咕泡-人工智能深度学习系统班（第八期）

admin

下载地址：

游客，如果您要查看本帖隐藏内容请回复

【课程目录】

├─01-直播回放
│  ├─1-开班典礼
│  │      1-开班典礼.mp4
│  │      
│  ├─10-直播9：自监督任务
│  │      1-自监督任务.mp4
│  │      
│  ├─11-直播10：知识蒸馏
│  │      1-知识蒸馏.mp4
│  │      
│  ├─12-直播11：分割Mask2former算法
│  │      1-分割Mask2former算法.mp4
│  │      
│  ├─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.mp4
│  │      
│  ├─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.mp4
│  │      
│  ├─15-直播14：论文写作与就业简历
│  │      1-论文写作与就业简历.mp4
│  │      
│  ├─16-直播15：知识图谱与LORA
│  │      1-知识图谱与LORA.mp4
│  │      
│  ├─2-直播1：神经网络
│  │      1-神经网络.mp4
│  │      
│  ├─3-直播2：卷积神经网络
│  │      1-卷积神经网络.mp4
│  │      
│  ├─4-直播3：Transformer架构解读
│  │      1-Transformer架构解读.mp4
│  │      
│  ├─5-直播4：视觉Transformer- VIT源码解读
│  │      1-视觉Transformer- VIT源码解读.mp4
│  │      
│  ├─6-直播5：图神经网络
│  │      1-图神经网络.mp4
│  │      
│  ├─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.mp4
│  │      
│  ├─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.mp4
│  │      
│  └─9-直播8：GPT与Hugging face
│          1-GPT与Hugging face.mp4
│         
├─03-深度学习必备核?算法
│  ├─1-神经网络结构
│  │      1-神经网络结构.mp4
│  │      
│  ├─2-卷积神经网络
│  │      1-卷积神经网络.mp4
│  │      
│  ├─3-Transformer
│  │      1-Transformer.mp4
│  │      
│  └─4-VIT源码解读
│          1-VIT源码解读.mp4
│         
├─04-深度学习框架PyTorch
│  ├─1-PyTorch框架介绍与配置安装
│  │      1-PyTorch框架与其他框架区别分析.mp4
│  │      2-CPU与GPU版本安装方法解读.mp4
│  │      
│  ├─2-使用神经网络进行分类任务
│  │      1-数据集与任务概述.mp4
│  │      2-基本模块应用测试.mp4
│  │      3-网络结构定义方法.mp4
│  │      4-数据源定义简介.mp4
│  │      5-损失与训练模块分析.mp4
│  │      6-训练一个基本的分类模型.mp4
│  │      7-参数对结果的影响.mp4
│  │      
│  ├─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.mp4
│  │      
│  ├─4-卷积网络参数解读分析
│  │      1-输入特征通道分析.mp4
│  │      2-卷积网络参数解读.mp4
│  │      3-卷积网络模型训练.mp4
│  │      
│  ├─5-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.mp4
│  │      10-测试结果演示分析.mp4
│  │      2-数据增强模块.mp4
│  │      3-数据集与模型选择.mp4
│  │      4-迁移学习方法解读.mp4
│  │      5-输出层与梯度设置.mp4
│  │      6-输出类别个数修改.mp4
│  │      7-优化器与学习率衰减.mp4
│  │      8-模型训练方法.mp4
│  │      9-重新训练全部模型.mp4
│  │      
│  ├─6-DataLoader自定义数据集制作
│  │      1-Dataloader要完成的任务分析.mp4
│  │      2-图像数据与标签路径处理.mp4
│  │      3-Dataloader中需要实现的方法分析.mp4
│  │      4-实用Dataloader加载数据并训练模型.mp4
│  │      
│  └─7-LSTM文本分类实战
│          1-数据集与任务目标分析.mp4
│          2-文本数据处理基本流程分析.mp4
│          3-命令行参数与DEBUG.mp4
│          4-训练模型所需基本配置参数分析.mp4
│          5-预料表与字符切分.mp4
│          6-字符预处理转换ID.mp4
│          7-LSTM网络结构基本定义.mp4
│          8-网络模型预测结果输出.mp4
│          9-模型训练任务与总结.mp4
│         
├─05-深度学习框架Tensorflflow
│  ├─1-tensorflflow安装与简介
│  │      1-tensorflflow安装与简介.mp4
│  │      2-Tensorflow2版本简介与心得.mp4
│  │      3-Tensorflow2版本安装方法.mp4
│  │      4-tf基础操作.mp4
│  │      
│  ├─10-项目实战：基于RNN模型进行文本分类任务
│  │      1-任务目标与数据介绍.mp4
│  │      2-RNN模型输入数据维度解读.mp4
│  │      3-数据映射表制作.mp4
│  │      4-embedding层向量制作.mp4
│  │      5-数据生成器构造.mp4
│  │      6-双向RNN模型定义.mp4
│  │      7-自定义网络模型架构.mp4
│  │      8-训练策略指定.mp4
│  │      9-训练文本分类模型.mp4
│  │      
│  ├─11-项目实战：将CNN网络应用于文本分类实战
│  │      1-CNN应用于文本任务原理解析.mp4
│  │      2-整体流程解读.mp4
│  │      3-网络架构设计与训练.mp4
│  │      
│  ├─12-项目实战：时间序列预测
│  │      1-任务目标与数据源.mp4
│  │      2-构建时间序列数据.mp4
│  │      3-训练时间序列数据预测结果.mp4
│  │      4-多特征预测结果.mp4
│  │      5-序列结果预测.mp4
│  │      
│  ├─13-项目实战：经典网络架构Resnet实战
│  │      1-额外补充-Resnet论文解读.mp4
│  │      2-额外补充-Resnet网络架构解读.mp4
│  │      3-项目结构概述.mp4
│  │      4-数据集处理方法.mp4
│  │      5-训练数据构建.mp4
│  │      6-网络架构层次解读.mp4
│  │      7-前向传播配置.mp4
│  │      8-训练resnet模型.mp4
│  │      
│  ├─2-神经网络原理解读与整体架构
│  │      1-深度学习要解决的问题.mp4
│  │      10-神经网络架构细节.mp4
│  │      11-神经元个数对结果的影响.mp4
│  │      12-正则化与激活函数.mp4
│  │      13-神经网络过拟合解决方法.mp4
│  │      2-深度学习应用领域.mp4
│  │      3-计算机视觉任务.mp4
│  │      4-视觉任务中遇到的问题.mp4
│  │      5-得分函数.mp4
│  │      6-损失函数的作用.mp4
│  │      7-前向传播整体流程.mp4
│  │      8-返向传播计算方法.mp4
│  │      9-神经网络整体架构.mp4
│  │      
│  ├─3-搭建神经?络进?分类与回归任务
│  │  ├─1-任务目标与数据集简介
│  │  │      meta.json
│  │  │      raw.m3u8
│  │  │      
│  │  ├─2-建模流程与API文档
│  │  │      meta.json
│  │  │      raw.m3u8
│  │  │      
│  │  ├─3-网络模型训练
│  │  │      meta.json
│  │  │      raw.m3u8
│  │  │      
│  │  ├─4-模型超参数调节与预测结果展示
│  │  │      meta.json
│  │  │      raw.m3u8
│  │  │      
│  │  ├─5-分类模型构建
│  │  │      meta.json
│  │  │      raw.m3u8
│  │  │      
│  │  ├─6-tf.data模块解读
│  │  │      meta.json
│  │  │      raw.m3u8
│  │  │      
│  │  └─7-模型保存与读取实例
│  │          meta.json
│  │          raw.m3u8
│  │         
│  ├─4-卷积神经?络原理与参数解读
│  │      1-卷积神经网络应用领域.mp4
│  │      10-VGG网络架构.mp4
│  │      11-残差网络Resnet.mp4
│  │      12-感受野的作用.mp4
│  │      2-卷积的作用.mp4
│  │      3-卷积特征值计算方法.mp4
│  │      4-得到特征图表示.mp4
│  │      5-步长与卷积核大小对结果的影响.mp4
│  │      6-边缘填充方法.mp4
│  │      7-特征图尺寸计算与参数共享.mp4
│  │      8-池化层的作用.mp4
│  │      9-整体网络架构.mp4
│  │      
│  ├─5-项目实战：猫狗识别实战
│  │      1-猫狗识别任务与数据简介.mp4
│  │      2-卷积网络涉及参数解读.mp4
│  │      3-网络架构配置.mp4
│  │      4-卷积模型训练与识别效果展示.mp4
│  │      
│  ├─6-图像数据增强实例
│  │      1-数据增强概述.mp4
│  │      2-图像数据变换.mp4
│  │      3-猫狗识别任务数据增强实例.mp4
│  │      
│  ├─7-训练策略-迁移学习实战
│  │      1-迁移学习的目标.mp4
│  │      2-迁移学习策略.mp4
│  │      3-Resnet原理.mp4
│  │      4-加载训练好的经典网络模型.mp4
│  │      5-Callback模块与迁移学习实例.mp4
│  │      6-tfrecords数据源制作方法.mp4
│  │      7-图像数据处理实例.mp4
│  │      
│  ├─8-递归神经?络与词向量原理解读
│  │      1-RNN网络架构解读.mp4
│  │      2-词向量模型通俗解释.mp4
│  │      3-模型整体框架.mp4
│  │      4-训练数据构建.mp4
│  │      5-CBOW与Skip-gram模型.mp4
│  │      6-负采样方案.mp4
│  │      
│  └─9-项目实战：基于TensorFlow实现word2vec
│          1-任务流程解读.mp4
│          2-模型定义参数设置.mp4
│          3-文本词预处理操作.mp4
│          4-训练batch数据制作.mp4
│          5-损失函数定义与训练结果展示.mp4
│         
├─06-Opencv图像处理框架实战
│  ├─1-课程简介与环境配置
│  │      1-课程简介.mp4
│  │      2-Python与Opencv配置安装.mp4
│  │      3-Notebook与IDE环境.mp4
│  │      
│  ├─10-项目实战-文档扫描OCR识别
│  │      1-整体流程演示.mp4
│  │      2-文档轮廓提取.mp4
│  │      3-原始与变换坐标计算.mp4
│  │      4-透视变换结果.mp4
│  │      5-tesseract-ocr安装配置.mp4
│  │      6-文档扫描识别效果.mp4
│  │      
│  ├─11-图像特征-harris
│  │      1-角点检测基本原理.mp4
│  │      2-基本数学原理.mp4
│  │      3-求解化简.mp4
│  │      4-特征归属划分.mp4
│  │      5-opencv角点检测效果.mp4
│  │      
│  ├─12-图像特征-sift
│  │      1-尺度空间定义.mp4
│  │      2-高斯差分金字塔.mp4
│  │      3-特征关键点定位.mp4
│  │      4-生成特征描述.mp4
│  │      5-特征向量生成.mp4
│  │      6-opencv中sift函数使用.mp4
│  │      
│  ├─13-案例实战-全景图像拼接
│  │      1-特征匹配方法.mp4
│  │      2-RANSAC算法.mp4
│  │      3-图像拼接方法.mp4
│  │      4-流程解读.mp4
│  │      
│  ├─14-项目实战-停车场车位识别
│  │      1-任务整体流程.mp4
│  │      2-所需数据介绍.mp4
│  │      3-图像数据预处理.mp4
│  │      4-车位直线检测.mp4
│  │      5-按列划分区域.mp4
│  │      6-车位区域划分.mp4
│  │      7-识别模型构建.mp4
│  │      8-基于视频的车位检测.mp4
│  │      
│  ├─15-项目实战-答题卡识别判卷
│  │      1-整体流程与效果概述.mp4
│  │      2-预处理操作.mp4
│  │      3-填涂轮廓检测.mp4
│  │      4-选项判断识别.mp4
│  │      
│  ├─16-背景建模
│  │      1-背景消除-帧差法.mp4
│  │      2-混合高斯模型.mp4
│  │      3-学习步骤.mp4
│  │      4-背景建模实战.mp4
│  │      
│  ├─17-光流估计
│  │      1-基本概念.mp4
│  │      2-Lucas-Kanade算法.mp4
│  │      3-推导求解.mp4
│  │      4-光流估计实战.mp4
│  │      
│  ├─18-Opencv的DNN模块
│  │      1-dnn模块.mp4
│  │      2-模型加载结果输出.mp4
│  │      
│  ├─19-项目实战-目标追踪
│  │      1-目标追踪概述.mp4
│  │      2-多目标追踪实战.mp4
│  │      3-深度学习检测框架加载.mp4
│  │      4-基于dlib与ssd的追踪.mp4
│  │      5-多进程目标追踪.mp4
│  │      6-多进程效率提升对比.mp4
│  │      
│  ├─2-图像基本操作
│  │      1-计算机眼中的图像.mp4
│  │      2-视频的读取与处理.mp4
│  │      3-ROI区域.mp4
│  │      4-边界填充.mp4
│  │      5-数值计算.mp4
│  │      
│  ├─20-卷积原理与操作
│  │      1-卷积神经网络的应用.mp4
│  │      2-卷积层解释.mp4
│  │      3-卷积计算过程.mp4
│  │      4-pading与stride.mp4
│  │      5-卷积参数共享.mp4
│  │      6-池化层原理.mp4
│  │      7-卷积效果演示.mp4
│  │      8-卷积操作流程.mp4
│  │      
│  ├─21-项目实战-疲劳检测
│  │      1-关键点定位概述.mp4
│  │      2-获取人脸关键点.mp4
│  │      3-定位效果演示.mp4
│  │      4-闭眼检测.mp4
│  │      5-检测效果.mp4
│  │      
│  ├─3-阈值与平滑处理
│  │      1-图像阈值.mp4
│  │      2-图像平滑处理.mp4
│  │      3-高斯与中值滤波.mp4
│  │      
│  ├─4-图像形态学操作
│  │      1-腐蚀操作.mp4
│  │      2-膨胀操作.mp4
│  │      3-开运算与闭运算.mp4
│  │      4-梯度计算.mp4
│  │      5-礼帽与黑帽.mp4
│  │      
│  ├─5-图像梯度计算
│  │      1-Sobel算子.mp4
│  │      2-梯度计算方法.mp4
│  │      3-scharr与lapkacian算子.mp4
│  │      
│  ├─6-边缘检测
│  │      1-Canny边缘检测流程.mp4
│  │      2-非极大值抑制.mp4
│  │      3-边缘检测效果.mp4
│  │      
│  ├─7-图像金字塔与轮廓检测
│  │      1-图像金字塔定义.mp4
│  │      2-金字塔制作方法.mp4
│  │      3-轮廓检测方法.mp4
│  │      4-轮廓检测结果.mp4
│  │      5-轮廓特征与近似.mp4
│  │      6-模板匹配方法.mp4
│  │      7-匹配效果展示.mp4
│  │      
│  ├─8-直方图与傅里叶变换
│  │      1-直方图定义.mp4
│  │      2-均衡化原理.mp4
│  │      3-均衡化效果.mp4
│  │      4-傅里叶概述.mp4
│  │      5-频域变换结果.mp4
│  │      6-低通与高通滤波.mp4
│  │      
│  └─9-项目实战-信用卡数字识别
│          1-总体流程与方法讲解.mp4
│          2-环境配置与预处理.mp4
│          3-模板处理方法.mp4
│          4-输入数据处理方法.mp4
│          5-模板匹配得出识别结果.mp4
│         
├─07-综合项目-物体检测经典算法实战
│  ├─1-物体检测评估指标
│  │      1-物体检测评估指标.mp4
│  │      
│  ├─10-V5项目工程源码解读
│  │      1-数据源DEBUG流程解读.mp4
│  │      10-完成配置文件解析任务.mp4
│  │      11-前向传播计算.mp4
│  │      12-BottleneckCSP层计算方法.mp4
│  │      13-SPP层计算细节分析.mp4
│  │      14-Head层流程解读.mp4
│  │      15-上采样与拼接操作.mp4
│  │      16-输出结果分析.mp4
│  │      17-超参数解读.mp4
│  │      18-命令行参数介绍.mp4
│  │      19-训练流程解读.mp4
│  │      2-图像数据源配置.mp4
│  │      20-各种训练策略概述.mp4
│  │      21-模型迭代过程.mp4
│  │      3-加载标签数据.mp4
│  │      4-Mosaic数据增强方法.mp4
│  │      5-数据四合一方法与流程演示.mp4
│  │      6-getItem构建batch.mp4
│  │      7-网络架构图可视化工具安装.mp4
│  │      8-V5网络配置文件解读.mp4
│  │      9-Focus模块流程分析.mp4
│  │      
│  ├─11-YOLO系列（V7）算法解读
│  │      1-YOLO系列（V7）算法解读.mp4
│  │      
│  ├─12-V7源码解读
│  │      1-命令行参数介绍.mp4
│  │      10-完成BuildTargets模块.mp4
│  │      11-候选框筛选流程分析.mp4
│  │      12-预测值各项指标获取与调整.mp4
│  │      13-GT匹配正样本数量计算.mp4
│  │      14-通过IOU与置信度分配正样本.mp4
│  │      15-损失函数计算方法.mp4
│  │      16-辅助头AUX网络结构配置文件解析.mp4
│  │      17-辅助头损失函数调整.mp4
│  │      18-BN与卷积权重参数融合方法.mp4
│  │      19-重参数化多分支合并加速.mp4
│  │      2-基本参数作用.mp4
│  │      3-EMA等训练技巧解读.mp4
│  │      4-网络结构配置文件解读.mp4
│  │      5-各模块操作细节分析.mp4
│  │      6-输出层与配置文件其他模块解读.mp4
│  │      7-标签分配策略准备操作.mp4
│  │      8-候选框偏移方法与find3p模块解读.mp4
│  │      9-得到偏移点所在网格位置.mp4
│  │      
│  ├─13-基于Transformer的detr目标检测算法
│  │      1-DETR目标检测基本思想解读.mp4
│  │      2-整体网络架构分析.mp4
│  │      3-位置信息初始化query向量.mp4
│  │      4-注意力机制的作用方法.mp4
│  │      5-训练过程的策略.mp4
│  │      
│  ├─14-detr目标检测源码解读
│  │      1-项目环境配置解读.mp4
│  │      2-数据处理与dataloader.mp4
│  │      3-位置编码作用分析.mp4
│  │      4-backbone特征提取模块.mp4
│  │      5-mask与编码模块.mp4
│  │      6-编码层作用方法.mp4
│  │      7-Decoder层操作与计算.mp4
│  │      8-输出预测结果.mp4
│  │      9-损失函数与预测输出.mp4
│  │      
│  ├─15-DeformableDetr算法解读
│  │      1-DeformableDetr算法解读.mp4
│  │      
│  ├─16-半监督物体检测
│  │      1-半监督物体检测.mp4
│  │      
│  ├─17-EfficientNet网络
│  │      1-EfficientNet网络模型.mp4
│  │      
│  ├─18-EfficientDet检测算法
│  │      1-EfficientDet检测算法.mp4
│  │      
│  ├─2-深度学习经典检测?法概述
│  │      1-检测任务中阶段的意义.mp4
│  │      2-不同阶段算法优缺点分析.mp4
│  │      3-IOU指标计算.mp4
│  │      4-评估所需参数计算.mp4
│  │      5-map指标计算.mp4
│  │      
│  ├─3-YOLO-V1整体思想与网络架构
│  │      1-YOLO算法整体思路解读.mp4
│  │      2-检测算法要得到的结果.mp4
│  │      3-整体网络架构解读.mp4
│  │      4-位置损失计算.mp4
│  │      5-置信度误差与优缺点分析.mp4
│  │      
│  ├─4-YOLO-V2改进细节详解
│  │      1-V2版本细节升级概述.mp4
│  │      2-网络结构特点.mp4
│  │      3-架构细节解读.mp4
│  │      4-基于聚类来选择先验框尺寸.mp4
│  │      5-偏移量计算方法.mp4
│  │      6-坐标映射与还原.mp4
│  │      7-感受野的作用.mp4
│  │      8-特征融合改进.mp4
│  │      
│  ├─5-YOLO-V3核心网络模型
│  │      1-V3版本改进概述.mp4
│  │      2-多scale方法改进与特征融合.mp4
│  │      3-经典变换方法对比分析.mp4
│  │      4-残差连接方法解读.mp4
│  │      5-整体网络模型架构分析.mp4
│  │      6-先验框设计改进.mp4
│  │      7-sotfmax层改进.mp4
│  │      
│  ├─6-项目实战-基于V3版本进行源码解读（建议直接跑V5版本）
│  │      1-数据与环境配置.mp4
│  │      10-网格偏移计算.mp4
│  │      11-模型要计算的损失概述.mp4
│  │      12-标签值格式修改.mp4
│  │      13-坐标相对位置计算.mp4
│  │      14-完成所有损失函数所需计算指标.mp4
│  │      15-模型训练与总结.mp4
│  │      16-预测效果展示.mp4
│  │      2-训练参数设置.mp4
│  │      3-COCO图像数据读取与处理.mp4
│  │      4-标签文件读取与处理.mp4
│  │      5-debug模式介绍.mp4
│  │      6-基于配置文件构建网络模型.mp4
│  │      7-路由层与shortcut层的作用.mp4
│  │      8-YOLO层定义解析.mp4
│  │      9-预测结果计算.mp4
│  │      
│  ├─7-基于YOLO-V3训练自己的数据集与任务（建议直接跑V5版本）
│  │      1-Labelme工具安装.mp4
│  │      2-数据信息标注.mp4
│  │      3-完成标签制作.mp4
│  │      4-生成模型所需配置文件.mp4
│  │      5-json格式转换成yolo-v3所需输入.mp4
│  │      6-完成输入数据准备工作.mp4
│  │      7-训练代码与参数配置更改.mp4
│  │      8-训练模型并测试效果.mp4
│  │      
│  ├─8-YOLO-V4版本算法解读
│  │      1-V4版本整体概述.mp4
│  │      10-PAN模块解读.mp4
│  │      11-激活函数与整体架构总结.mp4
│  │      2-V4版本贡献解读.mp4
│  │      3-数据增强策略分析.mp4
│  │      4-DropBlock与标签平滑方法.mp4
│  │      5-损失函数遇到的问题.mp4
│  │      6-CIOU损失函数定义.mp4
│  │      7-NMS细节改进.mp4
│  │      8-SPP与CSP网络结构.mp4
│  │      9-SAM注意力机制模块.mp4
│  │      
│  └─9-V5版本项目配置
│          1-整体项目概述.mp4
│          2-训练自己的数据集方法.mp4
│          3-训练数据参数配置.mp4
│          4-测试DEMO演示.mp4
│         
├─08-图像分割实战
│  ├─1-图像分割及其损失函数概述
│  │      1-语义分割与实例分割概述.mp4
│  │      2-分割任务中的目标函数定义.mp4
│  │      3-MIOU评估标准.mp4
│  │      
│  ├─10-物体检测框架-MaskRcnn项目介绍与配置
│  │      1-Mask-Rcnn开源项目简介.mp4
│  │      2-开源项目数据集.mp4
│  │      3-开源项目数据集.mp4
│  │      
│  ├─11-MaskRcnn网络框架源码详解
│  │      1-FPN层特征提取原理解读.mp4
│  │      10-RoiPooling层的作用与目的.mp4
│  │      11-RorAlign操作的效果.mp4
│  │      12-整体框架回顾.mp4
│  │      2-FPN网络架构实现解读.mp4
│  │      3-生成框比例设置.mp4
│  │      4-基于不同尺度特征图生成所有框.mp4
│  │      5-RPN层的作用与实现解读.mp4
│  │      6-候选框过滤方法.mp4
│  │      7-Proposal层实现方法.mp4
│  │      8-DetectionTarget层的作用.mp4
│  │      9-正负样本选择与标签定义.mp4
│  │      
│  ├─12-基于MASK-RCNN框架训练自己的数据与任务
│  │      1-Labelme工具安装.mp4
│  │      2-使用labelme进行数据与标签标注.mp4
│  │      3-完成训练数据准备工作.mp4
│  │      4-maskrcnn源码修改方法.mp4
│  │      5-基于标注数据训练所需任务.mp4
│  │      6-测试与展示模块.mp4
│  │      
│  ├─2-Unet系列算法讲解
│  │      1-Unet网络编码与解码过程.mp4
│  │      2-网络计算流程.mp4
│  │      3-Unet升级版本改进.mp4
│  │      4-后续升级版本介绍.mp4
│  │      
│  ├─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.mp4
│  │      2-数据增强工具.mp4
│  │      3-Debug模式演示网络计算流程.mp4
│  │      4-特征融合方法演示.mp4
│  │      5-迭代完成整个模型计算任务.mp4
│  │      6-模型效果验证.mp4
│  │      
│  ├─4-U2NET显著性检测实战
│  │      1-任务目标与网络整体介绍.mp4
│  │      2-显著性检测任务与目标概述.mp4
│  │      3-编码器模块解读.mp4
│  │      4-解码器输出结果.mp4
│  │      5-损失函数与应用效果.mp4
│  │      
│  ├─5-deeplab系列算法
│  │      1-deeplab分割算法概述.mp4
│  │      2-空洞卷积的作用.mp4
│  │      3-感受野的意义.mp4
│  │      4-SPP层的作用.mp4
│  │      5-ASPP特征融合策略.mp4
│  │      6-deeplabV3Plus版本网络架构.mp4
│  │      
│  ├─6-基于deeplabV3+版本进?VOC分割实战
│  │      1-PascalVoc数据集介绍.mp4
│  │      2-项目参数与数据集读取.mp4
│  │      3-网络前向传播流程.mp4
│  │      4-ASPP层特征融合.mp4
│  │      5-分割模型训练.mp4
│  │      
│  ├─7-医学?脏视频数据集分割建模实战
│  │      1-数据集与任务概述.mp4
│  │      2-项目基本配置参数.mp4
│  │      3-任务流程解读.mp4
│  │      4-文献报告分析.mp4
│  │      5-补充：视频数据源特征处理方法概述.mp4
│  │      6-补充：R(2plus1)D处理方法分析.mp4
│  │      
│  ├─8-分割模型Maskformer系列
│  │      1-分割模型Maskformer系列.mp4
│  │      
│  └─9-补充：Mask2former源码解读
│          1-Backbone获取多层级特征.mp4
│          10-正样本筛选损失计算.mp4
│          11-标签分类匹配结果分析.mp4
│          12-最终损失计算流程.mp4
│          13-汇总所有损失完成迭代.mp4
│          2-多层级采样点初始化构建.mp4
│          3-多层级输入特征序列创建方法.mp4
│          4-偏移量与权重计算并转换.mp4
│          5-Encoder特征构建方法实例.mp4
│          6-query要预测的任务解读.mp4
│          7-Decoder中的AttentionMask方法.mp4
│          8-损失模块输入参数分析.mp4
│          9-标签分配策略解读.mp4
│         
├─09-走向AI论文实验与项目实战的捷径-MMLAB实战系列
│  ├─1-MMCV安装方法
│  │      1-MMCV安装方法.mp4
│  │      
│  ├─10-第三模块：DeformableDetr算法解读
│  │      1-DeformableDetr算法解读.mp4
│  │      
│  ├─11-补充：Mask2former源码解读
│  │      1-Backbone获取多层级特征.mp4
│  │      10-正样本筛选损失计算.mp4
│  │      11-标签分类匹配结果分析.mp4
│  │      12-最终损失计算流程.mp4
│  │      13-汇总所有损失完成迭代.mp4
│  │      2-多层级采样点初始化构建.mp4
│  │      3-多层级输入特征序列创建方法.mp4
│  │      4-偏移量与权重计算并转换.mp4
│  │      5-Encoder特征构建方法实例.mp4
│  │      6-query要预测的任务解读.mp4
│  │      7-Decoder中的AttentionMask方法.mp4
│  │      8-损失模块输入参数分析.mp4
│  │      9-标签分配策略解读.mp4
│  │      
│  ├─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.mp4
│  │      
│  ├─13-第四模块：DBNET文字检测
│  │      1-文字检测数据概述与配置文件.mp4
│  │      2-配置文件参数设置.mp4
│  │      3-Neck层特征组合.mp4
│  │      4-损失函数模块概述.mp4
│  │      5-损失计算方法.mp4
│  │      
│  ├─14-第四模块：ANINET文字识别
│  │      1-数据集与环境概述.mp4
│  │      2-配置文件修改方法.mp4
│  │      3-Bakbone模块得到特征.mp4
│  │      4-视觉Transformer模块的作用.mp4
│  │      5-视觉模型中的编码与解码的效果.mp4
│  │      6-文本模型中的结构分析.mp4
│  │      7-迭代修正模块.mp4
│  │      8-输出层与损失计算.mp4
│  │      
│  ├─15-第四模块：KIE基于图模型的关键信息抽取
│  │      1-配置文件以及要完成的任务解读.mp4
│  │      2-KIE数据集格式调整方法.mp4
│  │      3-配置文件与标签要进行处理操作.mp4
│  │      4-边框要计算的特征分析.mp4
│  │      5-标签数据处理与关系特征提取.mp4
│  │      6-特征合并处理.mp4
│  │      7-准备拼接边与点特征.mp4
│  │      8-整合得到图模型输入特征.mp4
│  │      
│  ├─16-第五模块：stylegan2源码解读
│  │      1-要完成的任务与基本思想概述.mp4
│  │      2-得到style特征编码.mp4
│  │      3-特征编码风格拼接.mp4
│  │      4-基础风格特征卷积模块.mp4
│  │      5-上采样得到输出结果.mp4
│  │      6-损失函数概述.mp4
│  │      
│  ├─17-第六模块：BasicVSR++视频超分辨重构源码解读
│  │      1-要完成的任务分析与配置文件.mp4
│  │      10-传播流程整体完成一圈.mp4
│  │      11-完成输出结果.mp4
│  │      2-特征基础提取模块.mp4
│  │      3-光流估计网络模块.mp4
│  │      4-基于光流完成对齐操作.mp4
│  │      5-偏移量计算方法.mp4
│  │      6-双向计算特征对齐.mp4
│  │      7-提特征传递流程分析.mp4
│  │      8-序列传播计算.mp4
│  │      9-准备变形卷积模块的输入.mp4
│  │      
│  ├─18-第七模块：多模态3D目标检测算法源码解读
│  │      1-环境配置与数据集概述.mp4
│  │      10-3D卷积特征融合.mp4
│  │      11-输出层预测结果.mp4
│  │      2-数据与标注文件介绍.mp4
│  │      3-基本流程梳理并进入debug模式.mp4
│  │      4-数据与图像特征提取模块.mp4
│  │      5-体素索引位置获取.mp4
│  │      6-体素特征提取方法解读.mp4
│  │      7-体素特征计算方法分析.mp4
│  │      8-全局体素特征提取.mp4
│  │      9-多模态特征融合.mp4
│  │      
│  ├─19-第八模块：模型蒸馏应用实例
│  │      1-任务概述与工具使用.mp4
│  │      2-Teacher与Student网络结构定义.mp4
│  │      3-训练T与S得到蒸馏模型.mp4
│  │      4-开始模型训练过程与问题修正.mp4
│  │      5-日志输出与模型分离.mp4
│  │      6-分别得到Teacher与Student模型.mp4
│  │      7-实际测试效果演示.mp4
│  │      
│  ├─2-第一模块：分类任务基本操作
│  │      1-MMCLS问题修正.mp4
│  │      2-准备MMCLS项目.mp4
│  │      3-基本参数配置解读.mp4
│  │      4-各模块配置文件组成.mp4
│  │      5-生成完整配置文件.mp4
│  │      6-根据文件夹定义数据集.mp4
│  │      7-构建自己的数据集.mp4
│  │      8-训练自己的任务.mp4
│  │      
│  ├─20-第八模块：模型剪枝方法概述分析
│  │      1-SuperNet网络结构分析与剪枝概述.mp4
│  │      2-搜索匹配到符合计算量的模型并训练.mp4
│  │      
│  ├─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.mp4
│  │      
│  ├─22-OCR算法解读
│  │      1-OCR算法解读.mp4
│  │      
│  ├─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.mp4
│  │      
│  ├─3-第一模块：训练结果测试与验证
│  │      1-测试DEMO效果.mp4
│  │      2-测试评估模型效果.mp4
│  │      3-MMCLS中增加一个新的模块.mp4
│  │      4-修改配置文件中的参数.mp4
│  │      5-数据增强流程可视化展示.mp4
│  │      6-Grad-Cam可视化方法.mp4
│  │      7-可视化细节与效果分析.mp4
│  │      8-MMCLS可视化模块应用.mp4
│  │      9-模型分析脚本使用.mp4
│  │      
│  ├─4-第一模块：模型源码DEBUG演示
│  │      1-VIT任务概述.mp4
│  │      2-数据增强模块概述分析.mp4
│  │      3-PatchEmbedding层.mp4
│  │      4-前向传播基本模块.mp4
│  │      5-CLS与输出模块.mp4
│  │      
│  ├─5-第二模块：使用分割模块训练自己的数据集
│  │      1-项目配置基本介绍.mp4
│  │      2-数据集标注与制作方法.mp4
│  │      3-根据预测类别数修改配置文件.mp4
│  │      4-加载预训练模型开始训练.mp4
│  │      5-预测DEMO演示.mp4
│  │      
│  ├─6-第二模块：基于Unet进行各种策略修改
│  │      1-配置文件解读.mp4
│  │      2-编码层模块.mp4
│  │      3-上采样与输出层.mp4
│  │      4-辅助层的作用.mp4
│  │      5-给Unet添加一个neck层.mp4
│  │      6-如何修改参数适配网络结构.mp4
│  │      7-将Unet特征提取模块替换成transformer.mp4
│  │      8-VIT模块源码分析.mp4
│  │      
│  ├─7-第二模块：分割任务CVPR最新Backbone设计及其应用
│  │      1-注册自己的Backbone模块.mp4
│  │      10-汇总多层级特征进行输出.mp4
│  │      2-配置文件指定.mp4
│  │      3-DEBUG解读Backbone设计.mp4
│  │      4-PatchEmbedding的作用与实现.mp4
│  │      5-卷积位置编码计算方法.mp4
│  │      6-近似Attention模块实现.mp4
│  │      7-完成特征提取与融合模块.mp4
│  │      8-分割输出模块.mp4
│  │      9-全局特征的作用与实现.mp4
│  │      
│  ├─8-第三模块：mmdet训练自己的数据任务
│  │      1-数据集标注与标签获取.mp4
│  │      2-COCO数据标注格式.mp4
│  │      3-通过脚本生成COCO数据格式.mp4
│  │      4-配置文件数据增强策略分析.mp4
│  │      5-训练所需配置说明.mp4
│  │      6-模型训练与DEMO演示.mp4
│  │      7-模型测试与可视化分析模块.mp4
│  │      8-补充：评估指标.mp4
│  │      
│  └─9-第三模块：DeformableDetr物体检测源码分析
│          1-特征提取与位置编码.mp4
│          10-分类与回归输出模块.mp4
│          11-预测输出结果与标签匹配模块.mp4
│          2-序列特征展开并叠加.mp4
│          3-得到相对位置点编码.mp4
│          4-准备Encoder编码层所需全部输入.mp4
│          5-编码层中的序列分析.mp4
│          6-偏移量offset计算.mp4
│          7-偏移量对齐操作.mp4
│          8-Encoder层完成特征对齐.mp4
│          9-Decoder要完成的操作.mp4
│         
├─10-经典视觉项目实战：行为识别、姿态估计、目标追踪
│  ├─1-slowfast算法知识点通俗解读
│  │      1-slowfast核心思想解读.mp4
│  │      2-核心网络结构模块分析.mp4
│  │      3-数据采样曾的作用.mp4
│  │      4-模型网络结构设计.mp4
│  │      5-特征融合模块与总结分析.mp4
│  │      
│  ├─10-OpenPose算法源码分析
│  │      1-数据集与路径配置解读.mp4
│  │      10-多阶段输出与预测.mp4
│  │      2-读取图像与标注信息.mp4
│  │      3-关键点与躯干特征图初始化.mp4
│  │      4-根据关键点位置设计关键点标签.mp4
│  │      5-准备构建PAF躯干标签.mp4
│  │      6-各位置点归属判断.mp4
│  │      7-特征图各点累加向量计算.mp4
│  │      8-完成PAF特征图制作.mp4
│  │      9-网络模型一阶段输出.mp4
│  │      
│  ├─11-deepsort算法知识点解读
│  │      1-卡尔曼滤波通俗解释.mp4
│  │      10-sort与deepsort建模流程分析.mp4
│  │      11-预测与匹配流程解读.mp4
│  │      12-追踪任务流程拆解.mp4
│  │      2-卡尔曼滤波要完成的任务.mp4
│  │      3-任务本质分析.mp4
│  │      4-基于观测值进行最优估计.mp4
│  │      5-预测与更新操作.mp4
│  │      6-追踪中的状态量.mp4
│  │      7-匈牙利匹配算法概述.mp4
│  │      8-匹配小例子分析.mp4
│  │      9-REID特征的作用.mp4
│  │      
│  ├─12-deepsort源码解读
│  │      1-项目环境配置.mp4
│  │      10-匹配结果与总结.mp4
│  │      2-参数与DEMO演示.mp4
│  │      3-针对检测结果初始化track.mp4
│  │      4-对track执行预测操作.mp4
│  │      5-状态量预测结果.mp4
│  │      6-IOU代价矩阵计算.mp4
│  │      7-参数更新操作.mp4
│  │      8-级联匹配模块.mp4
│  │      9-ReID特征代价矩阵计算.mp4
│  │      
│  ├─13-YOLO-V4版本算法解读
│  │      1-V4版本整体概述.mp4
│  │      10-PAN模块解读.mp4
│  │      11-激活函数与整体架构总结.mp4
│  │      2-V4版本贡献解读.mp4
│  │      3-数据增强策略分析.mp4
│  │      4-DropBlock与标签平滑方法.mp4
│  │      5-损失函数遇到的问题.mp4
│  │      6-CIOU损失函数定义.mp4
│  │      7-NMS细节改进.mp4
│  │      8-SPP与CSP网络结构.mp4
│  │      9-SAM注意力机制模块.mp4
│  │      
│  ├─14-V5版本项目配置
│  │      1-整体项目概述.mp4
│  │      2-训练自己的数据集方法.mp4
│  │      3-训练数据参数配置.mp4
│  │      4-测试DEMO演示.mp4
│  │      
│  ├─15-V5项目工程源码解读
│  │      1-数据源DEBUG流程解读.mp4
│  │      10-完成配置文件解析任务.mp4
│  │      11-前向传播计算.mp4
│  │      12-BottleneckCSP层计算方法.mp4
│  │      13-1-SPP层计算细节分析.mp4
│  │      14-2-Head层流程解读.mp4
│  │      15-上采样与拼接操作.mp4
│  │      16-输出结果分析.mp4
│  │      17-超参数解读.mp4
│  │      18-命令行参数介绍.mp4
│  │      19-训练流程解读.mp4
│  │      2-图像数据源配置.mp4
│  │      20-各种训练策略概述.mp4
│  │      21-模型迭代过程.mp4
│  │      3-加载标签数据.mp4
│  │      4-Mosaic数据增强方法.mp4
│  │      5-数据四合一方法与流程演示.mp4
│  │      6-getItem构建batch.mp4
│  │      7-网络架构图可视化工具安装.mp4
│  │      8-V5网络配置文件解读.mp4
│  │      9-Focus模块流程分析.mp4
│  │      
│  ├─2-slowfast项目环境配置与配置文件
│  │      1-环境基本配置解读.mp4
│  │      2-目录各文件分析.mp4
│  │      3-配置文件作用解读.mp4
│  │      4-测试DEMO演示.mp4
│  │      5-训练所需标签文件说明.mp4
│  │      6-训练所需视频数据准备.mp4
│  │      7-视频数据集切分操作.mp4
│  │      8-完成视频分帧操作.mp4
│  │      
│  ├─3-slowfast源码详细解读
│  │      1-模型所需配置文件参数读取.mp4
│  │      10-RoiAlign与输出层.mp4
│  │      2-数据处理概述.mp4
│  │      3-dataloader数据遍历方法.mp4
│  │      4-数据与标签读取实例.mp4
│  │      5-图像数据所需预处理方法.mp4
│  │      6-slow与fast分别执行采样操作.mp4
│  │      7-分别计算特征图输出结果.mp4
│  │      8-slow与fast特征图拼接操作.mp4
│  │      9-resnetBolock操作.mp4
│  │      
│  ├─4-基于3D卷积的视频分析与动作识别
│  │      1-3D卷积原理解读.mp4
│  │      2-UCF101动作识别数据集简介.mp4
│  │      3-测试效果与项目配置.mp4
│  │      4-视频数据预处理方法.mp4
│  │      5-数据Batch制作方法.mp4
│  │      6-3D卷积网络所涉及模块.mp4
│  │      7-训练网络模型.mp4
│  │      
│  ├─5-视频异常检测算法与元学习
│  │      1-异常检测要解决的问题与数据集介绍.mp4
│  │      2-基本思想与流程分析.mp4
│  │      3-预测与常见问题.mp4
│  │      4-Meta-Learn要解决的问题.mp4
│  │      5-学习能力与参数定义.mp4
│  │      6-如何找到合适的初始化参数.mp4
│  │      7-MAML算法流程解读.mp4
│  │      
│  ├─6-视频异常检测CVPR2021论文及其源码解读
│  │      1-论文概述与环境配置.mp4
│  │      2-数据集配置与读取.mp4
│  │      3-模型编码与解码结构.mp4
│  │      4-注意力机制模块打造.mp4
│  │      5-损失函数的目的.mp4
│  │      6-特征图生成.mp4
│  │      7-MetaLearn与输出.mp4
│  │      
│  ├─7-基础补充-Resnet模型及其应用实例
│  │      1-医学疾病数据集介绍.mp4
│  │      2-Resnet网络架构原理分析.mp4
│  │      3-dataloader加载数据集.mp4
│  │      4-Resnet网络前向传播.mp4
│  │      5-残差网络的shortcut操作.mp4
│  │      6-特征图升维与降采样操作.mp4
│  │      7-网络整体流程与训练演示.mp4
│  │      
│  ├─8-课程介绍
│  │      1-课程介绍.mp4
│  │      
│  └─9-姿态估计OpenPose系列算法解读
│          1-姿态估计要解决的问题分析.mp4
│          10-匹配方法解读.mp4
│          11-CPM模型特点.mp4
│          12-算法流程与总结.mp4
│          2-姿态估计应用领域概述.mp4
│          3-传统topdown方法的问题.mp4
│          4-要解决的两个问题分析.mp4
│          5-基于高斯分布预测关键点位置.mp4
│          6-各模块输出特征图解读.mp4
│          7-PAF向量登场.mp4
│          8-PAF标签设计方法.mp4
│          9-预测时PAF积分计算方法.mp4
│         
├─11-2022论?必备-Transformer实战系列
│  ├─1-Transformer算法解读
│  │      1-Transformer算法解读.mp4
│  │      
│  ├─10-MedicalTrasnformer论文解读
│  │      1-论文整体分析.mp4
│  │      2-核心思想分析.mp4
│  │      3-网络结构计算流程概述.mp4
│  │      4-论文公式计算分析.mp4
│  │      5-位置编码的作用与效果.mp4
│  │      6-拓展应用分析.mp4
│  │      
│  ├─11-MedicalTransformer源码解读
│  │      1-项目环境配置.mp4
│  │      2-医学数据介绍与分析.mp4
│  │      3-基本处理操作.mp4
│  │      4-AxialAttention实现过程.mp4
│  │      5-位置编码向量解读.mp4
│  │      6-注意力计算过程与方法.mp4
│  │      7-局部特征提取与计算.mp4
│  │      
│  ├─12-商汤LoFTR算法解读
│  │      1-特征匹配的应用场景.mp4
│  │      10-总结分析.mp4
│  │      2-特征匹配的基本流程分析.mp4
│  │      3-整体流程梳理分析.mp4
│  │      4-CrossAttention的作用与效果.mp4
│  │      5-transformer构建匹配特征.mp4
│  │      6-粗粒度匹配过程与作用.mp4
│  │      7-特征图拆解操作.mp4
│  │      8-细粒度匹配的作用与方法.mp4
│  │      9-基于期望预测最终位置.mp4
│  │      
│  ├─13-局部特征关键点匹配实战
│  │      1-项目与参数配置解读.mp4
│  │      10-得到精细化输出结果.mp4
│  │      11-通过期望计算最终输出.mp4
│  │      2-DEMO效果演示.mp4
│  │      3-backbone特征提取模块.mp4
│  │      4-注意力机制的作用与效果分析.mp4
│  │      5-特征融合模块实现方法.mp4
│  │      6-cross关系计算方法实例.mp4
│  │      7-粗粒度匹配过程.mp4
│  │      8-完成基础匹配模块.mp4
│  │      9-精细化调整方法与实例.mp4
│  │      
│  ├─14-分割模型Maskformer系列
│  │      1-分割模型Maskformer系列.mp4
│  │      
│  ├─15-Mask2former源码解读
│  │      1-Backbone获取多层级特征.mp4
│  │      10-正样本筛选损失计算.mp4
│  │      11-标签分类匹配结果分析.mp4
│  │      12-最终损失计算流程.mp4
│  │      13-汇总所有损失完成迭代.mp4
│  │      2-多层级采样点初始化构建.mp4
│  │      3-多层级输入特征序列创建方法.mp4
│  │      4-偏移量与权重计算并转换.mp4
│  │      5-Encoder特征构建方法实例.mp4
│  │      6-query要预测的任务解读.mp4
│  │      7-Decoder中的AttentionMask方法.mp4
│  │      8-损失模块输入参数分析.mp4
│  │      9-标签分配策略解读.mp4
│  │      
│  ├─16-BEV特征空间
│  │      1-BEV特征空间.mp4
│  │      
│  ├─17-BevFormer源码解读
│  │      1-环境配置方法解读.mp4
│  │      10-获取当前BEV特征.mp4
│  │      11-Decoder级联校正模块.mp4
│  │      12-损失函数与预测可视化.mp4
│  │      2-数据集下载与配置方法.mp4
│  │      3-特征提取以及BEV空间初始化.mp4
│  │      4-特征对齐与位置编码初始化.mp4
│  │      5-Reference初始点构建.mp4
│  │      6-BEV空间与图像空间位置对应.mp4
│  │      7-注意力机制模块计算方法.mp4
│  │      8-BEV空间特征构建.mp4
│  │      9-Decoder要完成的任务分析.mp4
│  │      
│  ├─18-时间序列预测
│  │      1-时间序列预测.mp4
│  │      
│  ├─19-Informer时间序列源码解读
│  │      1-Informer时间序列源码解读.mp4
│  │      
│  ├─2-视觉Transformer及其源码分析
│  │      1-视觉Transformer及其源码分析.mp4
│  │      
│  ├─20-Huggingface与NLP（讲故事）
│  │      1-Huggingface与NLP（讲故事）.mp4
│  │      
│  ├─3-VIT算法模型源码解读
│  │      1-项目配置说明.mp4
│  │      2-输入序列构建方法解读.mp4
│  │      3-注意力机制计算.mp4
│  │      4-输出层计算结果.mp4
│  │      
│  ├─4-swintransformer算法原理解析
│  │      1-swintransformer整体概述.mp4
│  │      10-分层计算方法.mp4
│  │      2-要解决的问题及其优势分析.mp4
│  │      3-一个block要完成的任务.mp4
│  │      4-获取各窗口输入特征.mp4
│  │      5-基于窗口的注意力机制解读.mp4
│  │      6-窗口偏移操作的实现.mp4
│  │      7-偏移细节分析及其计算量概述.mp4
│  │      8-整体网络架构整合.mp4
│  │      9-下采样操作实现方法.mp4
│  │      
│  ├─5-swintransformer源码解读
│  │      1-数据与环境配置解读.mp4
│  │      2-图像数据patch编码.mp4
│  │      3-数据按window进行划分计算.mp4
│  │      4-基础attention计算模块.mp4
│  │      5-窗口位移模块细节分析.mp4
│  │      6-patchmerge下采样操作.mp4
│  │      7-各block计算方法解读.mp4
│  │      8-输出层概述.mp4
│  │      
│  ├─6-基于Transformer的detr目标检测算法
│  │      1-DETR目标检测基本思想解读.mp4
│  │      2-整体网络架构分析.mp4
│  │      3-位置信息初始化query向量.mp4
│  │      4-注意力机制的作用方法.mp4
│  │      5-训练过程的策略.mp4
│  │      
│  ├─7-detr目标检测源码解读
│  │      1-项目环境配置解读.mp4
│  │      2-数据处理与dataloader.mp4
│  │      3-位置编码作用分析.mp4
│  │      4-backbone特征提取模块.mp4
│  │      5-mask与编码模块.mp4
│  │      6-编码层作用方法.mp4
│  │      7-Decoder层操作与计算.mp4
│  │      8-输出预测结果.mp4
│  │      9-损失函数与预测输出.mp4
│  │      
│  ├─8-DeformableDetr算法解读
│  │      1-DeformableDetr算法解读.mp4
│  │      
│  └─9-DeformableDetr物体检测源码分析
│          1-特征提取与位置编码.mp4
│          10-分类与回归输出模块.mp4
│          11-预测输出结果与标签匹配模块.mp4
│          2-序列特征展开并叠加.mp4
│          3-得到相对位置点编码.mp4
│          4-准备Encoder编码层所需全部输入.mp4
│          5-编码层中的序列分析.mp4
│          6-偏移量offset计算.mp4
│          7-偏移量对齐操作.mp4
│          8-Encoder层完成特征对齐.mp4
│          9-Decoder要完成的操作.mp4
│         
├─12-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.mp4
│  │      2-图基本模块定义.mp4
│  │      3-邻接矩阵的定义.mp4
│  │      4-GNN中常见任务.mp4
│  │      5-消息传递计算方法.mp4
│  │      6-多层GCN的作用.mp4
│  │      
│  ├─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.mp4
│  │      
│  ├─11-异构图神经网络
│  │      1-异构图神经网络.mp4
│  │      
│  ├─2-图卷积GCN模型
│  │      1-GCN基本模型概述.mp4
│  │      2-图卷积的基本计算方法.mp4
│  │      3-邻接的矩阵的变换.mp4
│  │      4-GCN变换原理解读.mp4
│  │      
│  ├─3-图模型必备神器PyTorch Geometric安装与使用
│  │      1-PyTorch Geometric工具包安装与配置方法.mp4
│  │      2-数据集与邻接矩阵格式.mp4
│  │      3-模型定义与训练方法.mp4
│  │      4-文献引用数据集分类案例实战.mp4
│  │      
│  ├─4-使用PyTorch Geometric构建自己的图数据集
│  │      1-构建数据集基本方法.mp4
│  │      2-数据集与任务背景概述.mp4
│  │      3-数据集基本预处理.mp4
│  │      4-用户行为图结构创建.mp4
│  │      5-数据集创建函数介绍.mp4
│  │      6-网络结构定义模块.mp4
│  │      7-TopkPooling进行下采样任务.mp4
│  │      8-获取全局特征.mp4
│  │      9-模型训练与总结.mp4
│  │      
│  ├─5-图注意力机制与序列图模型
│  │      1-图注意力机制的作用与方法.mp4
│  │      2-邻接矩阵计算图Attention.mp4
│  │      3-序列图神经网络TGCN应用.mp4
│  │      4-序列图神经网络细节.mp4
│  │      
│  ├─6-图相似度论文解读
│  │      1-要完成的任务分析.mp4
│  │      2-基本方法概述解读.mp4
│  │      3-图模型提取全局与局部特征.mp4
│  │      4-NTN模块的作用与效果.mp4
│  │      5-点之间的对应关系计算.mp4
│  │      6-结果输出与总结.mp4
│  │      
│  ├─7-图相似度计算实战
│  │      1-数据集与任务概述.mp4
│  │      2-图卷积特征提取模块.mp4
│  │      3-分别计算不同Batch点的分布.mp4
│  │      4-获得直方图特征结果.mp4
│  │      5-图的全局特征构建.mp4
│  │      6-NTN图相似特征提取.mp4
│  │      7-预测得到相似度结果.mp4
│  │      
│  ├─8-基于图模型的轨迹估计
│  │      1-数据集与标注信息解读.mp4
│  │      2-整体三大模块分析.mp4
│  │      3-特征工程的作用与效果.mp4
│  │      4-传统方法与现在向量空间对比.mp4
│  │      5-输入细节分析.mp4
│  │      6-子图模块构建方法.mp4
│  │      7-特征融合模块分析.mp4
│  │      8-VectorNet输出层分析.mp4
│  │      
│  └─9-图模型轨迹估计实战
│          1-数据与环境配置.mp4
│          2-训练数据准备.mp4
│          3-Agent特征提取方法.mp4
│          4-DataLoader构建图结构.mp4
│          5-SubGraph与Attention模型流程.mp4
│         
├─13-3D点云实战
│  ├─1-3D点云实战 3D点云应用领域分析
│  │      1-点云数据概述.mp4
│  │      2-点云应用领域与发展分析.mp4
│  │      3-点云分割任务.mp4
│  │      4-点云补全任务.mp4
│  │      5-点云检测与配准任务.mp4
│  │      6-点云数据特征提取概述与预告.mp4
│  │      
│  ├─2-3D点云PointNet算法
│  │      1-3D数据应用领域与点云介绍.mp4
│  │      2-点云数据可视化展示.mp4
│  │      3-点云数据特性和及要解决的问题.mp4
│  │      4-PointNet算法出发点解读.mp4
│  │      5-PointNet算法网络架构解读.mp4
│  │      
│  ├─3-PointNet++算法解读
│  │      1-PointNet升级版算法要解决的问题.mp4
│  │      2-最远点采样方法.mp4
│  │      3-分组Group方法原理解读.mp4
│  │      4-整体流程概述分析.mp4
│  │      5-分类与分割问题解决方案.mp4
│  │      6-遇到的问题及改进方法分析.mp4
│  │      
│  ├─4-Pointnet++项目实战
│  │      1-项目文件概述.mp4
│  │      11-分割任务数据与配置概述.mp4
│  │      12-分割需要解决的任务概述.mp4
│  │      13-上采样完成分割任务.mp4
│  │      2-数据读取模块配置.mp4
│  │      3-DEBUG解读网络模型架构.mp4
│  │      4-最远点采样介绍.mp4
│  │      5-采样得到中心点.mp4
│  │      6-组区域划分方法.mp4
│  │      7-实现group操作得到各中心簇.mp4
│  │      8-特征提取模块整体流程.mp4
│  │      9-预测结果输出模块.mp4
│  │      
│  ├─5-点云补全PF-Net论文解读
│  │      1-点云补全要解决的问题.mp4
│  │      2-基本解决方案概述.mp4
│  │      3-整体网络概述.mp4
│  │      4-网络计算流程.mp4
│  │      5-输入与计算结果.mp4
│  │      
│  ├─6-点云补全实战解读
│  │      1-数据与项目配置解读.mp4
│  │      2-待补全数据准备方法.mp4
│  │      3-整体框架概述.mp4
│  │      4-MRE特征提取模块.mp4
│  │      5-分层预测输出模块.mp4
│  │      6-补全点云数据.mp4
│  │      7-判别模块.mp4
│  │      
│  ├─7-点云配准及其案例实战
│  │      1-点云配准任务概述.mp4
│  │      2-配准要完成的目标解读.mp4
│  │      3-训练数据构建.mp4
│  │      4-任务基本流程.mp4
│  │      5-数据源配置方法.mp4
│  │      6-参数计算模块解读.mp4
│  │      7-基于模型预测输出参数.mp4
│  │      8-特征构建方法分析.mp4
│  │      9-任务总结.mp4
│  │      
│  └─8-基础补充-对抗生成网络架构原理与实战解析
│          1-对抗生成网络通俗解释.mp4
│          2-GAN网络组成.mp4
│          3-损失函数解释说明.mp4
│          4-数据读取模块.mp4
│          5-生成与判别网络定义.mp4
│         
├─14-面向深度学习的无人驾驶实战
│  ├─1-深度估计算法原理解读
│  │      1-深度估计效果与应用.mp4
│  │      10-损失计算.mp4
│  │      2-kitti数据集介绍.mp4
│  │      3-使用backbone获取层级特征.mp4
│  │      4-差异特征计算边界信息.mp4
│  │      5-SPP层的作用.mp4
│  │      6-空洞卷积与ASPP.mp4
│  │      7-特征拼接方法分析.mp4
│  │      8-网络coarse-to-fine过程.mp4
│  │      9-权重参数预处理.mp4
│  │      
│  ├─10-NeuralRecon项目源码解读
│  │      1-Backbone得到特征图.mp4
│  │      2-初始化体素位置.mp4
│  │      3-坐标映射方法实现.mp4
│  │      4-得到体素所对应特征图.mp4
│  │      5-插值得到对应特征向量.mp4
│  │      6-得到一阶段输出结果.mp4
│  │      7-完成三个阶段预测结果.mp4
│  │      8-项目总结.mp4
│  │      
│  ├─11-TSDF算法与应用
│  │      1-TSDF整体概述分析.mp4
│  │      2-合成过程DEMO演示.mp4
│  │      3-布局初始化操作.mp4
│  │      4-TSDF计算基本流程解读.mp4
│  │      5-坐标转换流程分析.mp4
│  │      6-输出结果融合更新.mp4
│  │      
│  ├─12-TSDF实战案例
│  │      1-环境配置概述.mp4
│  │      2-初始化与数据读取.mp4
│  │      3-计算得到TSDF输出.mp4
│  │      
│  ├─13-轨迹估计算法与论文解读
│  │      1-数据集与标注信息解读.mp4
│  │      2-整体三大模块分析.mp4
│  │      3-特征工程的作用与效果.mp4
│  │      4-传统方法与现在向量空间对比.mp4
│  │      5-输入细节分析.mp4
│  │      6-子图模块构建方法.mp4
│  │      7-特征融合模块分析.mp4
│  │      8-VectorNet输出层分析.mp4
│  │      
│  ├─14-轨迹估计预测实战
│  │      1-数据与环境配置.mp4
│  │      2-训练数据准备.mp4
│  │      3-Agent特征提取方法.mp4
│  │      4-DataLoader构建图结构.mp4
│  │      5-SubGraph与Attention模型流程.mp4
│  │      
│  ├─15-特斯拉无人驾驶解读
│  │      1-特斯拉无人驾驶解读.mp4
│  │      
│  ├─2-深度估计项目实战
│  │      1-项目环境配置解读.mp4
│  │      10-损失函数通俗解读.mp4
│  │      11-模型DEMO输出结果.mp4
│  │      2-数据与标签定义方法.mp4
│  │      3-数据集dataloader制作.mp4
│  │      4-使用backbone进行特征提取.mp4
│  │      5-计算差异特征.mp4
│  │      6-权重参数标准化操作.mp4
│  │      7-网络结构ASPP层.mp4
│  │      8-特征拼接方法解读.mp4
│  │      9-输出深度估计结果.mp4
│  │      
│  ├─3-车道线检测算法与论文解读
│  │      1-数据标签与任务分析.mp4
│  │      2-网络整体框架分析.mp4
│  │      3-输出结果分析.mp4
│  │      4-损失函数计算方法.mp4
│  │      5-论文概述分析.mp4
│  │      
│  ├─4-基于深度学习的车道线检测项目实战
│  │      1-车道数据与标签解读.mp4
│  │      10-车道线规则损失函数限制.mp4
│  │      11-DEMO制作与配置.mp4
│  │      2-项目环境配置演示.mp4
│  │      3-制作数据集dataloader.mp4
│  │      4-车道线标签数据处理.mp4
│  │      5-四条车道线标签位置矩阵.mp4
│  │      6-grid设置方法.mp4
│  │      7-完成数据与标签制作.mp4
│  │      8-算法网络结构解读.mp4
│  │      9-损失函数计算模块分析.mp4
│  │      
│  ├─5-商汤LoFTR算法解读
│  │      1-特征匹配的应用场景.mp4
│  │      10-总结分析.mp4
│  │      2-特征匹配的基本流程分析.mp4
│  │      3-整体流程梳理分析.mp4
│  │      4-CrossAttention的作用与效果.mp4
│  │      5-transformer构建匹配特征.mp4
│  │      6-粗粒度匹配过程与作用.mp4
│  │      7-特征图拆解操作.mp4
│  │      8-细粒度匹配的作用与方法.mp4
│  │      9-基于期望预测最终位置.mp4
│  │      
│  ├─6-局部特征关键点匹配实战
│  │      1-项目与参数配置解读.mp4
│  │      10-得到精细化输出结果.mp4
│  │      11-通过期望计算最终输出.mp4
│  │      2-DEMO效果演示.mp4
│  │      3-backbone特征提取模块.mp4
│  │      4-注意力机制的作用与效果分析.mp4
│  │      5-特征融合模块实现方法.mp4
│  │      6-cross关系计算方法实例.mp4
│  │      7-粗粒度匹配过程.mp4
│  │      8-完成基础匹配模块.mp4
│  │      9-精细化调整方法与实例.mp4
│  │      
│  ├─7-三维重建应用与坐标系基础
│  │      1-三维重建概述分析.mp4
│  │      2-三维重建应用领域概述.mp4
│  │      3-成像方法概述.mp4
│  │      4-相机坐标系.mp4
│  │      5-坐标系转换方法解读.mp4
│  │      6-相机内外参.mp4
│  │      7-通过内外参数进行坐标变换.mp4
│  │      8-相机标定简介.mp4
│  │      
│  ├─8-NeuralRecon算法解读
│  │      1-任务流程分析.mp4
│  │      2-基本框架熟悉.mp4
│  │      3-特征映射方法解读.mp4
│  │      4-片段融合思想.mp4
│  │      5-整体架构重构方法.mp4
│  │      
│  └─9-NeuralRecon项目环境配置
│          1-数据集下载与配置方法.mp4
│          2-Scannet数据集内容概述.mp4
│          3-TSDF标签生成方法.mp4
│          4-ISSUE的作用.mp4
│          5-完成依赖环境配置.mp4
│         
├─15-对比学习与多模态任务实战
│  ├─1-对比学习算法与实例
│  │      1-对比学习算法与实例.mp4
│  │      
│  ├─2-CLIP系列
│  │      1-CLIP系列.mp4
│  │      
│  ├─3-多模态3D目标检测算法源码解读
│  │      1-环境配置与数据集概述.mp4
│  │      10-3D卷积特征融合.mp4
│  │      11-输出层预测结果.mp4
│  │      2-数据与标注文件介绍.mp4
│  │      3-基本流程梳理并进入debug模式.mp4
│  │      4-数据与图像特征提取模块.mp4
│  │      5-体素索引位置获取.mp4
│  │      6-体素特征提取方法解读.mp4
│  │      7-体素特征计算方法分析.mp4
│  │      8-全局体素特征提取.mp4
│  │      9-多模态特征融合.mp4
│  │      
│  ├─4-多模态文字识别
│  │      1-多模态文字识别.mp4
│  │      
│  └─5-ANINET源码解读
│          1-数据集与环境概述.mp4
│          2-配置文件修改方法.mp4
│          3-Bakbone模块得到特征.mp4
│          4-视觉Transformer模块的作用.mp4
│          5-视觉模型中的编码与解码的效果.mp4
│          6-文本模型中的结构分析.mp4
│          7-迭代修正模块.mp4
│          8-输出层与损失计算.mp4
│         
├─16-缺陷检测实战
│  ├─1-课程介绍
│  │      1-课程介绍.mp4
│  │      
│  ├─10-基于Opencv缺陷检测项?实战
│  │      1-任务需求与环境配置.mp4
│  │      2-数据读取与基本处理.mp4
│  │      3-缺陷形态学操作.mp4
│  │      4-整体流程解读.mp4
│  │      5-缺陷检测效果演示.mp4
│  │      
│  ├─11-基于视频流?线的Opencv缺陷检测项?
│  │      1-数据与任务概述.mp4
│  │      2-视频数据读取与轮廓检测.mp4
│  │      3-目标质心计算.mp4
│  │      4-视频数据遍历方法.mp4
│  │      5-缺陷区域提取.mp4
│  │      6-不同类型的缺陷检测方法.mp4
│  │      7-检测效果演示.mp4
│  │      
│  ├─12-图像分割deeplab系列算法
│  │      1-deeplab分割算法概述.mp4
│  │      2-空洞卷积的作用.mp4
│  │      3-感受野的意义.mp4
│  │      4-SPP层的作用.mp4
│  │      5-ASPP特征融合策略.mp4
│  │      6-deeplabV3Plus版本网络架构.mp4
│  │      
│  ├─13-基于deeplabV3+版本进?VOC分割实战
│  │      1-PascalVoc数据集介绍.mp4
│  │      2-项目参数与数据集读取.mp4
│  │      3-网络前向传播流程.mp4
│  │      4-ASPP层特征融合.mp4
│  │      5-分割模型训练.mp4
│  │      
│  ├─14-Deeplab铁质材料缺陷检测与开源项?应?流程
│  │      1-数据集与任务概述.mp4
│  │      2-开源项目应用方法.mp4
│  │      3-github与kaggle中需要注意的点.mp4
│  │      4-源码的利用方法.mp4
│  │      5-数据集制作方法.mp4
│  │      6-数据路径配置.mp4
│  │      7-训练模型.mp4
│  │      8-任务总结.mp4
│  │      
│  ├─2-物体检框架YOLO-V4版本算法解读
│  │      1-V4版本整体概述.mp4
│  │      10-PAN模块解读.mp4
│  │      11-激活函数与整体架构总结.mp4
│  │      2-V4版本贡献解读.mp4
│  │      3-数据增强策略分析.mp4
│  │      4-DropBlock与标签平滑方法.mp4
│  │      5-损失函数遇到的问题.mp4
│  │      6-CIOU损失函数定义.mp4
│  │      7-NMS细节改进.mp4
│  │      8-SPP与CSP网络结构.mp4
│  │      9-SAM注意力机制模块.mp4
│  │      
│  ├─3-物体检测框架YOLOV5版本项目配置
│  │      1-整体项目概述.mp4
│  │      2-训练自己的数据集方法.mp4
│  │      3-训练数据参数配置.mp4
│  │      4-测试DEMO演示.mp4
│  │      
│  ├─4-物体检测框架YOLOV5项目工程源码解读
│  │      1-数据源DEBUG流程解读.mp4
│  │      10-完成配置文件解析任务.mp4
│  │      11-前向传播计算.mp4
│  │      12-BottleneckCSP层计算方法.mp4
│  │      13-SPP层计算细节分析.mp4
│  │      14-Head层流程解读.mp4
│  │      15-上采样与拼接操作.mp4
│  │      16-输出结果分析.mp4
│  │      17-超参数解读.mp4
│  │      18-命令行参数介绍.mp4
│  │      19-训练流程解读.mp4
│  │      2-图像数据源配置.mp4
│  │      20-各种训练策略概述.mp4
│  │      21-模型迭代过程.mp4
│  │      3-加载标签数据.mp4
│  │      4-Mosaic数据增强方法.mp4
│  │      5-数据四合一方法与流程演示.mp4
│  │      6-getItem构建batch.mp4
│  │      7-网络架构图可视化工具安装.mp4
│  │      8-V5网络配置文件解读.mp4
│  │      9-Focus模块流程分析.mp4
│  │      
│  ├─5-基于YOLOV5的钢材缺陷检测实战
│  │      1-任务需求与项目概述.mp4
│  │      2-数据与标签配置方法.mp4
│  │      3-标签转换格式脚本制作.mp4
│  │      4-各版本模型介绍分析.mp4
│  │      5-项目参数配置.mp4
│  │      6-缺陷检测模型训练.mp4
│  │      7-输出结果与项目总结.mp4
│  │      
│  ├─6-Semi-supervised布料缺陷检测实战
│  │      1-任务目标与流程概述.mp4
│  │      2-论文思想与模型分析.mp4
│  │      3-项目配置解读.mp4
│  │      4-网络流程分析.mp4
│  │      5-输出结果展示.mp4
│  │      
│  ├─7-Opencv图像常?处理?法实例
│  │      1-计算机眼中的图像.mp4
│  │      10-膨胀操作.mp4
│  │      11-开运算与闭运算.mp4
│  │      12-梯度计算.mp4
│  │      13-礼帽与黑帽.mp4
│  │      2-视频的读取与处理.mp4
│  │      3-ROI区域.mp4
│  │      4-边界填充.mp4
│  │      5-数值计算.mp4
│  │      6-图像阈值.mp4
│  │      7-图像平滑处理.mp4
│  │      8-高斯与中值滤波.mp4
│  │      9-腐蚀操作.mp4
│  │      
│  ├─8-Opencv梯度计算与边缘检测实例
│  │      1-Canny边缘检测流程.mp4
│  │      2-非极大值抑制.mp4
│  │      3-边缘检测效果.mp4
│  │      4-Sobel算子.mp4
│  │      5-梯度计算方法.mp4
│  │      6-scharr与lapkacian算子.mp4
│  │      
│  └─9-Opencv轮廓检测与直?图
│          1-图像金字塔定义.mp4
│          10-均衡化效果.mp4
│          11-傅里叶概述.mp4
│          12-频域变换结果.mp4
│          13-低通与高通滤波.mp4
│          2-金字塔制作方法.mp4
│          3-轮廓检测方法.mp4
│          4-轮廓检测结果.mp4
│          5-轮廓特征与近似.mp4
│          6-模板匹配方法.mp4
│          7-匹配效果展示.mp4
│          8-直方图定义.mp4
│          9-均衡化原理.mp4
│         
├─17-行人重识别实战
│  ├─1-行人重识别原理及其应用
│  │      1-行人重识别要解决的问题.mp4
│  │      2-挑战与困难分析.mp4
│  │      3-评估标准rank1指标.mp4
│  │      4-map值计算方法.mp4
│  │      5-triplet损失计算实例.mp4
│  │      6-Hard-Negative方法应用.mp4
│  │      
│  ├─2-基于注意力机制的Reld模型论文解读
│  │      1-论文整体思想及注意力机制的作用解读.mp4
│  │      2-空间权重值计算流程分析.mp4
│  │      3-融合空间注意力所需特征.mp4
│  │      4-基于特征图的注意力计算.mp4
│  │      
│  ├─3-基于Attention的行人重识别项目实战
│  │      1-项目环境与数据集配置.mp4
│  │      2-参数配置与整体架构分析.mp4
│  │      3-进入debug模式解读网络计算流程.mp4
│  │      4-获得空间位置点之间的关系.mp4
│  │      5-组合关系特征图.mp4
│  │      6-计算得到位置权重值.mp4
│  │      7-基于特征图的权重计算.mp4
│  │      8-损失函数计算实例解读.mp4
│  │      9-训练与测试模块演示.mp4
│  │      
│  ├─4-AAAI2020顶会算法精讲
│  │      1-论文整体框架概述.mp4
│  │      2-局部特征与全局关系计算方法.mp4
│  │      3-特征分组方法.mp4
│  │      4-GCP模块特征融合方法.mp4
│  │      5-oneVsReset方法实例.mp4
│  │      6-损失函数应用位置.mp4
│  │      
│  ├─5-项目实战-基于行人局部特征融合的再识别实战
│  │      1-项目配置与数据集介绍.mp4
│  │      10-得到所有分组特征结果.mp4
│  │      11-损失函数与训练过程演示.mp4
│  │      12-测试与验证模块.mp4
│  │      2-数据源构建方法分析.mp4
│  │      3-dataloader加载顺序解读.mp4
│  │      4-debug模式解读.mp4
│  │      5-网络计算整体流程演示.mp4
│  │      6-特征序列构建.mp4
│  │      7-GCP全局特征提取.mp4
│  │      8-局部特征提取实例.mp4
│  │      9-特征组合汇总.mp4
│  │      
│  ├─6-旷视研究院最新算法解读（基于图模型）
│  │      1-关键点位置特征构建.mp4
│  │      2-图卷积与匹配的作用.mp4
│  │      3-局部特征热度图计算.mp4
│  │      4-基于图卷积构建人体拓扑关系.mp4
│  │      5-图卷积模块实现方法.mp4
│  │      6-图匹配在行人重识别中的作用.mp4
│  │      7-整体算法框架分析.mp4
│  │      
│  ├─7-基于拓扑图的行人重识别项目实战
│  │      1-数据集与环境配置概述.mp4
│  │      10-整体项目总结.mp4
│  │      2-局部特征准备方法.mp4
│  │      3-得到一阶段热度图结果.mp4
│  │      4-阶段监督训练.mp4
│  │      5-初始化图卷积模型.mp4
│  │      6-mask矩阵的作用.mp4
│  │      7-邻接矩阵学习与更新.mp4
│  │      8-基于拓扑结构组合关键点特征.mp4
│  │      9-图匹配模块计算流程.mp4
│  │      
│  └─8-额外补充：行人搜索源码分析
│          1-项目概述.mp4
│          2-项目概述.mp4
│          3-数据与标签读取模块.mp4
│          4-通过配置文件读取模型位置.mp4
│          5-BackBone位置与流程.mp4
│          6-Neck层操作方法.mp4
│          7-Head层预测模块.mp4
│          8-损失函数计算模块.mp4
│          9-总结概述.mp4
│         
├─18-对抗生成网络实战
│  ├─1-课程介绍
│  │      1-课程介绍.mp4
│  │      
│  ├─2-对抗生成网络架构原理与实战解析
│  │      1-对抗生成网络通俗解释.mp4
│  │      2-GAN网络组成.mp4
│  │      3-损失函数解释说明.mp4
│  │      4-数据读取模块.mp4
│  │      5-生成与判别网络定义.mp4
│  │      
│  ├─3-基于CycleGan开源项目实战图像合成
│  │      1-CycleGan网络所需数据.mp4
│  │      10-额外补充：VISDOM可视化配置.mp4
│  │      2-CycleGan整体网络架构.mp4
│  │      3-PatchGan判别网络原理.mp4
│  │      4-Cycle开源项目简介.mp4
│  │      5-数据读取与预处理操作.mp4
│  │      6-生成网络模块构造.mp4
│  │      7-判别网络模块构造.mp4
│  │      8-损失函数：identity loss计算方法.mp4
│  │      9-生成与判别损失函数指定.mp4
│  │      
│  ├─4-stargan论文架构解析
│  │      1-stargan效果演示分析.mp4
│  │      2-网络架构整体思路解读.mp4
│  │      3-建模流程分析.mp4
│  │      4-V1版本存在的问题及后续改进思路.mp4
│  │      5-V2版本在整体网络架构.mp4
│  │      6-编码器训练方法.mp4
│  │      7-损失函数公式解析.mp4
│  │      8-训练过程分析.mp4
│  │      
│  ├─5-stargan项目实战及其源码解读
│  │      1-测试模块效果与实验分析.mp4
│  │      10-生成模块损失计算.mp4
│  │      2-项目配置与数据源下载.mp4
│  │      3-测试效果演示.mp4
│  │      4-项目参数解析.mp4
│  │      5-生成器模块源码解读.mp4
│  │      6-所有网络模块构建实例.mp4
│  │      7-数据读取模块分析.mp4
│  │      8-判别器损失计算.mp4
│  │      9-损失计算详细过程.mp4
│  │      
│  ├─6-基于starganvc2的变声器论文原理解读
│  │      1-论文整体思路与架构解读.mp4
│  │      2-VCC2016输入数据.mp4
│  │      3-语音特征提取.mp4
│  │      4-生成器模型架构分析.mp4
│  │      5-InstanceNorm的作用解读.mp4
│  │      6-AdaIn的目的与效果.mp4
│  │      7-判别器模块分析.mp4
│  │      
│  ├─7-starganvc2变声器项目实战及其源码解读
│  │      1-数据与项目文件解读.mp4
│  │      10-源码损失计算流程.mp4
│  │      11-测试模块-生成转换语音.mp4
│  │      2-环境配置与工具包安装.mp4
│  │      3-数据预处理与声音特征提取.mp4
│  │      4-生成器构造模块解读.mp4
│  │      5-下采样与上采样操作.mp4
│  │      6-starganvc2版本标签输入分析.mp4
│  │      7-生成器前向传播维度变化.mp4
│  │      8-判别器模块解读.mp4
│  │      9-论文损失函数.mp4
│  │      
│  ├─8-图像超分辨率重构实战
│  │      1-论文概述.mp4
│  │      2-网络架构.mp4
│  │      3-数据与环境配置.mp4
│  │      4-数据加载与配置.mp4
│  │      5-生成模块.mp4
│  │      6-判别模块.mp4
│  │      7-VGG特征提取网络.mp4
│  │      8-损失函数与训练.mp4
│  │      9-测试模块.mp4
│  │      
│  └─9-基于GAN的图像补全实战
│          1-论文概述.mp4
│          2-网络架构.mp4
│          3-细节设计.mp4
│          4-论文总结.mp4
│          5-数据与项目概述.mp4
│          6-参数基本设计.mp4
│          7-网络结构配置.mp4
│          8-网络迭代训练.mp4
│          9-测试模块.mp4
│         
├─19-强化学习与AI黑科技实例
│  ├─1-强化学习简介及其应用
│  │      1-一张图通俗解释强化学习.mp4
│  │      2-强化学习的指导依据.mp4
│  │      3-强化学习AI游戏DEMO.mp4
│  │      4-应用领域简介.mp4
│  │      5-强化学习工作流程.mp4
│  │      6-计算机眼中的状态与行为.mp4
│  │      
│  ├─10-CLIP系列
│  │      1-CLIP系列.mp4
│  │      
│  ├─11-Diffusion模型解读
│  │      1-Diffusion模型解读.mp4
│  │      
│  ├─12-Dalle2及其源码解读
│  │      1-Dalle2源码解读.mp4
│  │      
│  ├─13-ChatGPT
│  │      1-ChatGPT.mp4
│  │      
│  ├─2-PPO算法与公式推导
│  │      1-基本情况介绍.mp4
│  │      2-与环境交互得到所需数据.mp4
│  │      3-要完成的目标分析.mp4
│  │      4-策略梯度推导.mp4
│  │      5-baseline方法.mp4
│  │      6-OnPolicy与OffPolicy策略.mp4
│  │      7-importance sampling的作用.mp4
│  │      8-PPO算法整体思路解析.mp4
│  │      
│  ├─3-PPO实战-月球登陆器训练实例
│  │      1-Critic的作用与效果.mp4
│  │      2-PPO2版本公式解读.mp4
│  │      3-参数与网络结构定义.mp4
│  │      4-得到动作结果.mp4
│  │      5-奖励获得与计算.mp4
│  │      6-参数迭代与更新.mp4
│  │      
│  ├─4-Q-learning与DQN算法
│  │      1-整体任务流程演示.mp4
│  │      2-探索与action获取.mp4
│  │      3-计算target值.mp4
│  │      4-训练与更新.mp4
│  │      5-算法原理通俗解读.mp4
│  │      6-目标函数与公式解析.mp4
│  │      7-Qlearning算法实例解读.mp4
│  │      8-Q值迭代求解.mp4
│  │      9-DQN简介.mp4
│  │      
│  ├─5-DQN改进与应用技巧
│  │      1-DoubleDqn要解决的问题.mp4
│  │      2-DuelingDqn改进方法.mp4
│  │      3-Dueling整体网络架构分析.mp4
│  │      4-MultiSetp策略.mp4
│  │      5-连续动作处理方法.mp4
│  │      
│  ├─6-Actor-Critic算法分析（A3C）
│  │      1-AC算法回顾与知识点总结.mp4
│  │      2-优势函数解读与分析.mp4
│  │      3-计算流程实例.mp4
│  │      4-A3C整体架构分析.mp4
│  │      5-损失函数整理.mp4
│  │      
│  ├─7-用A3C玩转超级马里奥
│  │      1-整体流程与环境配置.mp4
│  │      2-启动游戏环境.mp4
│  │      3-要计算的指标回顾.mp4
│  │      4-初始化局部模型并加载参数.mp4
│  │      5-与环境交互得到训练数据.mp4
│  │      6-训练网络模型.mp4
│  │      
│  ├─8-GPT系列生成模型
│  │      1-GPT系列.mp4
│  │      
│  └─9-GPT建模与预测流程
│          1-生成模型可以完成的任务概述.mp4
│          2-数据样本生成方法.mp4
│          3-训练所需参数解读.mp4
│          4-模型训练过程.mp4
│          5-部署与网页预测展示.mp4
│         
├─20-面向医学领域的深度学习实战
│  ├─1-卷积神经网络原理与参数解读
│  │      1-卷积神经网络应用领域.mp4
│  │      10-VGG网络架构.mp4
│  │      11-残差网络Resnet.mp4
│  │      12-感受野的作用.mp4
│  │      2-卷积的作用.mp4
│  │      3-卷积特征值计算方法.mp4
│  │      4-得到特征图表示.mp4
│  │      5-步长与卷积核大小对结果的影响.mp4
│  │      6-边缘填充方法.mp4
│  │      7-特征图尺寸计算与参数共享.mp4
│  │      8-池化层的作用.mp4
│  │      9-整体网络架构.mp4
│  │      
│  ├─10-基于deeplab的心脏视频数据诊断分析
│  │      1-数据集与任务概述.mp4
│  │      2-项目基本配置参数.mp4
│  │      3-任务流程解读.mp4
│  │      4-文献报告分析.mp4
│  │      5-补充：视频数据源特征处理方法概述.mp4
│  │      6-补充：R(2plus1)D处理方法分析.mp4
│  │      
│  ├─11-YOLO系列物体检测算法原理解读
│  │      1-检测任务中阶段的意义.mp4
│  │      10-置信度误差与优缺点分析.mp4
│  │      11-V2版本细节升级概述.mp4
│  │      12-网络结构特点.mp4
│  │      13-架构细节解读.mp4
│  │      14-基于聚类来选择先验框尺寸.mp4
│  │      15-偏移量计算方法.mp4
│  │      16-坐标映射与还原.mp4
│  │      17-感受野的作用.mp4
│  │      18-特征融合改进.mp4
│  │      19-V3版本改进概述.mp4
│  │      2-不同阶段算法优缺点分析.mp4
│  │      20-多scale方法改进与特征融合.mp4
│  │      21-经典变换方法对比分析.mp4
│  │      22-残差连接方法解读.mp4
│  │      23-整体网络模型架构分析.mp4
│  │      24-先验框设计改进.mp4
│  │      25-sotfmax层改进.mp4
│  │      26-V4版本整体概述.mp4
│  │      27-V4版本贡献解读.mp4
│  │      28-数据增强策略分析.mp4
│  │      29-DropBlock与标签平滑方法.mp4
│  │      3-IOU指标计算.mp4
│  │      30-损失函数遇到的问题.mp4
│  │      31-CIOU损失函数定义.mp4
│  │      32-NMS细节改进.mp4
│  │      33-SPP与CSP网络结构.mp4
│  │      34-SAM注意力机制模块.mp4
│  │      35-PAN模块解读.mp4
│  │      36-激活函数与整体架构总结.mp4
│  │      4-评估所需参数计算.mp4
│  │      5-map指标计算.mp4
│  │      6-YOLO算法整体思路解读.mp4
│  │      7-检测算法要得到的结果.mp4
│  │      8-整体网络架构解读.mp4
│  │      9-位置损失计算.mp4
│  │      
│  ├─12-基于YOLO5细胞检测实战
│  │      1-任务与细胞数据集介绍.mp4
│  │      2-模型与算法配置参数解读.mp4
│  │      3-网络训练流程演示.mp4
│  │      4-效果评估与展示.mp4
│  │      5-细胞检测效果演示.mp4
│  │      
│  ├─13-知识图谱原理解读
│  │      1-知识图谱通俗解读.mp4
│  │      10-视觉领域图编码实例.mp4
│  │      11-图谱知识融合与总结分析.mp4
│  │      2-知识图谱在搜索引擎中的应用.mp4
│  │      3-知识图谱在医疗领域应用实例.mp4
│  │      4-金融与推荐领域的应用.mp4
│  │      5-数据获取分析.mp4
│  │      6-数据关系抽取分析.mp4
│  │      7-常用NLP技术点分析.mp4
│  │      8-graph-embedding的作用与效果.mp4
│  │      9-金融领域图编码实例.mp4
│  │      
│  ├─14-Neo4j数据库实战
│  │      1-Neo4j图数据库介绍.mp4
│  │      2-Neo4j数据库安装流程演示.mp4
│  │      3-可视化例子演示.mp4
│  │      4-创建与删除操作演示.mp4
│  │      5-数据库更改查询操作演示.mp4
│  │      
│  ├─15-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.mp4
│  │      10-完成对话系统构建.mp4
│  │      2-医疗数据介绍及其各字段含义.mp4
│  │      3-任务流程概述.mp4
│  │      4-环境配置与所需工具包安装.mp4
│  │      5-提取数据中的关键字段信息.mp4
│  │      6-创建关系边.mp4
│  │      7-打造医疗知识图谱模型.mp4
│  │      8-加载所有实体数据.mp4
│  │      9-实体关键词字典制作.mp4
│  │      
│  ├─16-词向量模型与RNN网络架构
│  │      1-词向量模型通俗解释.mp4
│  │      2-模型整体框架.mp4
│  │      3-训练数据构建.mp4
│  │      4-CBOW与Skip-gram模型.mp4
│  │      5-负采样方案.mp4
│  │      6-额外补充-RNN网络模型解读.mp4
│  │      
│  ├─17-医学糖尿病数据命名实体识别
│  │      1-数据与任务介绍.mp4
│  │      2-整体模型架构.mp4
│  │      3-数据-标签-语料库处理.mp4
│  │      4-输入样本填充补齐.mp4
│  │      5-训练网络模型.mp4
│  │      6-医疗数据集（糖尿病）实体识别.mp4
│  │      
│  ├─2-PyTorch框架基本处理操作
│  │      1-PyTorch实战课程简介.mp4
│  │      2-PyTorch框架发展趋势简介.mp4
│  │      3-框架安装方法（CPU与GPU版本）.mp4
│  │      4-PyTorch基本操作简介.mp4
│  │      5-自动求导机制.mp4
│  │      6-线性回归DEMO-数据与参数配置.mp4
│  │      7-线性回归DEMO-训练回归模型.mp4
│  │      8-补充：常见tensor格式.mp4
│  │      9-补充：Hub模块简介.mp4
│  │      
│  ├─3-PyTorch框架必备核心模块解读
│  │      1-卷积网络参数定义.mp4
│  │      10-加载训练好的网络模型.mp4
│  │      11-优化器模块配置.mp4
│  │      12-实现训练模块.mp4
│  │      13-训练结果与模型保存.mp4
│  │      14-加载模型对测试数据进行预测.mp4
│  │      15-额外补充-Resnet论文解读.mp4
│  │      16-额外补充-Resnet网络架构解读.mp4
│  │      2-网络流程解读.mp4
│  │      3-Vision模块功能解读.mp4
│  │      4-分类任务数据集定义与配置.mp4
│  │      5-图像增强的作用.mp4
│  │      6-数据预处理与数据增强模块.mp4
│  │      7-Batch数据制作.mp4
│  │      8-迁移学习的目标.mp4
│  │      9-迁移学习策略.mp4
│  │      
│  ├─4-基于Resnet的医学数据集分类实战
│  │      1-医学疾病数据集介绍.mp4
│  │      2-Resnet网络架构原理分析.mp4
│  │      3-dataloader加载数据集.mp4
│  │      4-Resnet网络前向传播.mp4
│  │      5-残差网络的shortcut操作.mp4
│  │      6-特征图升维与降采样操作.mp4
│  │      7-网络整体流程与训练演示.mp4
│  │      
│  ├─5-图像分割及其损失函数概述
│  │      1-语义分割与实例分割概述.mp4
│  │      2-分割任务中的目标函数定义.mp4
│  │      3-MIOU评估标准.mp4
│  │      
│  ├─6-Unet系列算法讲解
│  │      1-Unet网络编码与解码过程.mp4
│  │      2-网络计算流程.mp4
│  │      3-Unet升级版本改进.mp4
│  │      4-后续升级版本介绍.mp4
│  │      
│  ├─7-unet医学细胞分割实战
│  │      1-医学细胞数据集介绍与参数配置.mp4
│  │      2-数据增强工具.mp4
│  │      3-Debug模式演示网络计算流程.mp4
│  │      4-特征融合方法演示.mp4
│  │      5-迭代完成整个模型计算任务.mp4
│  │      6-模型效果验证.mp4
│  │      
│  ├─8-deeplab系列算法
│  │      1-deeplab分割算法概述.mp4
│  │      2-空洞卷积的作用.mp4
│  │      3-感受野的意义.mp4
│  │      4-SPP层的作用.mp4
│  │      5-ASPP特征融合策略.mp4
│  │      6-deeplabV3Plus版本网络架构.mp4
│  │      
│  └─9-基于deeplabV3+版本进行VOC分割实战
│          1-PascalVoc数据集介绍.mp4
│          2-项目参数与数据集读取.mp4
│          3-网络前向传播流程.mp4
│          4-ASPP层特征融合.mp4
│          5-分割模型训练.mp4
│         
├─21-CV与NLP经典大模型解读
│  ├─1-课程简介
│  │      1-课程简介.mp4
│  │      
│  ├─10-openai-dalle2论文解读
│  │      1-论文基本思想与核心模块分析.mp4
│  │      2-不同模块对比分析.mp4
│  │      3-算法核心流程解读.mp4
│  │      4-各模块实现细节讲解.mp4
│  │      
│  ├─11-openai-dalle2源码解读
│  │      1-项目整体流程分析.mp4
│  │      2-源码实现细节分析.mp4
│  │      3-源码公式对应论文分析.mp4
│  │      4-Decoder模块实现细节解读.mp4
│  │      5-源码实现流程总结.mp4
│  │      
│  ├─12-自监督任务-对比学习思想
│  │      1-对比学习要解决的问题分析.mp4
│  │      2-正负样本构建方法.mp4
│  │      3-Simclr框架流程分析.mp4
│  │      4-下游任务应用概述.mp4
│  │      
│  ├─13-视觉自监督BEIT算法解读
│  │      1-视觉自监督任务分析.mp4
│  │      2-任务训练目标分析.mp4
│  │      3-建模流程分析与效果展示.mp4
│  │      4-codebook模块的作用.mp4
│  │      5-任务总结分析.mp4
│  │      
│  ├─14-视觉自监督任务BEITV2论文解读
│  │      1-BEITV2版本论文出发点解读.mp4
│  │      2-自监督任务中两大核心任务分析.mp4
│  │      3-整体网络架构图分析.mp4
│  │      4-框架实现细节流程分析.mp4
│  │      5-论文细节模块实现解读.mp4
│  │      
│  ├─15-视觉自监督任务BEITV2源码解读
│  │      1-mmselfup源码实现解读.mp4
│  │      2-网络结构搭建细节解读.mp4
│  │      3-源码实现流程总结.mp4
│  │      
│  ├─16-BEV感知特征空间算法解读
│  │      1-BEV要解决的问题通俗解读.mp4
│  │      10-整体架构总结.mp4
│  │      2-BEV中的3D与4D分析.mp4
│  │      3-特征融合过程中可能遇到的问题.mp4
│  │      4-BEV汇总特征方法实例解读.mp4
│  │      5-DeformableAttention回顾.mp4
│  │      6-空间注意力模块解读.mp4
│  │      7-时间模块与拓展补充.mp4
│  │      8-论文知识点分析.mp4
│  │      9-核心模块论文分析.mp4
│  │      
│  ├─17-BEVformer项目源码解读
│  │      1-环境配置方法解读.mp4
│  │      10-获取当前BEV特征.mp4
│  │      11-Decoder级联校正模块.mp4
│  │      12-损失函数与预测可视化.mp4
│  │      2-数据集下载与配置方法.mp4
│  │      3-特征提取以及BEV空间初始化.mp4
│  │      4-特征对齐与位置编码初始化.mp4
│  │      5-Reference初始点构建.mp4
│  │      6-BEV空间与图像空间位置对应.mp4
│  │      7-注意力机制模块计算方法.mp4
│  │      8-BEV空间特征构建.mp4
│  │      9-Decoder要完成的任务分析.mp4
│  │      
│  ├─18-补充-视觉大模型基础-deformableAttention
│  │      1-DeformableAttention概述分析.mp4
│  │      2-可变形偏移量分析.mp4
│  │      3-应用场景分析解读.mp4
│  │      4-论文计算公式解读.mp4
│  │      5-整体框架流程实例.mp4
│  │      6-下游任务应用场景.mp4
│  │      
│  ├─2-GPT系列算法解读
│  │      1-GPT系列算法概述.mp4
│  │      2-GPT三代版本分析.mp4
│  │      3-GPT初代版本要解决的问题.mp4
│  │      4-GPT第二代版本训练策略.mp4
│  │      5-采样策略与多样性.mp4
│  │      6-GPT3的提示与生成方法.mp4
│  │      7-应用场景CODEX分析.mp4
│  │      8-DEMO应用演示.mp4
│  │      
│  ├─3-GPT2训练与预测部署流程
│  │      1-生成模型可以完成的任务概述.mp4
│  │      2-数据样本生成方法.mp4
│  │      3-训练所需参数解读.mp4
│  │      4-模型训练过程.mp4
│  │      5-部署与网页预测展示.mp4
│  │      
│  ├─4-chatgpt算法解读分析
│  │      1-chatgpt概述.mp4
│  │      2-挑战及其与有监督问题差异.mp4
│  │      3-强化学习登场.mp4
│  │      4-强化学习的作用效果.mp4
│  │      5-奖励模型设计方法.mp4
│  │      6-RLHF训练流程解读.mp4
│  │      7-总结分析.mp4
│  │      
│  ├─5-LLM与LORA微调策略解读
│  │      1-大模型如何做下游任务.mp4
│  │      2-LLM落地微调分析.mp4
│  │      3-LLAMA与LORA介绍.mp4
│  │      4-LORA微调的核心思想.mp4
│  │      5-LORA模型实现细节.mp4
│  │      
│  ├─6-LLM下游任务训练自己模型实战
│  │      1-提示工程的作用.mp4
│  │      2-基本API调用方法.mp4
│  │      3-数据文档切分操作.mp4
│  │      4-样本索引与向量构建.mp4
│  │      5-数据切块方法.mp4
│  │      
│  ├─7-视觉大模型SAM
│  │      1-DEMO效果演示.mp4
│  │      2-论文解读分析.mp4
│  │      3-完成的任务分析.mp4
│  │      4-数据闭环方法.mp4
│  │      5-预训练模型的作用.mp4
│  │      6-Decoder的作用与项目源码.mp4
│  │      7-分割任务模块设计.mp4
│  │      8-实现细节分析.mp4
│  │      9-总结分析.mp4
│  │      
│  ├─8-视觉QA算法与论文解读
│  │      1-视觉QA要解决的问题.mp4
│  │      2-论文概述分析.mp4
│  │      3-实现流程路线图.mp4
│  │      4-答案关注区域分析.mp4
│  │      5-VQA任务总结.mp4
│  │      
│  └─9-扩散模型diffusion架构算法解读
│          1-扩散模型概述与GAN遇到的问题.mp4
│          10-基本建模训练效果.mp4
│          2-要完成的任务分析.mp4
│          3-公式原理推导解读.mp4
│          4-分布相关计算操作.mp4
│          5-算法实现细节推导.mp4
│          6-公式推导结果分析.mp4
│          7-细节实现总结.mp4
│          8-论文流程图解读.mp4
│          9-案例流程分析.mp4
│         
├─22-深度学习模型部署与剪枝优化实战
│  ├─1-AIoT人工智能物联网之认识 jetson nano
│  │      1- jetson nano 硬件介绍.mp4
│  │      2-jetson nano 刷机.mp4
│  │      3- jetson nano 系统安装过程.mp4
│  │      4-感受nano的GPU算力.mp4
│  │      5-安装使用摄像头csi usb.mp4
│  │      
│  ├─10-模型剪枝-Network Slimming算法分析
│  │      1-论文算法核心框架概述.mp4
│  │      2-BatchNorm要解决的问题.mp4
│  │      3-BN的本质作用.mp4
│  │      4-额外的训练参数解读.mp4
│  │      5-稀疏化原理与效果.mp4
│  │      
│  ├─11-模型剪枝-Network Slimming实战解读
│  │      1-整体案例流程解读.mp4
│  │      2-加入L1正则化来进行更新.mp4
│  │      3-剪枝模块介绍.mp4
│  │      4-筛选需要的特征图.mp4
│  │      5-剪枝后模型参数赋值.mp4
│  │      6-微调完成剪枝模型.mp4
│  │      
│  ├─12-Mobilenet三代网络模型架构
│  │      1-模型剪枝分析.mp4
│  │      10-V2整体架构与效果分析.mp4
│  │      11-V3版本网络架构分析.mp4
│  │      12-SE模块作用与效果解读.mp4
│  │      13-代码实现mobilenetV3网络架构.mp4
│  │      2-常见剪枝方法介绍.mp4
│  │      3-mobilenet简介.mp4
│  │      4-经典卷积计算量与参数量分析.mp4
│  │      5-深度可分离卷积的作用与效果.mp4
│  │      6-参数与计算量的比较.mp4
│  │      7-V1版本效果分析.mp4
│  │      8-V2版本改进以及Relu激活函数的问题.mp4
│  │      9-倒残差结构的作用.mp4
│  │      
│  ├─2-AIoT人工智能物联网之AI 实战
│  │      1- jetson-inference 入门.mp4
│  │      2-docker 的安装使用.mp4
│  │      3-docker中运行分类模型.mp4
│  │      4-训练自己的目标检测模型准备.mp4
│  │      5- 训练出自己目标识别模型a.mp4
│  │      6-训练出自己目标识别模型b.mp4
│  │      7-转换出onnx模型，并使用.mp4
│  │      
│  ├─3-AIoT人工智能物联网之NVIDIA TAO 实用级的训练神器
│  │      1-NVIDIA TAO介绍和安装.mp4
│  │      2-NVIDIA TAO数据准备和环境设置.mp4
│  │      3-NVIDIA TAO数据转换.mp4
│  │      4-NVIDIA TAO预训练模型和训练a.mp4
│  │      5-NVIDIA TAO预训练模型和训练b.mp4
│  │      6-NVIDIA TAO预训练模型和训练c..mp4
│  │      7-TAO 剪枝在训练推理验证.mp4
│  │      
│  ├─4- AIoT人工智能物联网之deepstream
│  │      1-deepstream 介绍安装.mp4
│  │      2-deepstream HelloWorld.mp4
│  │      3-GStreamer RTP和RTSP1.mp4
│  │      4-GStreamer RTP和RTSP2.mp4
│  │      5-python实现RTP和RTSP.mp4
│  │      6-deepstream推理.mp4
│  │      7-deepstream集成yolov4.mp4
│  │      
│  ├─6-pyTorch框架部署实践
│  │      1-所需基本环境配置.mp4
│  │      2-模型加载与数据预处理.mp4
│  │      3-接收与预测模块实现.mp4
│  │      4-效果实例演示.mp4
│  │      5-课程简介.mp4
│  │      
│  ├─7-YOLO-V3物体检测部署实例
│  │      1-项目所需配置文件介绍.mp4
│  │      2-加载参数与模型权重.mp4
│  │      3-数据预处理.mp4
│  │      4-返回线性预测结果.mp4
│  │      
│  ├─8-docker实例演示
│  │      1-docker简介.mp4
│  │      2-docker安装与配置.mp4
│  │      3-阿里云镜像配置.mp4
│  │      4-基于docker配置pytorch环境.mp4
│  │      5-安装演示环境所需依赖.mp4
│  │      6-复制所需配置到容器中.mp4
│  │      7-上传与下载配置好的项目.mp4
│  │      
│  └─9-tensorflow-serving实战
│          1-tf-serving项目获取与配置.mp4
│          2-加载并启动模型服务.mp4
│          3-测试模型部署效果.mp4
│          4-fashion数据集获取.mp4
│          5-加载fashion模型启动服务.mp4
│         
├─23-自然语言处理经典案例实战
│  ├─1-NLP常用工具包实战
│  │      1-Python字符串处理.mp4
│  │      10-名字实体匹配.mp4
│  │      11-恐怖袭击分析.mp4
│  │      12-统计分析结果.mp4
│  │      13-结巴分词器.mp4
│  │      14-词云展示.mp4
│  │      2-正则表达式基本语法.mp4
│  │      3-正则常用符号.mp4
│  │      4-常用函数介绍.mp4
│  │      5-NLTK工具包简介.mp4
│  │      6-停用词过滤.mp4
│  │      7-词性标注.mp4
│  │      8-数据清洗实例.mp4
│  │      9-Spacy工具包.mp4
│  │      
│  ├─10-NLP-文本特征方法对比
│  │      1-任务概述.mp4
│  │      2-词袋模型.mp4
│  │      3-词袋模型分析.mp4
│  │      4-TFIDF模型.mp4
│  │      5-word2vec词向量模型.mp4
│  │      6-深度学习模型.mp4
│  │      
│  ├─11-NLP-相似度模型
│  │      1-任务概述.mp4
│  │      2-数据展示.mp4
│  │      3-正负样本制作.mp4
│  │      4-数据预处理.mp4
│  │      5-网络模型定义.mp4
│  │      6-基于字符的训练.mp4
│  │      7-基于句子的相似度训练.mp4
│  │      
│  ├─12-LSTM情感分析
│  │      1-RNN网络架构.mp4
│  │      2-LSTM网络架构.mp4
│  │      3-案例：使用LSTM进行情感分类.mp4
│  │      4-情感数据集处理.mp4
│  │      5-基于word2vec的LSTM模型.mp4
│  │      
│  ├─13-机器人写唐诗
│  │      1-任务概述与环境配置.mp4
│  │      2-参数配置.mp4
│  │      3-数据预处理模块.mp4
│  │      4-batch数据制作.mp4
│  │      5-RNN模型定义.mp4
│  │      6-完成训练模块.mp4
│  │      7-训练唐诗生成模型.mp4
│  │      8-测试唐诗生成效果.mp4
│  │      
│  ├─14-对话机器人
│  │      1-效果演示.mp4
│  │      2-参数配置与数据加载.mp4
│  │      3-数据处理.mp4
│  │      4-词向量与投影.mp4
│  │      5-seq网络.mp4
│  │      6-网络训练.mp4
│  │      
│  ├─2-商品信息可视化与文本分析
│  │      1-在线商城商品数据信息概述.mp4
│  │      2-商品类别划分方式.mp4
│  │      3-商品类别可视化展示.mp4
│  │      4-商品描述长度对价格的影响分析.mp4
│  │      5-关键词的词云可视化展示.mp4
│  │      6-基于tf-idf提取关键词信息.mp4
│  │      7-通过降维进行可视化展示.mp4
│  │      8-聚类分析与主题模型展示.mp4
│  │      
│  ├─3-贝叶斯算法
│  │      1-贝叶斯算法概述.mp4
│  │      2-贝叶斯推导实例.mp4
│  │      3-贝叶斯拼写纠错实例.mp4
│  │      4-垃圾邮件过滤实例.mp4
│  │      5-贝叶斯实现拼写检查器.mp4
│  │      
│  ├─4-新闻分类任务实战
│  │      1-文本分析与关键词提取.mp4
│  │      2-相似度计算.mp4
│  │      3-新闻数据与任务简介.mp4
│  │      4-TF-IDF关键词提取.mp4
│  │      5-LDA建模.mp4
│  │      6-基于贝叶斯算法进行新闻分类.mp4
│  │      
│  ├─5-HMM隐马尔科夫模型
│  │      1-马尔科夫模型.mp4
│  │      10-维特比算法.mp4
│  │      2-隐马尔科夫模型基本出发点.mp4
│  │      3-组成与要解决的问题.mp4
│  │      4-暴力求解方法.mp4
│  │      5-复杂度计算.mp4
│  │      6-前向算法.mp4
│  │      7-前向算法求解实例.mp4
│  │      8-Baum-Welch算法.mp4
│  │      9-参数求解.mp4
│  │      
│  ├─6-HMM工具包实战
│  │      1-hmmlearn工具包.mp4
│  │      2-工具包使用方法.mp4
│  │      3-中文分词任务.mp4
│  │      4-实现中文分词.mp4
│  │      
│  ├─7-语言模型
│  │      1-开篇.mp4
│  │      10-负采样模型.mp4
│  │      2-语言模型.mp4
│  │      3-N-gram模型.mp4
│  │      4-词向量.mp4
│  │      5-神经网络模型.mp4
│  │      6-Hierarchical Softmax.mp4
│  │      7-CBOW模型实例.mp4
│  │      8-CBOW求解目标.mp4
│  │      9-锑度上升求解.mp4
│  │      
│  ├─8-使用Gemsim构建词向量
│  │      1-使用Gensim库构造词向量.mp4
│  │      2-维基百科中文数据处理.mp4
│  │      3-Gensim构造word2vec模型.mp4
│  │      4-测试模型相似度结果.mp4
│  │      
│  └─9-基于word2vec的分类任务
│          1-影评情感分类.mp4
│          2-基于词袋模型训练分类器.mp4
│          3-准备word2vec输入数据.mp4
│          4-使用gensim构建word2vec词向量（新）.mp4
│         
├─24-自然语言处理必备神器Huggingface系列实战
│  ├─1-Huggingface与NLP介绍解读
│  │      1-Huggingface与NLP介绍解读.mp4
│  │      
│  ├─10-图谱知识抽取实战
│  │      1-应用场景概述分析.mp4
│  │      2-数据标注格式样例分析.mp4
│  │      3-数据处理与读取模块.mp4
│  │      4-实体抽取模块分析.mp4
│  │      5-标签与数据结构定义方法.mp4
│  │      6-模型构建与计算流程.mp4
│  │      7-网络模型前向计算方法.mp4
│  │      8-关系抽取模型训练.mp4
│  │      
│  ├─11-补充Huggingface数据集制作方法实例
│  │      1-数据结构分析.mp4
│  │      2-Huggingface中的预处理实例.mp4
│  │      3-数据处理基本流程.mp4
│  │      
│  ├─2-Transformer工具包基本操作实例解读
│  │      1-工具包与任务整体介绍.mp4
│  │      2-NLP任务常规流程分析.mp4
│  │      3-文本切分方法实例解读.mp4
│  │      4-AttentionMask配套使用方法.mp4
│  │      5-数据集与模型.mp4
│  │      6-数据Dataloader封装.mp4
│  │      7-模型训练所需配置参数.mp4
│  │      8-模型训练DEMO.mp4
│  │      
│  ├─3-transformer原理解读
│  │      1-transformer原理解读.mp4
│  │      
│  ├─4-BERT系列算法解读
│  │      1-BERT模型训练方法解读.mp4
│  │      2-ALBERT基本定义.mp4
│  │      3-ALBERT中的简化方法解读.mp4
│  │      4-RoBerta模型训练方法解读.mp4
│  │      5-DistilBert模型解读.mp4
│  │      
│  ├─5-文本标注工具与NER实例
│  │      1-文本标注工具Doccano配置方法.mp4
│  │      2-命名实体识别任务标注方法实例.mp4
│  │      3-标注导出与BIO处理.mp4
│  │      4-标签处理并完成对齐操作.mp4
│  │      5-预训练模型加载与参数配置.mp4
│  │      6-模型训练与输出结果预测.mp4
│  │      
│  ├─6-文本预训练模型构建实例
│  │      1-预训练模型效果分析.mp4
│  │      2-文本数据截断处理.mp4
│  │      3-预训练模型自定义训练.mp4
│  │      
│  ├─7-GPT系列算法
│  │      1-GPT系列算法概述.mp4
│  │      2-GPT三代版本分析.mp4
│  │      3-GPT初代版本要解决的问题.mp4
│  │      4-GPT第二代版本训练策略.mp4
│  │      5-采样策略与多样性.mp4
│  │      6-GPT3的提示与生成方法.mp4
│  │      7-应用场景CODEX分析.mp4
│  │      8-DEMO应用演示.mp4
│  │      
│  ├─8-GPT训练与预测部署流程
│  │      1-生成模型可以完成的任务概述.mp4
│  │      2-数据样本生成方法.mp4
│  │      3-训练所需参数解读.mp4
│  │      4-模型训练过程.mp4
│  │      5-部署与网页预测展示.mp4
│  │      
│  └─9-文本摘要建模
│          1-中文商城评价数据处理方法.mp4
│          2-模型训练与测试结果.mp4
│          3-文本摘要数据标注方法.mp4
│          4-训练自己标注的数据并测试.mp4
│         
├─25-时间序列预测
│  ├─1-Informer原理解读
│  │      1-时间序列预测要完成的任务.mp4
│  │      2-常用模块分析.mp4
│  │      3-论文要解决的问题分析.mp4
│  │      4-Query采样方法解读.mp4
│  │      5-probAttention计算流程.mp4
│  │      6-编码器全部计算流程.mp4
│  │      7-解码器流程分析.mp4
│  │      
│  ├─2-Informer源码解读
│  │      1-项目使用说明.mp4
│  │      10-核心采样计算方法.mp4
│  │      11-完成注意力机制计算模块.mp4
│  │      12-平均向量的作用.mp4
│  │      13-解码器预测输出.mp4
│  │      2-数据集解读.mp4
│  │      3-模型训练所需参数解读.mp4
│  │      4-数据集构建与读取方式.mp4
│  │      5-数据处理相关模块.mp4
│  │      6-时间相关特征提取方法.mp4
│  │      7-dataloader构建实例.mp4
│  │      8-整体架构分析.mp4
│  │      9-编码器模块实现.mp4
│  │      
│  └─3-Timesnet时序预测
│          1-时序预测故事背景.mp4
│          2-论文核心思想解读.mp4
│          3-时序特征周期拆解.mp4
│          4-计算公式流程拆解.mp4
│          5-全部计算流程解读.mp4
│          6-周期间特征分析.mp4
│          7-源码流程解读.mp4
│          8-傅里叶变换流程.mp4
│         
├─26-自然语言处理通用框架-BERT实战
│  ├─1-自然语言处理通用框架BERT原理解读
│  │      1-BERT课程简介.mp4
│  │      10-BERT模型训练方法.mp4
│  │      11-训练实例.mp4
│  │      2-BERT任务目标概述.mp4
│  │      3-传统解决方案遇到的问题.mp4
│  │      4-注意力机制的作用.mp4
│  │      5-self-attention计算方法.mp4
│  │      6-特征分配与softmax机制.mp4
│  │      7-Multi-head的作用.mp4
│  │      8-位置编码与多层堆叠.mp4
│  │      9-transformer整体架构梳理.mp4
│  │      
│  ├─2-谷歌开源项目BERT源码解读与应用实例
│  │      1-BERT开源项目简介.mp4
│  │      10-构建QKV矩阵.mp4
│  │      11-完成Transformer模块构建.mp4
│  │      12-训练BERT模型.mp4
│  │      2-项目参数配置.mp4
│  │      3-数据读取模块.mp4
│  │      4-数据预处理模块.mp4
│  │      5-tfrecord数据源制作.mp4
│  │      6-Embedding层的作用.mp4
│  │      7-加入额外编码特征.mp4
│  │      8-加入位置编码特征.mp4
│  │      9-mask机制的作用.mp4
│  │      
│  ├─3-项目实战-基于BERT的中文情感分析实战
│  │      1-中文分类数据与任务概述.mp4
│  │      2-读取处理自己的数据集.mp4
│  │      3-训练BERT中文分类模型.mp4
│  │      
│  ├─4-项目实战-基于BERT的中文命名实体识别识别实战
│  │      1-命名实体识别数据分析与任务目标.mp4
│  │      2-NER标注数据处理与读取.mp4
│  │      3-构建BERT与CRF模型.mp4
│  │      
│  ├─5-必备基础知识点-woed2vec模型通俗解读
│  │      1-词向量模型通俗解释.mp4
│  │      2-模型整体框架.mp4
│  │      3-训练数据构建.mp4
│  │      4-CBOW与Skip-gram模型.mp4
│  │      5-负采样方案.mp4
│  │      
│  ├─6-必备基础-掌握Tensorflow如何实现word2vec模型
│  │      1-数据与任务流程.mp4
│  │      2-数据清洗.mp4
│  │      3-batch数据制作.mp4
│  │      4-网络训练.mp4
│  │      5-可视化展示.mp4
│  │      
│  ├─7-必备基础知识点-RNN网络架构与情感分析应用实例
│  │      1-RNN网络模型解读.mp4
│  │      2-NLP应用领域与任务简介.mp4
│  │      3-项目流程解读.mp4
│  │      4-加载词向量特征.mp4
│  │      5-正负样本数据读取.mp4
│  │      6-构建LSTM网络模型.mp4
│  │      7-训练与测试效果.mp4
│  │      8-LSTM情感分析.mp4
│  │      
│  └─8-医学糖尿病数据命名实体识别
│          1-数据与任务介绍.mp4
│          2-整体模型架构.mp4
│          3-数据-标签-语料库处理.mp4
│          4-训练网络模型.mp4
│          5-医疗数据集（糖尿病）实体识别.mp4
│          6-输入样本填充补齐.mp4
│         
├─27-知识图谱实战系列
│  ├─1-知识图谱介绍及其应用领域分析
│  │      1-知识图谱通俗解读.mp4
│  │      2-知识图谱在搜索引擎中的应用.mp4
│  │      3-知识图谱在医疗领域应用实例.mp4
│  │      4-金融与推荐领域的应用.mp4
│  │      5-数据获取分析.mp4
│  │      
│  ├─2-知识图谱涉及技术点分析
│  │      1-数据关系抽取分析.mp4
│  │      2-常用NLP技术点分析.mp4
│  │      3-graph-embedding的作用与效果.mp4
│  │      4-金融领域图编码实例.mp4
│  │      5-视觉领域图编码实例.mp4
│  │      6-图谱知识融合与总结分析.mp4
│  │      
│  ├─3-Neo4j数据库实战
│  │      1-Neo4j图数据库介绍.mp4
│  │      2-Neo4j数据库安装流程演示.mp4
│  │      3-可视化例子演示.mp4
│  │      4-创建与删除操作演示.mp4
│  │      5-数据库更改查询操作演示.mp4
│  │      
│  ├─4-使用python操作neo4j实例
│  │      1-使用Py2neo建立连接.mp4
│  │      2-提取所需的指标信息.mp4
│  │      3-在图中创建实体.mp4
│  │      4-根据给定实体创建关系.mp4
│  │      
│  ├─5-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.mp4
│  │      10-完成对话系统构建.mp4
│  │      2-医疗数据介绍及其各字段含义.mp4
│  │      3-任务流程概述.mp4
│  │      4-环境配置与所需工具包安装.mp4
│  │      5-提取数据中的关键字段信息.mp4
│  │      6-创建关系边.mp4
│  │      7-打造医疗知识图谱模型.mp4
│  │      8-加载所有实体数据.mp4
│  │      9-实体关键词字典制作.mp4
│  │      
│  ├─6-文本关系抽取实践
│  │      1-关系抽取要完成的任务演示与分析.mp4
│  │      2-LTP工具包概述介绍.mp4
│  │      3-pyltp安装与流程演示.mp4
│  │      4-得到分词与词性标注结果.mp4
│  │      5-依存句法概述.mp4
│  │      6-句法分析结果整理.mp4
│  │      7-语义角色构建与分析.mp4
│  │      8-设计规则完成关系抽取.mp4
│  │      
│  ├─7-金融平台风控模型实践
│  │      1-竞赛任务目标.mp4
│  │      2-图模型信息提取.mp4
│  │      3-节点权重特征提取(PageRank).mp4
│  │      4-deepwalk构建图顶点特征.mp4
│  │      5-各项统计特征.mp4
│  │      6-app安装特征.mp4
│  │      7-图中联系人特征.mp4
│  │      
│  └─8-医学糖尿病数据命名实体识别
│          1-数据与任务介绍.mp4
│          2-整体模型架构.mp4
│          3-数据-标签-语料库处理.mp4
│          4-输入样本填充补齐.mp4
│          5-训练网络模型.mp4
│          6-医疗数据集（糖尿病）实体识别.mp4
│         
├─28-语音识别实战系列
│  ├─1-seq2seq序列网络模型
│  │      1-序列网络模型概述分析.mp4
│  │      2-工作原理概述.mp4
│  │      3-注意力机制的作用.mp4
│  │      4-加入attention的序列模型整体架构.mp4
│  │      5-TeacherForcing的作用与训练策略.mp4
│  │      6-额外补充-RNN网络模型解读.mp4
│  │      
│  ├─2-LAS模型语音识别实战
│  │      1-数据源与环境配置.mp4
│  │      2-语料表制作方法.mp4
│  │      3-制作json标注数据.mp4
│  │      4-声音数据处理模块解读.mp4
│  │      5-Pack与Pad操作解析.mp4
│  │      6-编码器模块整体流程.mp4
│  │      7-加入注意力机制.mp4
│  │      8-计算得到每个输出的attention得分.mp4
│  │      9-解码器与训练过程演示.mp4
│  │      
│  ├─3-starganvc2变声器论文原理解读
│  │      1-论文整体思路与架构解读.mp4
│  │      2-VCC2016输入数据.mp4
│  │      3-语音特征提取.mp4
│  │      4-生成器模型架构分析.mp4
│  │      5-InstanceNorm的作用解读.mp4
│  │      6-AdaIn的目的与效果.mp4
│  │      7-判别器模块分析.mp4
│  │      
│  ├─4-staeganvc2变声器源码实战
│  │      1-数据与项目文件解读.mp4
│  │      10-源码损失计算流程.mp4
│  │      11-测试模块-生成转换语音.mp4
│  │      2-环境配置与工具包安装.mp4
│  │      3-数据预处理与声音特征提取.mp4
│  │      4-生成器构造模块解读.mp4
│  │      5-下采样与上采样操作.mp4
│  │      6-starganvc2版本标签输入分析.mp4
│  │      7-生成器前向传播维度变化.mp4
│  │      8-判别器模块解读.mp4
│  │      9-论文损失函数.mp4
│  │      
│  ├─5-语音分离ConvTasnet模型
│  │      1-语音分离任务分析.mp4
│  │      2-经典语音分离模型概述.mp4
│  │      3-DeepClustering论文解读.mp4
│  │      4-TasNet编码器结构分析.mp4
│  │      5-DW卷积的作用与效果.mp4
│  │      6-基于Mask得到分离结果.mp4
│  │      
│  ├─6-ConvTasnet语音分离实战
│  │      1-数据准备与环境配置.mp4
│  │      2-训练任务所需参数介绍.mp4
│  │      3-DataLoader定义.mp4
│  │      4-采样数据特征编码.mp4
│  │      5-编码器特征提取.mp4
│  │      6-构建更大的感受区域.mp4
│  │      7-解码得到分离后的语音.mp4
│  │      8-测试模块所需参数.mp4
│  │      
│  └─7-语音合成tacotron最新版实战
│          1-语音合成项目所需环境配置.mp4
│          10-得到加权的编码向量.mp4
│          11-模型输出结果.mp4
│          12-损失函数与预测.mp4
│          2-所需数据集介绍.mp4
│          3-路径配置与整体流程解读.mp4
│          4-Dataloader构建数据与标签.mp4
│          5-编码层要完成的任务.mp4
│          6-得到编码特征向量.mp4
│          7-解码器输入准备.mp4
│          8-解码器流程梳理.mp4
│          9-注意力机制应用方法.mp4
│         
├─29-推荐系统实战系列
│  ├─1-推荐系统介绍及其应用
│  │      1-1-推荐系统通俗解读.mp4
│  │      2-2-推荐系统发展简介.mp4
│  │      3-3-应用领域与多方位评估指标.mp4
│  │      4-4-任务流程与挑战概述.mp4
│  │      5-5-常用技术点分析.mp4
│  │      6-6-与深度学习的结合.mp4
│  │      
│  ├─10-基本统计分析的电影推荐
│  │      1-1-电影数据与环境配置.mp4
│  │      2-2-数据与关键词信息展示.mp4
│  │      3-3-关键词云与直方图展示.mp4
│  │      4-4-特征可视化.mp4
│  │      5-5-数据清洗概述.mp4
│  │      6-6-缺失值填充方法.mp4
│  │      7-7-推荐引擎构造.mp4
│  │      8-8-数据特征构造.mp4
│  │      9-9-得出推荐结果.mp4
│  │      
│  ├─11-补充-基于相似度的酒店推荐系统
│  │      1-1-酒店数据与任务介绍.mp4
│  │      2-2-文本词频统计.mp4
│  │      3-3-ngram结果可视化展示.mp4
│  │      4-4-文本清洗.mp4
│  │      5-5-相似度计算.mp4
│  │      6-6-得出推荐结果.mp4
│  │      
│  ├─2-协同过滤与矩阵分解
│  │      1-1-协同过滤与矩阵分解简介.mp4
│  │      2-2-基于用户与商品的协同过滤.mp4
│  │      3-3-相似度计算与推荐实例.mp4
│  │      4-4-矩阵分解的目的与效果.mp4
│  │      5-5-矩阵分解中的隐向量.mp4
│  │      6-6-目标函数简介.mp4
│  │      7-7-隐式情况分析.mp4
│  │      8-8-Embedding的作用.mp4
│  │      
│  ├─3-音乐推荐系统实战
│  │      1-1-音乐推荐任务概述.mp4
│  │      2-2-数据集整合.mp4
│  │      3-3-基于物品的协同过滤.mp4
│  │      6-6-基于矩阵分解的音乐推荐.mp4
│  │      
│  ├─4-知识图谱与Neo4j数据库实例
│  │      1-1-知识图谱通俗解读.mp4
│  │      10-5-数据库更改查询操作演示.mp4
│  │      2-2-知识图谱在搜索引擎中的应用.mp4
│  │      4-4-金融与推荐领域的应用.mp4
│  │      5-5-数据获取分析.mp4
│  │      6-1-Neo4j图数据库介绍.mp4
│  │      8-3-可视化例子演示.mp4
│  │      9-4-创建与删除操作演示.mp4
│  │      
│  ├─5-基于知识图谱的电影推荐实战
│  │      1-1-知识图谱推荐系统效果演示.mp4
│  │      3-3-图谱需求与任务流程解读.mp4
│  │      6-6-图谱查询与匹配操作.mp4
│  │      7-7-相似度计算与推荐引擎构建.mp4
│  │      
│  ├─6-点击率估计FM与DeepFM算法
│  │      1-1-CTR估计及其经典方法概述.mp4
│  │      2-2-高维特征带来的问题.mp4
│  │      3-3-二项式特征的作用与挑战.mp4
│  │      4-4-二阶公式推导与化简.mp4
│  │      5-5-FM算法解析.mp4
│  │      6-6-DeepFm整体架构解读.mp4
│  │      7-7-输入层所需数据样例.mp4
│  │      8-8-Embedding层的作用与总结.mp4
│  │      
│  ├─7-DeepFM算法实战
│  │      1-1-数据集介绍与环境配置.mp4
│  │      2-2-广告点击数据预处理实例.mp4
│  │      3-3-数据处理模块Embedding层.mp4
│  │      4-4-Index与Value数据制作.mp4
│  │      5-5-一阶权重参数设计.mp4
│  │      6-6-二阶特征构建方法.mp4
│  │      7-7-特征组合方法实例分析.mp4
│  │      8-8-完成FM模块计算.mp4
│  │      9-9-DNN模块与训练过程.mp4
│  │      
│  ├─8-推荐系统常用工具包演示
│  │      1-1-环境配置与数据集介绍.mp4
│  │      2-2-电影数据集预处理分析.mp4
│  │      3-3-surprise工具包基本使用.mp4
│  │      4-4-模型测试集结果.mp4
│  │      5-5-评估指标概述.mp4
│  │      
│  └─9-基于文本数据的推荐实例
│          1-1-数据与环境配置介绍.mp4
│          2-2-数据科学相关数据介绍.mp4
│          3-3-文本数据预处理.mp4
│          4-4-TFIDF构建特征矩阵.mp4
│          5-5-矩阵分解演示.mp4
│          6-6-LDA主题模型效果演示.mp4
│          7-7-推荐结果分析.mp4
│         
├─30-论文创新点常用方法及其应用实例
│  └─1-通用创新点
│          1-ACMIX（卷积与注意力融合）.mp4
│          10-Attention额外加入先验知识.mp4
│          11-结合GNN构建局部特征.mp4
│          12-损失函数约束项.mp4
│          13-自适应可学习参数.mp4
│          14-Coarse2Fine大框架.mp4
│          15-只能机器学习模型时凑工作量（特征工程）.mp4
│          16-自己数据集如何发的好(要开源).mp4
│          17-可变形卷积加入方法.mp4
│          18-在源码中加入各种注意力机制方法.mp4
│          2-GCnet(全局特征融合).mp4
│          3-Coordinate_attention.mp4
│          4-SPD（可替换下采样）.mp4
│          5-SPP改进.mp4
│          6-mobileOne(加速).mp4
│          7-Deformable(替换selfAttention).mp4
│          8-ProbAttention(采样策略).mp4
│          9-CrossAttention融合特征.mp4
│         
└─第八期资料
    ├─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.zip
    │  │  基础补充-PyTorch框架必备核心模块解读.zip
    │  │  第一章：姿态估计OpenPose系列算法解读.pdf
    │  │  第三章：Deepsort算法知识点解读.pdf
    │  │  第二章：OpenPose算法源码分析.zip
    │  │  第四章：Deepsort源码解读.zip
    │  │  
    │  ├─基础补充-Resnet模型及其应用实例
    │  │      Resnet.pdf
    │  │      基于Resnet的医学数据集分类实战.zip
    │  │      
    │  └─第五六七章：YOLO目标检测
    │      │  NEU-DET.zip
    │      │  YOLO5.zip
    │      │  YOLO新版.pdf
    │      │  
    │      ├─COCO-DATA
    │      │      COCO数据集.txt
    │      │      
    │      └─训练自己的数据集
    │              json2yolo.py
    │              构建自己的数据集.pdf
    │              
    ├─第10章 经典视觉项目实战-行为识别
    │  │  1-slowfast算法知识点通俗解读.pdf
    │  │  4-基于3D卷积的视频分析与动作识别.zip
    │  │  5-视频异常检测算法与元学习.pdf
    │  │  6-视频异常检测CVPR2021论文及其源码解读.zip
    │  │  slowfast论文.pdf
    │  │  基础补充-PyTorch框架基本处理操作.zip
    │  │  基础补充-PyTorch框架必备核心模块解读.zip
    │  │  
    │  ├─slowfast-add
    │  │  │  avademo.zip
    │  │  │  
    │  │  └─download
    │  │      │  -5KQ66BBWC4.mkv
    │  │      │  -5KQ66BBWC4.mkv.1
    │  │      │  1j20qq1JyX4.mp4
    │  │      │  train.csv
    │  │      │  val.csv
    │  │      │  _145Aa_xkuE.mp4
    │  │      │  _Ca3gOdOHxU.mp4
    │  │      │  
    │  │      └─ava_annotations
    │  │          │  ava_train_v2.1.csv
    │  │          │  ava_train_v2.2.csv
    │  │          │  ava_val_v2.2.csv
    │  │          │  
    │  │          └─person_box_67091280_iou90
    │  │                  ava_action_list_v2.1_for_activitynet_2018.pbtxt
    │  │                  ava_detection_test_boxes_and_labels.csv
    │  │                  ava_detection_train_boxes_and_labels_include_negative.csv
    │  │                  ava_detection_train_boxes_and_labels_include_negative_v2.1.csv
    │  │                  ava_detection_train_boxes_and_labels_include_negative_v2.2.csv
    │  │                  ava_detection_val_boxes_and_labels.csv
    │  │                  ava_detection_val_for_training_boxes_and_labels_include_negative.csv
    │  │                  ava_detection_val_for_training_boxes_and_labels_include_negative_v2.1.csv
    │  │                  ava_detection_val_for_training_boxes_and_labels_include_negative_v2.2.csv
    │  │                  ava_train_predicted_boxes.csv
    │  │                  ava_train_v2.1.csv
    │  │                  ava_val_excluded_timestamps_v2.1.csv
    │  │                  ava_val_predicted_boxes.csv
    │  │                  ava_val_v2.1.csv
    │  │                  test.csv
    │  │                  train.csv
    │  │                  val.csv
    │  │                  
    │  └─基础补充-Resnet模型及其应用实例
    │          Resnet.pdf
    │          基于Resnet的医学数据集分类实战.zip
    │         
    ├─第11章 论文必备Transformer实战解读
    │  │  2104.00680.pdf
    │  │  baiduyunguangjia_cfg_A900527E-5BA6-4d22-8E96-E40D5C6EDF61.cfg
    │  │  BEV.pdf
    │  │  Informer.pdf
    │  │  Informer.zip
    │  │  Loftr.pdf
    │  │  Loftr.zip
    │  │  mask2former.pdf
    │  │  maskformer.pdf
    │  │  Medical-Transformer.zip
    │  │  mmdetection-master.zip
    │  │  transformer.pdf
    │  │  Transformer在视觉中的应用VIT算法.pdf
    │  │  可变形DETR.pdf
    │  │  第七章：detr目标检测源码解读.zip
    │  │  第五章：swintransformer源码解读.zip
    │  │  第六章：基于Transformer的detr目标检测算法.pdf
    │  │  第四章：swintransformer算法原理解析.pdf
    │  │  
    │  ├─基础补充-Resnet模型及其应用实例
    │  │      Resnet.pdf
    │  │      基于Resnet的医学数据集分类实战.zip
    │  │      
    │  ├─第十二，十三章
    │  │      2104.00680.pdf
    │  │      Loftr.pdf
    │  │      Loftr.zip
    │  │      
    │  └─谷歌开源项目BERT源码解读与应用实例
    │          BERT开源项目及数据.zip
    │         
    ├─第12章 图神经?络实战
    │  ├─3-图模型必备神器PyTorch Geometric安装与使用
    │  │      工具包使用.zip
    │  │      
    │  ├─4-使用PyTorch Geometric构建自己的图数据集
    │  │      创建自己的数据集.zip
    │  │      
    │  ├─5-图注意力机制与序列图模型
    │  │      Temporal Graph Neural Networks.pdf
    │  │      图注意力机制.pdf
    │  │      时间序列TGCN.zip
    │  │      
    │  ├─6-图相似度论文解读
    │  │      1808.05689.pdf
    │  │      
    │  ├─7-图相似度计算实战
    │  │      Extended-SimGNN.zip
    │  │      
    │  ├─8-基于图模型的轨迹估计
    │  │      数据集Demo.mp4
    │  │      轨迹轨迹.pdf
    │  │      
    │  ├─9-图模型轨迹估计实战
    │  │      Vector.zip
    │  │      
    │  ├─基于图模型的时间序列预测
    │  │      2110.05357.pdf
    │  │      raindrop-AAAI22.pdf
    │  │      Raindrop-main.rar
    │  │      
    │  ├─异构图神经网络
    │  │      HeterogeneousGraph.zip
    │  │      异构图.pdf
    │  │      异构图神经网络.pdf
    │  │      
    │  ├─第一章：图神经网络基础
    │  │      图神经网络.pdf
    │  │      
    │  └─第二章：图卷积GCN模型
    │          图卷积.pdf
    │         
    ├─第13章 3D点云实战
    │  ├─第1节：3D点云应用领域分析
    │  │      激光雷达.mp4
    │  │      点云.pdf
    │  │      
    │  ├─第2节：3D点云PointNet算法
    │  │      CloudCompare.zip
    │  │      PointNet++.pdf
    │  │      
    │  ├─第3节：PointNet++算法解读
    │  │      PointNet++.pdf
    │  │      
    │  ├─第4节：Pointnet++项目实战
    │  │      Pointnet2.zip
    │  │      
    │  ├─第5节：点云补全PF-Net论文解读
    │  │      2003.00410.pdf
    │  │      点云补全.pdf
    │  │      
    │  ├─第6节：点云补全实战解读
    │  │      PF-Net-Point-Fractal-Network.zip
    │  │      
    │  ├─第7节：点云配准及其案例实战
    │  │      2003.13479.pdf
    │  │      RPMNet.zip
    │  │      点云匹配.pdf
    │  │      
    │  └─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.zip
    │         
    ├─第14章 ?向深度学习的??驾驶实战
    │  ├─1.深度估计算法解读
    │  │      Monocular_Depth_Estimation_Using_Laplacian_Pyramid-Based_Depth_Residuals.pdf
    │  │      深度估计.pdf
    │  │      
    │  ├─10-NeuralRecon项目源码解读
    │  │  └─NeuralRecon
    │  │          all_tsdf_9.zip
    │  │          data.py
    │  │          train_demo.zip
    │  │         
    │  ├─11-TSDF算法与应用
    │  │      TSDF.pdf
    │  │      
    │  ├─12-TSDF实战案例
    │  │  └─TSDF实例
    │  │          tsdf-fusion-python-master.zip
    │  │         
    │  ├─13-轨迹估计算法与论文解读
    │  │      无人驾驶.pdf
    │  │      
    │  ├─14-轨迹估计预测实战
    │  │      Vector.zip
    │  │      
    │  ├─15-特斯拉无人驾驶解读
    │  │      Tesla无人驾驶.pdf
    │  │      
    │  ├─2.深度估计项目实战
    │  │      LapDepth.zip
    │  │      
    │  ├─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.pdf
    │  │      
    │  ├─4-基于深度学习的车道线检测项目实战
    │  │      Lane-Detection.zip
    │  │      
    │  ├─5-商汤LoFTR算法解读
    │  │      2104.00680.pdf
    │  │      Loftr.pdf
    │  │      
    │  ├─6-局部特征关键点匹配实战
    │  │      LoFTR.zip
    │  │      
    │  ├─7-三维重建应用与坐标系基础
    │  │      三维重建.pdf
    │  │      
    │  └─8-NeuralRecon算法解读
    │          NeuralRecon.pdf
    │          三维重建.pdf
    │         
    ├─第15章 对比学习与多模态任务实战
    │  ├─ANINET源码解读
    │  │      mmocr-main.zip
    │  │      
    │  ├─CLIP系列
    │  │      CLIP.zip
    │  │      CLIP及其应用.pdf
    │  │      
    │  ├─多模态3D目标检测算法源码解读
    │  │      mmdetection3d-1.0.0rc0.zip
    │  │      
    │  ├─多模态文字识别
    │  │      ABINET.pdf
    │  │      DBNET.pdf
    │  │      
    │  └─对比学习算法与实例
    │          trainCLIP.py
    │          对比学习.pdf
    │         
    ├─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.zip
    │  │  第10章：基于视频流水线的Opnecv缺陷检测项目.zip
    │  │  第5章：Semi-supervised布料缺陷检测实战.zip
    │  │  第9章：基于Opencv缺陷检测项目实战.zip
    │  │  
    │  ├─PyTorch基础
    │  │      1-PyTorch框架基本处理操作.zip
    │  │      3-图像识别核心模块实战解读.zip
    │  │      
    │  ├─Resnet分类实战
    │  │      Resnet.pdf
    │  │      基于Resnet的医学数据集分类实战.zip
    │  │      
    │  ├─第1-4章：YOLOV5缺陷检测
    │  │      Defective_Insulators.zip
    │  │      NEU-DET.zip
    │  │      YOLO5.zip
    │  │      YOLO新版.pdf
    │  │      
    │  ├─第11-12章：deeplab
    │  │      DeepLab.pdf
    │  │      DeepLabV3Plus.zip
    │  │      
    │  └─第6-8章：Opencv各函数使用实例
    │          第一部分notebook课件.zip
    │          第二部分notebook课件.zip
    │         
    ├─第17章 ??重识别实战
    │  ├─第1节：行人重识别原理及其应用
    │  │      行人重识别.pdf
    │  │      
    │  ├─第2节：基于注意力机制的ReId模型论文解读
    │  │      Relation-Aware Global Attention.pdf
    │  │      
    │  ├─第3节：基于Attention的行人重识别项目实战
    │  │      Relation-Aware-Global-Attention-Networks.zip
    │  │      
    │  ├─第4节：经典会议算法精讲（特征融合）
    │  │      Relation Network for Person Re-identification.pdf
    │  │      
    │  ├─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.zip
    │  │      
    │  ├─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.pdf
    │  │      
    │  └─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).zip
    │         
    ├─第18章 对抗?成?络实战
    │  │  cyclegan.pdf
    │  │  static.zip
    │  │  第2节：对抗生成网络架构原理与实战解析.zip
    │  │  第3节：基于CycleGan开源项目实战图像合成.zip
    │  │  第5节：stargan项目实战及其源码解读.zip
    │  │  第7节：starganvc2变声器项目实战及其源码解读.zip
    │  │  
    │  ├─第4节：stargan论文架构解析
    │  │      1912.01865.pdf
    │  │      stargan.pdf
    │  │      
    │  ├─第6节：基于starganvc2的变声器论文原理解读
    │  │      1907.12279.pdf
    │  │      stargan-vc2.pdf
    │  │      
    │  ├─第8节：图像超分辨率重构实战
    │  │      srdata.zip
    │  │      srgan超分辨率重构.zip
    │  │      
    │  └─第9节：基于GAN的图像补全实战
    │          glcic图像补全.zip
    │          图像补全人脸数据.zip
    │         
    ├─第19章-强化学习实战系列
    │      第1节：强化学习简介及其应用.pdf
    │      第2节：PPO算法与公式推导.pdf
    │      第3节：策略梯度实战-月球登陆器训练实例.zip
    │      第4节：DQN算法.pdf
    │      第5节：DQN算法实例演示.zip
    │      第7节：Actor-Critic算法分析(A3C).pdf
    │      第8节：A3C算法玩转超级马里奥.zip
    │      
    ├─第1章 直播课
    │  ├─1-1 节开班典礼
    │  │      3_唐宇迪《深度学习》系统班V8.0.pdf
    │  │      
    │  ├─1-10 直播8：图神经网络
    │  │      Temporal Graph Neural Networks.pdf
    │  │      图卷积.pdf
    │  │      图注意力机制.pdf
    │  │      图神经网络.pdf
    │  │      异构图.pdf
    │  │      
    │  ├─1-11 节直播9：LangChain与VQA任务
    │  │      From Images to Textual Prompts.pdf
    │  │      langchain-tutorials-main.zip
    │  │      
    │  ├─1-12 节直播10：EfficientVIT与DINOV2
    │  │      DINOv2.pdf
    │  │      EfficientViT.pdf
    │  │      Emerging Properties in Self-Supervised Vision Transformers.pdf
    │  │      IMAGE BERT PRE-TRAINING WITH ONLINE.pdf
    │  │      
    │  ├─1-13 节直播11：对比学习与自监督任务
    │  │      BEIT.pdf
    │  │      对比学习.pdf
    │  │      
    │  ├─1-14 节直播12：注意力机制串讲
    │  │      Informer.pdf
    │  │      可变形DETR.pdf
    │  │      
    │  ├─1-16 节直播14：Bev特征空间与知识蒸馏
    │  │      BEV.pdf
    │  │      Decoupled Knowledge Distillation.pdf
    │  │      Reinforced Multi-Teacher Selection for Knowledge Distillation.pdf
    │  │      蒸馏.pdf
    │  │      
    │  ├─1-17 节直播15：总结与论文和简历
    │  │      EfficientViT.pdf
    │  │      
    │  ├─1-3 节直播1：神经网络结构
    │  │      神经网络.pdf
    │  │      
    │  ├─1-4 节直播2：卷积神经网络
    │  │      卷积神经网络.pdf
    │  │      
    │  ├─1-5 节直播3：Transformer
    │  │      transformer.pdf
    │  │      
    │  ├─1-6 节直播4：VIT源码解读
    │  │  └─1-6 节直播4：VIT源码解读
    │  │          Transformer在视觉中的应用VIT算法.pdf
    │  │         
    │  ├─1-7 节直播5：Segment anything
    │  │  └─1-7 节直播5：Segment anything
    │  │          SAM.pdf
    │  │         
    │  ├─1-8 节直播6：时间序列timesnet
    │  │      2210.02186.pdf
    │  │      Time-Series-Library-main.zip
    │  │      
    │  ├─1-9 直播7：文本大模型下游任务一条龙资料
    │  │      Huatuo-Llama-Med-Chinese-main.zip
    │  │      大模型.pdf
    │  │      
    │  └─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.pdf
    │              mmselfsup-1.x.zip
    │              
    ├─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.zip
    │  │  2-PyTorch框架基本处理操作.zip
    │  │  3-PyTorch框架必备核心模块解读.zip
    │  │  
    │  ├─1-神经网络算法PPT
    │  │      深度学习.pdf
    │  │      
    │  ├─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.zip
    │  │      
    │  ├─11-YOLO系列物体检测算法原理解读
    │  │      YOLO.pdf
    │  │      YOLOv4.pdf
    │  │      
    │  ├─12-基于YOLO5细胞检测实战
    │  │      基于YOLO5细胞检测实战.zip
    │  │      
    │  ├─13-知识图谱原理解读
    │  │      知识图谱.pdf
    │  │      
    │  ├─14-Neo4j数据库实战
    │  │      NEO4J.pdf
    │  │      
    │  ├─15-基于知识图谱的医药问答系统实战
    │  │      配置与安装.pdf
    │  │      
    │  ├─17-医学糖尿病数据命名实体识别
    │  │      eclipse-命名实体识别.zip
    │  │      notebook-瑞金.zip
    │  │      
    │  ├─4-基于Resnet的医学数据集分类实战
    │  │      Resnet.pdf
    │  │      基于Resnet的医学数据集分类实战.zip
    │  │      
    │  ├─5-图像分割及其损失函数概述
    │  │      深度学习分割任务.pdf
    │  │      
    │  ├─6-Unet系列算法讲解
    │  │      深度学习分割任务.pdf
    │  │      
    │  ├─7-unet医学细胞分割实战
    │  │      unet++.zip
    │  │      
    │  ├─8-deeplab系列算法
    │  │      DeepLab.pdf
    │  │      
    │  └─9-基于deeplabV3+版本进行VOC分割实战
    │          DeepLabV3Plus.zip
    │         
    ├─第21章 经典大模型解读
    │  ├─1 节GPT系列生成模型
    │  │      GPT.zip
    │  │      GPT系列.pdf
    │  │      
    │  ├─2 节GPT建模与预测流程
    │  │      ChinesePretrainedModels.zip
    │  │      
    │  ├─3 节CLIP系列
    │  │      CLIP.zip
    │  │      CLIP及其应用.pdf
    │  │      
    │  ├─4 节Diffusion模型解读
    │  │      annotated_diffusion.ipynb
    │  │      
    │  ├─5 节Dalle2及其源码解读
    │  │      DALLE2-pytorch-main.zip
    │  │      dalle2.pdf
    │  │      
    │  └─6 节ChatGPT
    │          GPT系列.pdf
    │         
    ├─第22章 深度学习模型部署与剪枝优化实战
    │  │  Docker使用命令.zip
    │  │  Mobilenet.pdf
    │  │  mobilenetv3.py
    │  │  pytorch-slimming.zip
    │  │  PyTorch模型部署实例.zip
    │  │  TensorFlow-serving.zip
    │  │  YOLO部署实例.zip
    │  │  剪枝算法.pdf
    │  │  
    │  └─嵌入式AI
    │      ├─第一章 认识 jetson nano
    │      │  │  1.1 jetson nano 硬件介绍.pdf
    │      │  │  1.2 jetson nano 刷机.pdf
    │      │  │  1.2b jetson nano 系统安装过程.pdf
    │      │  │  1.3 感受nano的GPU算力.pdf
    │      │  │  1.4 安装使用摄像头csi  usb.pdf
    │      │  │  
    │      │  └─1software
    │      │          balenaEtcher-Setup-1.7.9.exe
    │      │          code_1.71.2-1663189619_arm64.deb
    │      │          csiCamera.py
    │      │          SDCardFormatterv5_WinEN.zip
    │      │          usbCamera.py
    │      │         
    │      ├─第三章 NVIDIA TAO 实用级的训练神器
    │      │      3.1NVIDIA TAO介绍和安装.pdf
    │      │      3.2NVIDIA TAO数据准备和环境设置.pdf
    │      │      3.3NVIDIA TAO数据转换.pdf
    │      │      3.4NVIDIA TAO预训练模型和训练.pdf
    │      │      3.5TAO 剪枝在训练推理验证.pdf
    │      │      
    │      ├─第二章 AI 实战
    │      │  │  2.1 jetson-inference 入门.pdf
    │      │  │  2.2 docker 的安装使用.pdf
    │      │  │  2.3 docker中运行分类模型.pdf
    │      │  │  2.4 训练自己的目标检测模型准备.pdf
    │      │  │  2.5 训练出自己目标识别模型.pdf
    │      │  │  2.6 转换出onnx模型，并使用.pdf
    │      │  │  时间统计.xlsx
    │      │  │  
    │      │  └─2software
    │      │      │  csiCamera.py
    │      │      │  jetson-inference.zip
    │      │      │  mobilenet-v1-ssd-mp-0_675.pth
    │      │      │  usbCamera.py
    │      │      │  
    │      │      └─networks
    │      │              bvlc_googlenet.caffemodel
    │      │              googlenet.prototxt
    │      │              googlenet_noprob.prototxt
    │      │              
    │      └─第四章 deepstream
    │          │  4.1 deepstream 介绍安装.pdf
    │          │  4.2 deepstream HelloWorld.pdf
    │          │  4.3 GStreamer RTP和RTSP.pdf
    │          │  4.4 python实现RTP和RTSP.pdf
    │          │  4.5 deepstream推理.pdf
    │          │  4.6 deepstream集成yolov4.pdf
    │          │  
    │          └─software
    │                  Accelerated_GStreamer_User_Guide.pdf
    │                  camera_gstreamer_code_rtp.py
    │                  camera_gstreamer_code_rtsp_out.py
    │                  EasyPlayer-RTSP-Win-V3.0.19.0515.zip
    │                  gstreamer-1.0-msvc-x86_64-1.20.4.msi
    │                  rtspCameraH264.py
    │                  rtspVideoH264.py
    │                  
    ├─第23章 ?然语?处理经典案例实战
    │  ├─NLP常用工具包
    │  │      Python-自然语言处理工具包(1).zip
    │  │      Python-自然语言处理工具包.zip
    │  │      
    │  ├─源码、数据集等
    │  │  ├─10：NLP方法对比
    │  │  │      自然语言处理-特征提取方法对比.zip
    │  │  │      
    │  │  ├─11-14：基于Tensorflow的项目实战
    │  │  │  ├─LSTM情感分析
    │  │  │  │      LSTM.ipynb
    │  │  │  │      LSTM.zip
    │  │  │  │      
    │  │  │  ├─NLP-文本相似度
    │  │  │  │      文本相似度.zip
    │  │  │  │      
    │  │  │  ├─唐诗生成
    │  │  │  │      LSTM.zip
    │  │  │  │      poem.zip
    │  │  │  │      
    │  │  │  ├─对话问答机器人
    │  │  │  │      chatbot.zip
    │  │  │  │      
    │  │  │  └─问答机器人
    │  │  │          QA问答.zip
    │  │  │         
    │  │  ├─2：商品信息与文本可视化
    │  │  │      商品可视化展示与文本处理.zip
    │  │  │      
    │  │  ├─3：贝叶斯算法
    │  │  │      5-贝叶斯算法.pdf
    │  │  │      
    │  │  ├─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.zip
    │  │  │      │  
    │  │  │      └─搜狗新闻语料
    │  │  │              test.txt
    │  │  │              train.txt
    │  │  │              val.txt
    │  │  │              
    │  │  ├─5-6：HMM实战
    │  │  │  ├─HMM案例实战
    │  │  │  │  │  data2.csv
    │  │  │  │  │  hmm实践.ipynb
    │  │  │  │  │  时间序列.ipynb
    │  │  │  │  │  
    │  │  │  │  └─HMM
    │  │  │  │      │  data.py
    │  │  │  │      │  get_hmm_param.py
    │  │  │  │      │  hmm_start.py
    │  │  │  │      │  
    │  │  │  │      └─__pycache__
    │  │  │  │              data.cpython-36.pyc
    │  │  │  │              get_hmm_param.cpython-36.pyc
    │  │  │  │              
    │  │  │  └─隐马尔科夫模型（课件）
    │  │  │          HMM.pdf
    │  │  │         
    │  │  └─8-9：word2vec词向量实战
    │  │      └─Word2Vec
    │  │              Gensim-代码.zip
    │  │              gensim训练model.zip
    │  │              tensorflow-word2vec.zip
    │  │              word2vec.zip
    │  │              
    │  ├─课件
    │  │      5-贝叶斯算法.pdf
    │  │      Python文本分析.pdf
    │  │      RNN与LSTM.pdf
    │  │      tensorflow-RNN.pdf
    │  │      贝叶斯算法.pdf
    │  │      
    │  └─课后作业
    │          data.txt
    │          第八模块：NLP实战(1).pdf
    │         
    ├─第24章 自然语言处理必备神器Huggingface系列实战
    │  ├─第一章：Huggingface与NLP介绍解读
    │  │      Huggingface初识.pptx
    │  │      
    │  ├─第七章：GPT系列算法
    │  │      GPT系列.pdf
    │  │      
    │  ├─第三章：transformer原理解读
    │  │      transformer.pdf
    │  │      
    │  ├─第九章：文本摘要建模
    │  │      Summarization.ipynb
    │  │      Summarization.zip
    │  │      
    │  ├─第二章：Transformer工具包基本操作实例解读
    │  │      1-Transformers.zip
    │  │      2-Finetuning.zip
    │  │      
    │  ├─第五章：文本标注工具与NER实例
    │  │      ner.zip
    │  │      
    │  ├─第八章：GPT训练与预测部署流程
    │  │      GPT.zip
    │  │      
    │  ├─第六章：文本预训练模型构建实例
    │  │      Mask Language Model.ipynb
    │  │      
    │  ├─第十一章：补充Huggingface数据集制作方法实例
    │  │      数据格式转换.zip
    │  │      
    │  ├─第十章：图谱知识抽取实战
    │  │      CMeKG.zip
    │  │      
    │  └─第四章：BERT系列算法解读
    │          BERT系列.pdf
    │         
    ├─第25章 时间序列预测
    │      Informer.pdf
    │      Informer.zip
    │      
    ├─第26章 ?然语?处理通?框架-BERT实战
    │  ├─课件、源码
    │  │      BERT.zip
    │  │      BERT开源项目及数据.zip
    │  │      NLP核心模型-word2vec.zip
    │  │      第1节：BERT课件.pdf
    │  │      第2节：谷歌开源项目BERT源码解读与应用实例.zip
    │  │      第3节：项目实战-基于BERT的中文情感分析实战.zip
    │  │      第4节：项目实战-基于BERT的中文命名实体识别实战.zip
    │  │      第5节：必备基知识点-word2vec模型通俗解读.zip
    │  │      第6节：必备基础-掌握Tensorflow如何实现word2vec模型.zip
    │  │      第7节：必备基础知识点-RNN网络架构与情感分析应用实例.zip
    │  │      第8节：医学糖尿病数据命名实体识别.zip
    │  │      
    │  └─课后作业
    │          第八模块：BERT作业.pdf
    │         
    ├─第27章 知识图谱实战系列
    │  ├─第1.2节：知识图谱介绍及其应用领域分析
    │  │      知识图谱.pdf
    │  │      
    │  ├─第3节：Neo4j数据库实战
    │  │      NEO4J.pdf
    │  │      
    │  ├─第4节：使用python操作neo4j实例
    │  │      python操作neo4j.zip
    │  │      
    │  ├─第5节：基于知识图谱的医药问答系统实战
    │  │      配置与安装.pdf
    │  │      
    │  ├─第6节：文本关系抽取实践
    │  │      关系抽取.zip
    │  │      
    │  ├─第7节：金融平台风控模型实践
    │  │      贷款风控特征工程.zip
    │  │      
    │  └─第8节：医学糖尿病数据命名实体识别
    │          eclipse-命名实体识别.zip
    │          notebook-瑞金.zip
    │         
    ├─第28章 语音识别实战系列
    │  │  变声器pytorch-StarGAN-VC2.zip
    │  │  语音分离Conv-TasNet.zip
    │  │  语音合成tacotron2实战.zip
    │  │  语音识别LAS模型.zip
    │  │  
    │  ├─PPT
    │  │      seq2seq.pdf
    │  │      stargan-vc2.pdf
    │  │      语音分离.pdf
    │  │      语音合成-tacotron2.pdf
    │  │      
    │  └─论文
    │          Conv-TasNet论文.pdf
    │          stargancv2论文.pdf
    │          tacotron2论文.pdf
    │         
    ├─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.zip
    │  │  第1节：推荐系统介绍.pdf
    │  │  第2节：协同过滤与矩阵分解.pdf
    │  │  第5节：基于知识图谱的电影推荐实战.zip
    │  │  第6节：FM与DeepFM算法.pdf
    │  │  第7节：DeepFM算法实战.zip
    │  │  第8节：推荐系统常用工具包演示.zip
    │  │  第9节：基于文本数据的推荐实例.zip
    │  │  
    │  ├─第10节：基于统计分析的电影推荐
    │  │      电影推荐.zip
    │  │      
    │  ├─第3节：音乐推荐系统实战
    │  │  └─Python实现音乐推荐系统
    │  │      │  1.png
    │  │      │  2.png
    │  │      │  3.png
    │  │      │  4.png
    │  │      │  5.png
    │  │      │  6.png
    │  │      │  7.png
    │  │      │  8.png
    │  │      │  recommendation_engines.py
    │  │      │  Recommenders.py
    │  │      │  song_playcount_df.csv
    │  │      │  track_metadata.db
    │  │      │  track_metadata_df_sub.csv
    │  │      │  train_triplets.txt
    │  │      │  triplet_dataset_sub_song.csv
    │  │      │  user_playcount_df.csv
    │  │      │  推荐系统.ipynb
    │  │      │  老版.ipynb
    │  │      │  
    │  │      ├─.ipynb_checkpoints
    │  │      │      推荐系统-checkpoint.ipynb
    │  │      │      
    │  │      └─__pycache__
    │  │              Recommenders.cpython-36.pyc
    │  │              
    │  └─第4节：Neo4j数据库实例
    │          NEO4J.pdf
    │         
    ├─第2章 AI课程所需安装软件教程
    │      Anaconda3-2020.07-Windows-x86_64.exe
    │      cuda_11.3.0_465.89_win10.exe
    │      mmcv_full-1.4.7-cp38-cp38-win_amd64.whl
    │      notepadplusplus-8-4.exe
    │      pycharm-community-2022.1.2.exe
    │      torch-1.10.0+cu113-cp38-cp38-win_amd64.whl
    │      torchvision-0.11.0+cu113-cp38-cp38-win_amd64.whl
    │      VisualStudioSetup.exe
    │      
    ├─第3章 深度学习必备核?算法
    │  └─课件
    │      │  卷积神经网络.pdf
    │      │  深度学习.pdf
    │      │  
    │      └─词向量模型资料
    │              NLP核心模型-word2vec.zip
    │              
    ├─第4章 深度学习核?框架PyTorch
    │      flask预测.zip
    │      PyTorch.pdf
    │      深度学习.pdf
    │      第五章：图像识别模型与训练策略（重点）.zip
    │      第六章：DataLoader自定义数据集制作.zip
    │      
    ├─第5章 深度学习框架Tensorflow
    │  ├─源码资料
    │  │      第10节：基于RNN模型进行文本分类任务.zip
    │  │      第11节：CNN文本分类实战.zip
    │  │      第12节：时间序列预测.zip
    │  │      第13节：经典网络架构Resnet实战.zip
    │  │      第1节：tensorflow安装与简介.zip
    │  │      第3节：搭建神经网络进行分类与回归任务.zip
    │  │      第5节：猫狗识别实战.zip
    │  │      第6节：图像数据增强实例.zip
    │  │      第7节：训练策略-迁移学习实战.zip
    │  │      第8节：递归神经网络与词向量原理解读.zip
    │  │      第9节：基于TensorFlow实现word2vec.zip
    │  │      
    │  └─课件
    │          神经网络整体架构（深度学习）.pdf
    │         
    ├─第6章 Opencv图像处理框架实战
    │  ├─源码资料
    │  │      第10节：项目实战-文档扫描OCR识别.zip
    │  │      第13节：案例实战-全景图像拼接.zip
    │  │      第14节：项目实战-停车场车位识别.zip
    │  │      第15节：项目实战-答题卡识别判卷.zip
    │  │      第18节：Opencv的DNN模块.zip
    │  │      第19节：项目实战-目标追踪.zip
    │  │      第20节：卷积原理与操作.zip
    │  │      第21节：人脸关键点定位.zip
    │  │      第21节：项目实战-疲劳检测.zip
    │  │      第9节：项目实战-信用卡数字识别.zip
    │  │      
    │  └─课件
    │      │  第11-12节notebook课件.zip
    │      │  第16-17节notebook课件.zip
    │      │  
    │      └─第2-8节课件
    │              第2-7节notebook课件.zip
    │              第8节notebook课件.zip
    │              
    ├─第7章 综合项?-物体检测经典算法实战
    │  │  CenterNet.pdf
    │  │  detr目标检测源码解读.zip
    │  │  EfficientDet.pdf
    │  │  EfficientDet.zip
    │  │  EfficientNet.pdf
    │  │  json2yolo.py
    │  │  mmdetection-3.x.zip
    │  │  yolov7-main.zip
    │  │  YOLOV7.pdf
    │  │  Yolov7结构图.pptx
    │  │  可变形DETR.pdf
    │  │  物体检测.pdf
    │  │  第十二章：基于Transformer的detr目标检测算法.pdf
    │  │  
    │  └─YOLO系列（PyTorch）
    │      │  NEU-DET.zip
    │      │  PyTorch-YOLOv3.zip
    │      │  YOLO5.zip
    │      │  YOLO新版.pdf
    │      │  
    │      ├─COCO-DATA
    │      │      COCO数据集.txt
    │      │      
    │      └─训练自己的数据集
    │              json2yolo.py
    │              构建自己的数据集.pdf
    │              
    ├─第8章 图像分割实战
    │  │  f112c9fda85536ee3eba662c9043e683.bat
    │  │  mask-rcnn.pdf
    │  │  MaskRcnn网络框架源码详解.zip
    │  │  PyTorch框架基本处理操作.zip
    │  │  R(2+1)D网络.pdf
    │  │  图像识别核心模块实战解读.zip
    │  │  第5节：U-2-Net.zip
    │  │  
    │  ├─deeplab系列算法
    │  │      DeepLab.pdf
    │  │      
    │  ├─unet医学细胞分割实战
    │  │      unet++.zip
    │  │      
    │  ├─Unet系列算法讲解
    │  │      深度学习分割任务.pdf
    │  │      
    │  ├─分割模型Maskformer系列
    │  │      mask2former.pdf
    │  │      maskformer.pdf
    │  │      
    │  ├─图像分割算法
    │  │      深度学习分割任务.pdf
    │  │      
    │  ├─基于deeplabV3+版本进行VOC分割实战
    │  │      DeepLabV3Plus.zip
    │  │      
    │  ├─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.zip
    │  │      
    │  ├─基于Resnet的医学数据集分类实战
    │  │      Resnet.pdf
    │  │      基于Resnet的医学数据集分类实战.zip
    │  │      
    │  └─补充：Mask2former源码解读
    │          mask2former(mmdetection).zip
    │         
    └─第9章 走向AI论文实验与项目实战的捷径-MMLAB实战系列
        │  mask2former(mmdetection).zip
        │  ner.zip
        │  第一模块：mmclassification-master.zip
        │  第七模块：mmdetection3d-1.0.0rc0.zip
        │  第三模块：mmdetection-master.zip
        │  第九模块：mmaction2-master.zip
        │  第二模块：mmsegmentation-0.20.2.zip
        │  第二模块：MPViT-main.zip
        │  第五模块：mmgeneration-master.zip
        │  第八模块：mmrazor-模型蒸馏.zip
        │  第六模块：mmediting-master.zip
        │  第四模块：mmocr-main.zip
        │  
        ├─DeformableDetr算法解读
        │      可变形DETR.pdf
        │      
        ├─KIE关键信息抽取与视频超分辨率重构
        │      BasicVSR++.pdf
        │      KIE.pdf
        │      spynet.pdf
        │      
        └─OCR算法解读
                ABINET.pdf
                DBNET.pdf

侵权联系和免责声明

1.本站资源所有言论纯属用户个人意见，与本论坛立场无关。

2.本站所有资源收集于互联网，由用户分享，本站不享有任何版权，如有侵权请联系本站删除。

3.本站部分内容转载自其它网站，但并不代表本站赞同其观点和对其真实性负责。

4.如本帖侵犯到任何版权问题，请立即告知本站，本站将及时删除并致以最深的歉意。

侵权联系邮箱：2647756422@qq.com

本文地址: https://www.itstudy365e.com/thread-153-1-1.html

xiaoxiaobug

11111111111111111

zhutou512

好全面的，看起来很完整

骑着乌龟去看海

1111111111111111