体思路解读.mp414.68MB

2-深度学习经典检测⽅法概述

5-map指标计算.mp419.63MB

4-评估所需参数计算.mp426.23MB

3-IOU指标计算.mp411.74MB

2-不同阶段算法优缺点分析.mp410.68MB

1-检测任务中阶段的意义.mp415.14MB

1-物体检测评估指标

1-物体检测评估指标.mp484.11MB

6-Opencv图像处理框架实战

21-项目实战-疲劳检测

5-检测效果.mp440.6MB

4-闭眼检测.mp471.07MB

3-定位效果演示.mp445.43MB

2-获取人脸关键点.mp436.07MB

1-关键点定位概述.mp428.45MB

20-卷积原理与操作

8-卷积操作流程.mp441.15MB

7-卷积效果演示.mp424.58MB

6-池化层原理.mp416.09MB

5-卷积参数共享.mp417.69MB

4-pading与stride.mp426.12MB

3-卷积计算过程.mp427.61MB

2-卷积层解释.mp422.31MB

1-卷积神经网络的应用.mp436.18MB

19-项目实战-目标追踪

6-多进程效率提升对比.mp478.13MB

5-多进程目标追踪.mp425.72MB

4-基于dlib与ssd的追踪.mp473.02MB

3-深度学习检测框架加载.mp443.62MB

2-多目标追踪实战.mp434.62MB

1-目标追踪概述.mp449.75MB

18-Opencv的DNN模块

2-模型加载结果输出.mp440.5MB

1-dnn模块.mp428.59MB

17-光流估计

4-光流估计实战.mp464.22MB

3-推导求解.mp425.94MB

2-Lucas-Kanade算法.mp419.67MB

1-基本概念.mp420.2MB

16-背景建模

4-背景建模实战.mp451.17MB

3-学习步骤.mp431.75MB

2-混合高斯模型.mp426.39MB

1-背景消除-帧差法.mp420.79MB

15-项目实战-答题卡识别判卷

4-选项判断识别.mp457.12MB

3-填涂轮廓检测.mp425.66MB

2-预处理操作.mp424.08MB

1-整体流程与效果概述.mp429.49MB

14-项目实战-停车场车位识别

8-基于视频的车位检测.mp4135.61MB

7-识别模型构建.mp441.19MB

6-车位区域划分.mp457.33MB

5-按列划分区域.mp454.67MB

4-车位直线检测.mp461.44MB

3-图像数据预处理.mp456.75MB

2-所需数据介绍.mp434.31MB

1-任务整体流程.mp471.4MB

13-案例实战-全景图像拼接

4-流程解读.mp421.65MB

3-图像拼接方法.mp444.96MB

2-RANSAC算法.mp434.5MB

1-特征匹配方法.mp428.56MB

12-图像特征-sift

6-opencv中sift函数使用.mp428.8MB

5-特征向量生成.mp443.73MB

4-生成特征描述.mp424.66MB

3-特征关键点定位.mp448.15MB

2-高斯差分金字塔.mp421.68MB

1-尺度空间定义.mp420.04MB

11-图像特征-harris

5-opencv角点检测效果.mp431.04MB

4-特征归属划分.mp443.23MB

3-求解化简.mp431.79MB

2-基本数学原理.mp430.58MB

1-角点检测基本原理.mp415.53MB

10-项目实战-文档扫描OCR识别

6-文档扫描识别效果.mp428.86MB

5-tesseract-ocr安装配置.mp441.23MB

4-透视变换结果.mp432.87MB

3-原始与变换坐标计算.mp426.24MB

2-文档轮廓提取.mp427.81MB

1-整体流程演示.mp421.5MB

9-项目实战-信用卡数字识别

5-模板匹配得出识别结果.mp447.72MB

4-输入数据处理方法.mp428.88MB

3-模板处理方法.mp423.69MB

2-环境配置与预处理.mp434.85MB

1-总体流程与方法讲解.mp420.65MB

8-直方图与傅里叶变换

6-低通与高通滤波.mp427.34MB

5-频域变换结果.mp426.26MB

4-傅里叶概述.mp438.79MB

3-均衡化效果.mp427.21MB

2-均衡化原理.mp431.35MB

1-直方图定义.mp423.64MB

7-图像金字塔与轮廓检测

7-匹配效果展示.mp421.14MB

6-模板匹配方法.mp447.35MB

5-轮廓特征与近似.mp437.51MB

4-轮廓检测结果.mp434.37MB

3-轮廓检测方法.mp419.31MB

2-金字塔制作方法.mp425.47MB

1-图像金字塔定义.mp419.68MB

6-边缘检测

3-边缘检测效果.mp436.63MB

2-非极大值抑制.mp418.32MB

1-Canny边缘检测流程.mp418.97MB

5-图像梯度计算

3-scharr与lapkacian算子.mp427.39MB

2-梯度计算方法.mp430.29MB

1-Sobel算子.mp427MB

4-图像形态学操作

5-礼帽与黑帽.mp415.88MB

4-梯度计算.mp47.85MB

3-开运算与闭运算.mp49.32MB

2-膨胀操作.mp412.25MB

1-腐蚀操作.mp420.99MB

3-阈值与平滑处理

3-高斯与中值滤波.mp420.55MB

2-图像平滑处理.mp424.69MB

1-图像阈值.mp430.78MB

2-图像基本操作

5-数值计算.mp440.04MB

4-边界填充.mp421.46MB

3-ROI区域.mp415.37MB

2-视频的读取与处理.mp446.97MB

1-计算机眼中的图像.mp430.88MB

1-课程简介与环境配置

3-Notebook与IDE环境.mp484.39MB

2-Python与Opencv配置安装.mp433.28MB

1-课程简介.mp45.37MB

5-深度学习框架Tensorflflow

13-项目实战：经典网络架构Resnet实战

8-训练resnet模型.mp430.32MB

7-前向传播配置.mp438.18MB

6-网络架构层次解读.mp434.05MB

5-训练数据构建.mp427.56MB

4-数据集处理方法.mp427.18MB

3-项目结构概述.mp424.09MB

2-额外补充-Resnet网络架构解读.mp418.27MB

1-额外补充-Resnet论文解读.mp4117.98MB

12-项目实战：时间序列预测

5-序列结果预测.mp422.89MB

4-多特征预测结果.mp427.88MB

3-训练时间序列数据预测结果.mp436.42MB

2-构建时间序列数据.mp427.57MB

1-任务目标与数据源.mp419.06MB

11-项目实战：将CNN网络应用于文本分类实战

3-网络架构设计与训练.mp444.93MB

2-整体流程解读.mp422.43MB

1-CNN应用于文本任务原理解析.mp423.19MB

10-项目实战：基于RNN模型进行文本分类任务

9-训练文本分类模型.mp437.99MB

8-训练策略指定.mp432.72MB

7-自定义网络模型架构.mp460.04MB

6-双向RNN模型定义.mp421.08MB

5-数据生成器构造.mp440.04MB

4-embedding层向量制作.mp473.84MB

3-数据映射表制作.mp444.43MB

2-RNN模型输入数据维度解读.mp419.36MB

1-任务目标与数据介绍.mp436.29MB

9-项目实战：基于TensorFlow实现word2vec

5-损失函数定义与训练结果展示.mp444.75MB

4-训练batch数据制作.mp443.1MB

3-文本词预处理操作.mp417.79MB

2-模型定义参数设置.mp417.58MB

1-任务流程解读.mp418.65MB

8-递归神经⽹络与词向量原理解读

6-负采样方案.mp429.51MB

5-CBOW与Skip-gram模型.mp423.83MB

4-训练数据构建.mp415.85MB

3-模型整体框架.mp428.24MB

2-词向量模型通俗解释.mp421.72MB

1-RNN网络架构解读.mp422.39MB

7-训练策略-迁移学习实战

7-图像数据处理实例.mp446.13MB

6-tfrecords数据源制作方法.mp438.45MB

5-Callback模块与迁移学习实例.mp458.72MB

4-加载训练好的经典网络模型.mp437.57MB

3-Resnet原理.mp4107.88MB

2-迁移学习策略.mp415.47MB

1-迁移学习的目标.mp411.75MB

6-图像数据增强实例

3-猫狗识别任务数据增强实例.mp431.73MB

2-图像数据变换.mp484.49MB

1-数据增强概述.mp444.25MB

5-项目实战：猫狗识别实战

4-卷积模型训练与识别效果展示.mp450.86MB

3-网络架构配置.mp429.98MB

2-卷积网络涉及参数解读.mp428.93MB

1-猫狗识别任务与数据简介.mp423.39MB

4-卷积神经⽹络原理与参数解读

12-感受野的作用.mp416.86MB

11-残差网络Resnet.mp418.02MB

10-VGG网络架构.mp419.34MB

9-整体网络架构.mp416.98MB

8-池化层的作用.mp411.31MB

7-特征图尺寸计算与参数共享.mp421.99MB

6-边缘填充方法.mp417.28MB

5-步长与卷积核大小对结果的影响.mp419.86MB

4-得到特征图表示.mp418.23MB

3-卷积特征值计算方法.mp421.23MB

2-卷积的作用.mp422.67MB

1-卷积神经网络应用领域.mp421.2MB

3-搭建神经⽹络进⾏分类与回归任务

7-模型保存与读取实例

raw.m3u88.36KB

meta.json22.21KB

6-tf.data模块解读

raw.m3u86.51KB

meta.json17.24KB

5-分类模型构建

raw.m3u87.38KB

meta.json19.56KB

4-模型超参数调节与预测结果展示

raw.m3u88.73KB

meta.json23.2KB

3-网络模型训练

raw.m3u86.14KB

meta.json16.25KB

2-建模流程与API文档

raw.m3u85.41KB

meta.json14.27KB

1-任务目标与数据集简介

raw.m3u85.9KB

meta.json15.59KB

2-神经网络原理解读与整体架构

13-神经网络过拟合解决方法.mp440.47MB

12-正则化与激活函数.mp429.12MB

11-神经元个数对结果的影响.mp458.63MB

10-神经网络架构细节.mp437.44MB

9-神经网络整体架构.mp430.49MB

8-返向传播计算方法.mp425.63MB

7-前向传播整体流程.mp439.04MB

6-损失函数的作用.mp431.04MB

5-得分函数.mp418.89MB

4-视觉任务中遇到的问题.mp432.84MB

3-计算机视觉任务.mp417.86MB

2-深度学习应用领域.mp449.98MB

1-深度学习要解决的问题.mp420.37MB

1-tensorflflow安装与简介

4-tf基础操作.mp424.41MB

3-Tensorflow2版本安装方法.mp455.4MB

2-Tensorflow2版本简介与心得.mp431.99MB

1-tensorflflow安装与简介.mp44.1MB

4-深度学习框架PyTorch

7-LSTM文本分类实战

9-模型训练任务与总结.mp445.16MB

8-网络模型预测结果输出.mp439.11MB

7-LSTM网络结构基本定义.mp434.73MB

6-字符预处理转换ID.mp434.37MB

5-预料表与字符切分.mp431.98MB

4-训练模型所需基本配置参数分析.mp440.92MB

3-命令行参数与DEBUG.mp436.52MB

2-文本数据处理基本流程分析.mp455.97MB

1-数据集与任务目标分析.mp452.81MB

6-DataLoader自定义数据集制作

4-实用Dataloader加载数据并训练模型.mp477.82MB

3-Dataloader中需要实现的方法分析.mp446.95MB

2-图像数据与标签路径处理.mp448.98MB

1-Dataloader要完成的任务分析.mp439.2MB

5-图像识别模型与训练策略（重点）

10-测试结果演示分析.mp4110.98MB

9-重新训练全部模型.mp454.81MB

8-模型训练方法.mp452.6MB

7-优化器与学习率衰减.mp452.48MB

6-输出类别个数修改.mp449.06MB

5-输出层与梯度设置.mp461.42MB

4-迁移学习方法解读.mp444.66MB

3-数据集与模型选择.mp445.32MB

2-数据增强模块.mp440.5MB

1-任务分析与图像数据基本处理.mp441.62MB

4-卷积网络参数解读分析

3-卷积网络模型训练.mp455.14MB

2-卷积网络参数解读.mp431.46MB

1-输入特征通道分析.mp442.48MB

3-神经网络回归任务-气温预测

1-神经网络回归任务-气温预测.mp4198.56MB

2-使用神经网络进行分类任务

7-参数对结果的影响.mp451.65MB

6-训练一个基本的分类模型.mp454.59MB

5-损失与训练模块分析.mp442.31MB

4-数据源定义简介.mp438.98MB

3-网络结构定义方法.mp455.6MB

2-基本模块应用测试.mp447.62MB

1-数据集与任务概述.mp443.34MB

1-PyTorch框架介绍与配置安装

2-CPU与GPU版本安装方法解读.mp4100.57MB

1-PyTorch框架与其他框架区别分析.mp433.24MB

3-深度学习必备核⼼算法

4-VIT源码解读

1-VIT源码解读.mp4878.23MB

3-Transformer

1-Transformer.mp4557.22MB

2-卷积神经网络

1-卷积神经网络.mp4676.23MB

1-神经网络结构

1-神经网络结构.mp4604.62MB

1-直播回放

16-直播15：知识图谱与LORA

1-知识图谱与LORA.mp41.49GB

15-直播14：论文写作与就业简历

1-论文写作与就业简历.mp41.15GB

14-直播13：时间序列timesnet与地理分类任务

1-时间序列timesnet与地理分类任务.mp41.27GB

13-直播12：多模态与交叉注意力应用

1-多模态与交叉注意力应用.mp41.43GB

12-直播11：分割Mask2former算法

1-分割Mask2former算法.mp4452.34MB

11-直播10：知识蒸馏

1-知识蒸馏.mp41.53GB

10-直播9：自监督任务

1-自监督任务.mp41.24GB

9-直播8：GPT与Hugging face

1-GPT与Hugging face.mp41.57GB

8-直播7：对比学习与多模态任务

1-对比学习与多模态任务.mp41.33GB

7-直播6：Transformer Decoder在视觉任务的应用

1-Transformer Decoder在视觉任务的应用.mp41.4GB

6-直播5：图神经网络

1-图神经网络.mp41.36GB

5-直播4：视觉Transformer- VIT源码解读

1-视觉Transformer- VIT源码解读.mp41.43GB

4-直播3：Transformer架构解读

1-Transformer架构解读.mp41.02GB

3-直播2：卷积神经网络

1-卷积神经网络.mp41.46GB

2-直播1：神经网络

1-神经网络.mp41.27GB

1-开班典礼

1-开班典礼.mp4872.85MB

本站所有内容均可免费下载

一、特别说明：注册会员后每天有3次免费下载各类模板、素材、课程次数，请慎用！
二、如急需下载多个素材，请赞助VIP获取更多下载次数！点击了解详细说明
三、赞助方式：—>赞助获取更多下载次数

上一篇：错薪亲授：古风插画人物设计全攻略

下一篇：《Google Guava实战指南：源码解析与高效应用》

本站所有内容均可免费下载

你可能喜欢的素材模板

推荐综合教程素材下载