加入咕泡AI深度学习系统班，系统学习从基础到前沿的AI技术。课程涵盖神经网络、卷积神经网络、Transformer架构、视觉Transformer、图神经网络等核心内容，结合PyTorch和TensorFlow框架实战，助你掌握深度学习算法与项目应用。无论你是初学者还是进阶者，本课程都将带你从入门到精通，提升AI技术能力，迈向AI领域的高峰。立即报名，开启你的AI学习之旅！
以下云资源目录树快照生成于[12个月前]，该学习资料由夸克云用户[心旷*怡的青蛙]分享（只展示大部分文件和目录）
咕泡AI深度学习系统班：从入门到精通，掌握前沿AI技术221.33GB(mp4、mkv视频2128节；png图片8张；pdf、txt、xlsx文档202个；zip、rar压缩包197个；pptx演示文稿2个；)
第八期资料
第29章 推荐系统实战系列
第11节：补充-基于相似度的酒店推荐系统.zip1.81MB第9节：基于文本数据的推荐实例.zip254.77MB第8节：推荐系统常用工具包演示.zip129.35MB第7节：DeepFM算法实战.zip1.16MB
第6节：FM与DeepFM算法.pdf759.61KB第5节：基于知识图谱的电影推荐实战.zip160.61MB第2节：协同过滤与矩阵分解.pdf974.68KB第1节：推荐系统介绍.pdf1.5MB第10节：基于统计分析的电影推荐
电影推荐.zip10.05MB第4节：Neo4j数据库实例
NEO4J.pdf268KB第3节：音乐推荐系统实战
Python实现音乐推荐系统
user_playcount_df.csv44.14MBtriplet_dataset_sub_song.csv648.3MB
train_triplets.txt2.8GBtrack_metadata_df_sub.csv5.94MBtrack_metadata.db711.61MB推荐系统.ipynb363.54KBsong_playcount_df.csv8.47MBRecommenders.py9.23KBrecommendation_engines.py13.66KB老版.ipynb344.85KB
8.png68.76KB7.png77.29KB6.png60.31KB5.png3.61KB4.png12KB3.png42.96KB2.png30.4KB1.png45.33KB__pycache__
Recommenders.cpython-36.pyc4.97KB.ipynb_checkpoints
推荐系统-checkpoint.ipynb344.85KB第28章 语音识别实战系列
语音识别LAS模型.zip420.12MB语音合成tacotron2实战.zip302.43MB语音分离Conv-TasNet.zip84.38MB变声器pytorch-StarGAN-VC2.zip484.93MBPPT
语音合成-tacotron2.pdf272.56KB语音分离.pdf821.19KBstargan-vc2.pdf788.58KBseq2seq.pdf592.9KB论文
tacotron2论文.pdf366.27KBstargancv2论文.pdf451.51KBConv-TasNet论文.pdf1.46MB第27章 知识图谱实战系列
第8节：医学糖尿病数据命名实体识别
notebook-瑞金.zip4.96MBeclipse-命名实体识别.zip18.19MB第7节：金融平台风控模型实践
贷款风控特征工程.zip1.95GB第6节：文本关系抽取实践
关系抽取.zip740.57MB第5节：基于知识图谱的医药问答系统实战
配置与安装.pdf102.29KB第4节：使用python操作neo4j实例
python操作neo4j.zip25.53KB第3节：Neo4j数据库实战
NEO4J.pdf268KB第1.2节：知识图谱介绍及其应用领域分析
知识图谱.pdf2.14MB第26章 ⾃然语⾔处理通⽤框架-BERT实战
课件、源码
NLP核心模型-word2vec.zip2.15MB第8节：医学糖尿病数据命名实体识别.zip23.07MB第7节：必备基础知识点-RNN网络架构与情感分析应用实例.zip98.43MB第6节：必备基础-掌握Tensorflow如何实现word2vec模型.zip32.61MB第5节：必备基知识点-word2vec模型通俗解读.zip2.15MB第4节：项目实战-基于BERT的中文命名实体识别实战.zip732MB第3节：项目实战-基于BERT的中文情感分析实战.zip2.3MB第2节：谷歌开源项目BERT源码解读与应用实例.zip992.81MB第1节：BERT课件.pdf1.91MBBERT开源项目及数据.zip992.7MBBERT.zip732.89MB课后作业
第八模块：BERT作业.pdf149.58KB第25章 时间序列预测
Informer.zip18.28MBInformer.pdf1.12MB第24章 自然语言处理必备神器Huggingface系列实战
第十一章：补充Huggingface数据集制作方法实例
数据格式转换.zip89.44MB第十章：图谱知识抽取实战
CMeKG.zip1.32GB第九章：文本摘要建模
Summarization.zip2.04GBSummarization.ipynb287.84KB第八章：GPT训练与预测部署流程
GPT.zip1.25GB第七章：GPT系列算法
GPT系列.pdf1.37MB第六章：文本预训练模型构建实例
Mask Language Model.ipynb51.29KB第五章：文本标注工具与NER实例
ner.zip121.6MB第四章：BERT系列算法解读
BERT系列.pdf969.92KB第三章：transformer原理解读
transformer.pdf1.99MB第二章：Transformer工具包基本操作实例解读
2-Finetuning.zip2.05GB1-Transformers.zip383.62MB第一章：Huggingface与NLP介绍解读
Huggingface初识.pptx168.85KB第23章 ⾃然语⾔处理经典案例实战
源码、数据集等
11-14：基于Tensorflow的项目实战
问答机器人
QA问答.zip880.47MB唐诗生成
poem.zip96.97MBLSTM.zip101.3MBNLP-文本相似度
文本相似度.zip115.77MBLSTM情感分析
LSTM.zip101.3MBLSTM.ipynb59.19KB对话问答机器人
chatbot.zip1.43GB10：NLP方法对比
自然语言处理-特征提取方法对比.zip1.22MB8-9：word2vec词向量实战
Word2Vec
word2vec.zip84.58MBtensorflow-word2vec.zip1.85MBgensim训练model.zip2.08GBGensim-代码.zip4.59MB5-6：HMM实战
隐马尔科夫模型（课件）
HMM.pdf1.16MBHMM案例实战
时间序列.ipynb188.97KBhmm实践.ipynb5.78KBdata2.csv130.67KBHMM
hmm_start.py823Byteget_hmm_param.py2.64KBdata.py318Byte__pycache__
get_hmm_param.cpython-36.pyc2.44KBdata.cpython-36.pyc216Byte4：贝叶斯算法-新闻分类任务
贝叶斯Python文本分析
Python文本分析.zip19.39MB搜狗新闻语料
val.txt9.49MBtrain.txt86.82MBtest.txt18.29MB3：贝叶斯算法
5-贝叶斯算法.pdf654.82KB2：商品信息与文本可视化
商品可视化展示与文本处理.zip213.82MBNLP常用工具包
Python-自然语言处理工具包.zip9.71MBPython-自然语言处理工具包(1).zip9.71MB课件
tensorflow-RNN.pdf120.1KBRNN与LSTM.pdf1.43MBPython文本分析.pdf579.54KB贝叶斯算法.pdf620.68KB5-贝叶斯算法.pdf654.82KB课后作业
data.txt9.49MB第八模块：NLP实战(1).pdf73.15KB第22章 深度学习模型部署与剪枝优化实战
YOLO部署实例.zip876.45MBTensorFlow-serving.zip2.96MBPyTorch模型部署实例.zip102.8KBpytorch-slimming.zip356.43MBmobilenetv3.py7.31KBMobilenet.pdf2.41MB剪枝算法.pdf504.02KBDocker使用命令.zip7.83MB嵌入式AI
第四章 deepstream
4.6 deepstream集成yolov4.pdf822.46KB4.5 deepstream推理.pdf815.11KB4.4 python实现RTP和RTSP.pdf648.17KB4.3 GStreamer RTP和RTSP.pdf1.46MB4.2 deepstream HelloWorld.pdf711.55KB4.1 deepstream 介绍安装.pdf620.52KBsoftware
rtspVideoH264.py717BytertspCameraH264.py725Bytegstreamer-1.0-msvc-x86_64-1.20.4.msi104.38MBEasyPlayer-RTSP-Win-V3.0.19.0515.zip16.31MBcamera_gstreamer_code_rtsp_out.py2.07KBcamera_gstreamer_code_rtp.py2.12KBAccelerated_GStreamer_User_Guide.pdf1.08MB第三章 NVIDIA TAO 实用级的训练神器
3.5TAO 剪枝在训练推理验证.pdf791.99KB3.4NVIDIA TAO预训练模型和训练.pdf858.8KB3.3NVIDIA TAO数据转换.pdf936.63KB3.2NVIDIA TAO数据准备和环境设置.pdf785.88KB3.1NVIDIA TAO介绍和安装.pdf570.97KB第二章 AI 实战
时间统计.xlsx9.57KB2.6 转换出onnx模型，并使用.pdf95.28KB2.5 训练出自己目标识别模型.pdf1.13MB2.4 训练自己的目标检测模型准备.pdf300.13KB2.3 docker中运行分类模型.pdf124.5KB2.2 docker 的安装使用.pdf395.69KB2.1 jetson-inference 入门.pdf115.24KB2software
usbCamera.py159Bytemobilenet-v1-ssd-mp-0_675.pth36.24MBjetson-inference.zip557.41MBcsiCamera.py1002Bytenetworks
googlenet_noprob.prototxt34.94KBgooglenet.prototxt35.02KBbvlc_googlenet.caffemodel51.05MB第一章 认识 jetson nano
1.4 安装使用摄像头csi usb.pdf163.17KB1.3 感受nano的GPU算力.pdf118.11KB1.2b jetson nano 系统安装过程.pdf802.23KB1.2 jetson nano 刷机.pdf503.86KB1.1 jetson nano 硬件介绍.pdf895.04KB1software
usbCamera.py183ByteSDCardFormatterv5_WinEN.zip6.13MBcsiCamera.py1002Bytecode_1.71.2-1663189619_arm64.deb71.46MB
balenaEtcher-Setup-1.7.9.exe138.76MB第21章 经典大模型解读
6 节ChatGPT
GPT系列.pdf1.81MB5 节Dalle2及其源码解读
dalle2.pdf40.92MBDALLE2-pytorch-main.zip4.21MB4 节Diffusion模型解读
annotated_diffusion.ipynb4.45MB3 节CLIP系列
CLIP及其应用.pdf1.8MBCLIP.zip679.35KB2 节GPT建模与预测流程
ChinesePretrainedModels.zip1.62GB1 节GPT系列生成模型
GPT系列.pdf1.25MBGPT.zip1.25GB第20章 面向医学领域的深度学习实战
16-词向量模型与RNN网络架构.zip2.15MB3-PyTorch框架必备核心模块解读.zip336.95MB2-PyTorch框架基本处理操作.zip98.58MB17-医学糖尿病数据命名实体识别
notebook-瑞金.zip4.96MBeclipse-命名实体识别.zip18.19MB15-基于知识图谱的医药问答系统实战
配置与安装.pdf102.29KB14-Neo4j数据库实战
NEO4J.pdf268KB13-知识图谱原理解读
知识图谱.pdf2.14MB12-基于YOLO5细胞检测实战
基于YOLO5细胞检测实战.zip584.81MB11-YOLO系列物体检测算法原理解读
YOLOv4.pdf3.84MBYOLO.pdf2.05MB10-基于deeplab的心脏视频数据诊断分析
基于deeplab的心脏视频数据诊断分析.zip748.28MB9-基于deeplabV3+版本进行VOC分割实战
DeepLabV3Plus.zip1.92GB8-deeplab系列算法
DeepLab.pdf704.25KB7-unet医学细胞分割实战
unet++.zip409.6MB6-Unet系列算法讲解
深度学习分割任务.pdf1.14MB5-图像分割及其损失函数概述
深度学习分割任务.pdf1.14MB4-基于Resnet的医学数据集分类实战
Resnet.pdf207.88KB1-神经网络算法PPT
深度学习.pdf9.93MB第19章-强化学习实战系列
第8节：A3C算法玩转超级马里奥.zip97.62MB第7节：Actor-Critic算法分析(A3C).pdf560.29KB第5节：DQN算法实例演示.zip1.98KB第4节：DQN算法.pdf1.43MB第3节：策略梯度实战-月球登陆器训练实例.zip4.34MB第2节：PPO算法与公式推导.pdf899.22KB第1节：强化学习简介及其应用.pdf738.65KB第18章 对抗⽣成⽹络实战
static.zip1.26MB第7节：starganvc2变声器项目实战及其源码解读.zip485MB第5节：stargan项目实战及其源码解读.zip869.44MB第3节：基于CycleGan开源项目实战图像合成.zip1.6GB第2节：对抗生成网络架构原理与实战解析.zip35.28MBcyclegan.pdf2.67MB第9节：基于GAN的图像补全实战
图像补全人脸数据.zip1.31GBglcic图像补全.zip178.82MB第8节：图像超分辨率重构实战
srgan超分辨率重构.zip532.56MBsrdata.zip3.97GB第6节：基于starganvc2的变声器论文原理解读
stargan-vc2.pdf788.57KB1907.12279.pdf451.51KB第4节：stargan论文架构解析
stargan.pdf936.95KB1912.01865.pdf5.45MB第17章 ⾏⼈重识别实战
第7节：基于拓扑图的行人重识别项目实战
基于图模型的ReID(旷视).zip1.55GB第6节：旷视研究院最新算法解读（基于图模型）
Wang_High-Order_Information_Matters_Learning_Relation_and_Topology_for_Occluded_Person_CVPR_2020_paper.pdf1.5MB第5节：项目实战-基于行人局部特征融合的再识别实战
Relation Network for Person Re-identification.zip296.48MB第4节：经典会议算法精讲（特征融合）
Relation Network for Person Re-identification.pdf2.52MB第3节：基于Attention的行人重识别项目实战
Relation-Aware-Global-Attention-Networks.zip3.09GB第2节：基于注意力机制的ReId模型论文解读
Relation-Aware Global Attention.pdf675.74KB第1节：行人重识别原理及其应用
行人重识别.pdf1.83MB第16章 缺陷检测实战
DeepLab铁质材料缺陷检测与开源项目应用流程.zip3.58GB第10章：基于视频流水线的Opnecv缺陷检测项目.zip13.96MB第9章：基于Opencv缺陷检测项目实战.zip11.38MB第5章：Semi-supervised布料缺陷检测实战.zip212.33MBResnet分类实战
Resnet.pdf207.88KBPyTorch基础
3-图像识别核心模块实战解读.zip336.95MB1-PyTorch框架基本处理操作.zip98.58MB第11-12章：deeplab
DeepLabV3Plus.zip1.92GBDeepLab.pdf704.25KB第6-8章：Opencv各函数使用实例
第二部分notebook课件.zip1.29MB第一部分notebook课件.zip7.28MB第1-4章：YOLOV5缺陷检测
YOLO新版.pdf3.62MBYOLO5.zip469.64MBNEU-DET.zip26.68MBDefective_Insulators.zip54.69MB第15章 对比学习与多模态任务实战
多模态文字识别
DBNET.pdf3.83MBABINET.pdf1.24MB多模态3D目标检测算法源码解读
mmdetection3d-1.0.0rc0.zip395.05MB对比学习算法与实例
trainCLIP.py1.56KB对比学习.pdf1.96MBCLIP系列
CLIP及其应用.pdf1.94MBCLIP.zip679.35KBANINET源码解读
mmocr-main.zip381.72MB第14章 ⾯向深度学习的⽆⼈驾驶实战
15-特斯拉无人驾驶解读
Tesla无人驾驶.pdf4.02MB14-轨迹估计预测实战
Vector.zip4.93MB13-轨迹估计算法与论文解读
无人驾驶.pdf629.17KB12-TSDF实战案例
TSDF实例
tsdf-fusion-python-master.zip120.44MB11-TSDF算法与应用
TSDF.pdf786.76KB10-NeuralRecon项目源码解读
NeuralRecon
train_demo.zip64.62MBdata.py9.87KBall_tsdf_9.zip5.3MB8-NeuralRecon算法解读
NeuralRecon.pdf7.73MB三维重建.pdf3.07MB7-三维重建应用与坐标系基础
三维重建.pdf2.91MB6-局部特征关键点匹配实战
LoFTR.zip404.06MB5-商汤LoFTR算法解读
Loftr.pdf1.66MB2104.00680.pdf7.68MB4-基于深度学习的车道线检测项目实战
Lane-Detection.zip1.9GB3-车道线检测算法与论文解读
基于深度学习的车道线检测.pdf879.67KB2.深度估计项目实战
LapDepth.zip650.39MB1.深度估计算法解读
深度估计.pdf1.5MBMonocular_Depth_Estimation_Using_Laplacian_Pyramid-Based_Depth_Residuals.pdf13.78MB第13章 3D点云实战
第8节：基础补充-对抗生成网络架构原理与实战解析
第八章：对抗生成网络架构原理与实战解析.zip35.28MB第7节：点云配准及其案例实战
RPMNet.zip447.43MB点云匹配.pdf552.85KB2003.13479.pdf1.64MB第6节：点云补全实战解读
PF-Net-Point-Fractal-Network.zip646.12MB第5节：点云补全PF-Net论文解读
点云补全.pdf596.42KB2003.00410.pdf4.02MB第4节：Pointnet++项目实战
Pointnet2.zip2.33GB第3节：PointNet++算法解读
PointNet++.pdf1.72MB第2节：3D点云PointNet算法
PointNet++.pdf1.72MBCloudCompare.zip68.07MB第1节：3D点云应用领域分析
激光雷达.mp48.14MB点云.pdf1.14MB第12章 图神经⽹络实战
异构图神经网络
异构图神经网络.pdf3.06MB异构图.pdf1017.27KBHeterogeneousGraph.zip1.89MB基于图模型的时间序列预测
Raindrop-main.rar89.66MBraindrop-AAAI22.pdf10.58MB2110.05357.pdf880.7KB第二章：图卷积GCN模型
图卷积.pdf1.02MB第一章：图神经网络基础
图神经网络.pdf1.59MB9-图模型轨迹估计实战
Vector.zip4.93MB8-基于图模型的轨迹估计
数据集Demo.mp44.08MB轨迹轨迹.pdf669.95KB7-图相似度计算实战
Extended-SimGNN.zip3.49MB6-图相似度论文解读
1808.05689.pdf1.46MB5-图注意力机制与序列图模型
图注意力机制.pdf748.26KBTemporal Graph Neural Networks.pdf703.14KB时间序列TGCN.zip29.94MB4-使用PyTorch Geometric构建自己的图数据集
创建自己的数据集.zip423.92MB3-图模型必备神器PyTorch Geometric安装与使用
工具包使用.zip16.68MB第11章 论文必备Transformer实战解读
Transformer在视觉中的应用VIT算法.pdf1.24MBtransformer.pdf1.99MBmmdetection-master.zip1.46GBMedical-Transformer.zip59.77MBmaskformer.pdf1.51MBmask2former.pdf2.97MBLoFTR.zip404.06MBLoftr.pdf1.51MB可变形DETR.pdf4.5MBInformer.zip18.28MBInformer.pdf1.12MB第七章：detr目标检测源码解读.zip108.29KB第六章：基于Transformer的detr目标检测算法.pdf885.69KB第五章：swintransformer源码解读.zip234.56MB第四章：swintransformer算法原理解析.pdf807.76KBBEV.pdf998.21KBbaiduyunguangjia_cfg_A900527E-5BA6-4d22-8E96-E40D5C6EDF61.cfg4Byte2104.00680.pdf7.8MB基础补充-Resnet模型及其应用实例
Resnet.pdf207.88KB谷歌开源项目BERT源码解读与应用实例
BERT开源项目及数据.zip992.7MB第十二，十三章
LoFTR.zip404.06MBLoftr.pdf1.51MB2104.00680.pdf7.8MB第10章 经典视觉项目实战-行为识别
slowfast论文.pdf1.45MB基础补充-PyTorch框架基本处理操作.zip98.58MB基础补充-PyTorch框架必备核心模块解读.zip336.95MB6-视频异常检测CVPR2021论文及其源码解读.zip243.75MB5-视频异常检测算法与元学习.pdf1.15MB4-基于3D卷积的视频分析与动作识别.zip845.84MB1-slowfast算法知识点通俗解读.pdf572.31KBslowfast-add
avademo.zip2.08GBdownload
val.csv1.54MBtrain.csv1.48MB_Ca3gOdOHxU.mp4516.8MB_145Aa_xkuE.mp4313.33MB1j20qq1JyX4.mp4240.53MB-5KQ66BBWC4.mkv.1251.05MB
-5KQ66BBWC4.mkv251.05MBava_annotations
ava_val_v2.2.csv11.05MBava_train_v2.2.csv39.22MBava_train_v2.1.csv35.11MBperson_box_67091280_iou90
val.csv98.31MBtrain.csv358.14MBtest.csv198.39MBava_val_v2.1.csv9.94MBava_val_predicted_boxes.csv7.58MBava_val_excluded_timestamps_v2.1.csv629Byteava_train_v2.1.csv35.11MBava_train_predicted_boxes.csv52.2MBava_detection_val_for_training_boxes_and_labels_include_negative_v2.2.csv15.16MBava_detection_val_for_training_boxes_and_labels_include_negative_v2.1.csv14.93MBava_detection_val_for_training_boxes_and_labels_include_negative.csv14.93MBava_detection_val_boxes_and_labels.csv7.58MBava_detection_train_boxes_and_labels_include_negative_v2.2.csv53.28MBava_detection_train_boxes_and_labels_include_negative_v2.1.csv52.2MBava_detection_train_boxes_and_labels_include_negative.csv52.2MBava_detection_test_boxes_and_labels.csv14.63MBava_action_list_v2.1_for_activitynet_2018.pbtxt2.59KB基础补充-Resnet模型及其应用实例
Resnet.pdf207.88KB第10章 经典视觉项目实战-目标追踪与姿态估计
基础补充-PyTorch框架基本处理操作.zip98.58MB基础补充-PyTorch框架必备核心模块解读.zip336.95MB第四章：Deepsort源码解读.zip107.9MB第三章：Deepsort算法知识点解读.pdf1.58MB第二章：OpenPose算法源码分析.zip243.86MB第一章：姿态估计OpenPose系列算法解读.pdf2.42MB基础补充-Resnet模型及其应用实例
Resnet.pdf207.88KB第五六七章：YOLO目标检测
YOLO新版.pdf3.62MBYOLO5.zip469.64MBNEU-DET.zip26.68MB训练自己的数据集
json2yolo.py1.48KB构建自己的数据集.pdf403.78KBCOCO-DATA
COCO数据集.txt96Byte第9章 走向AI论文实验与项目实战的捷径-MMLAB实战系列
ner.zip121.6MBmask2former(mmdetection).zip192.38MB第九模块：mmaction2-master.zip827.76MB第八模块：mmrazor-模型蒸馏.zip1GB第七模块：mmdetection3d-1.0.0rc0.zip395.05MB第六模块：mmediting-master.zip107.78MB第五模块：mmgeneration-master.zip746.81MB第四模块：mmocr-main.zip381.72MB第三模块：mmdetection-master.zip1.46GB第二模块：MPViT-main.zip924.77MB第二模块：mmsegmentation-0.20.2.zip2.8GB第一模块：mmclassification-master.zip912MBOCR算法解读
DBNET.pdf3.83MBABINET.pdf1.24MBKIE关键信息抽取与视频超分辨率重构
spynet.pdf5.8MBKIE.pdf2.27MBBasicVSR++.pdf13.04MBDeformableDetr算法解读
可变形DETR.pdf4.5MB第8章 图像分割实战
图像识别核心模块实战解读.zip336.95MBR(2+1)D网络.pdf507.15KBPyTorch框架基本处理操作.zip98.58MBMaskRcnn网络框架源码详解.zip1.14GBmask-rcnn.pdf989.98KBf112c9fda85536ee3eba662c9043e683.bat70Byte第5节：U-2-Net.zip636.25MBunet医学细胞分割实战
unet++.zip409.6MBUnet系列算法讲解
深度学习分割任务.pdf1.14MB图像分割算法
深度学习分割任务.pdf1.14MB基于Resnet的医学数据集分类实战
Resnet.pdf207.88KB基于deeplabV3+版本进行VOC分割实战
DeepLabV3Plus.zip1.92GB基于deeplab的心脏视频数据诊断分析
基于deeplab的心脏视频数据诊断分析.zip748.28MB分割模型Maskformer系列
maskformer.pdf1.51MBmask2former.pdf2.97MBdeeplab系列算法
DeepLab.pdf704.25KB补充：Mask2former源码解读
mask2former(mmdetection).zip192.38MB第7章 综合项⽬-物体检测经典算法实战
Yolov7结构图.pptx44.45KBYOLOV7.pdf1.69MByolov7-main.zip337.57MB物体检测.pdf1.38MBmmdetection-3.x.zip35.6MB可变形DETR.pdf4.5MBjson2yolo.py1.48KBEfficientNet.pdf943.23KBEfficientDet.zip80.48MBEfficientDet.pdf780.7KBdetr目标检测源码解读.zip108.29KB第十二章：基于Transformer的detr目标检测算法.pdf885.69KBCenterNet.pdf8.83MBYOLO系列（PyTorch）
YOLO新版.pdf3.62MBYOLO5.zip469.64MBPyTorch-YOLOv3.zip462.21MBNEU-DET.zip26.68MB训练自己的数据集
json2yolo.py1.48KB构建自己的数据集.pdf403.78KBCOCO-DATA
COCO数据集.txt96Byte第6章 Opencv图像处理框架实战
源码资料
第21节：项目实战-疲劳检测.zip74.15MB第21节：人脸关键点定位.zip69.75MB第20节：卷积原理与操作.zip24.47KB第19节：项目实战-目标追踪.zip125.33MB第18节：Opencv的DNN模块.zip49.62MB第15节：项目实战-答题卡识别判卷.zip3.07MB第14节：项目实战-停车场车位识别.zip111.34MB第13节：案例实战-全景图像拼接.zip829.49KB第10节：项目实战-文档扫描OCR识别.zip44.94MB第9节：项目实战-信用卡数字识别.zip548.1KB课件
第16-17节notebook课件.zip9.37MB第11-12节notebook课件.zip52.05MB第2-8节课件
第8节notebook课件.zip1.29MB第2-7节notebook课件.zip7.28MB第5章 深度学习框架Tensorflow
源码资料
第13节：经典网络架构Resnet实战.zip518.92MB第12节：时间序列预测.zip14.02MB第11节：CNN文本分类实战.zip27.62KB第10节：基于RNN模型进行文本分类任务.zip95.66MB第9节：基于TensorFlow实现word2vec.zip29.92MB第8节：递归神经网络与词向量原理解读.zip2.15MB第7节：训练策略-迁移学习实战.zip66.93MB第6节：图像数据增强实例.zip6.19MB第5节：猫狗识别实战.zip66.23MB第3节：搭建神经网络进行分类与回归任务.zip17.63MB第1节：tensorflow安装与简介.zip298.74KB课件
神经网络整体架构（深度学习）.pdf9.54MB第4章 深度学习核⼼框架PyTorch
深度学习.pdf9.93MBPyTorch.pdf2.67MBflask预测.zip712.05MB第七章：LSTM文本分类实战.zip31.53MB第六章：DataLoader自定义数据集制作.zip594.02MB第五章：图像识别模型与训练策略（重点）.zip449.77MB第3章 深度学习必备核⼼算法
课件
深度学习.pdf9.93MB卷积神经网络.pdf2.59MB词向量模型资料
NLP核心模型-word2vec.zip2.15MB第2章 AI课程所需安装软件教程
VisualStudioSetup.exe1.6MBtorchvision-0.11.0+cu113-cp38-cp38-win_amd64.whl3.04MBtorch-1.10.0+cu113-cp38-cp38-win_amd64.whl2.27GBpycharm-community-2022.1.2.exe378.78MBnotepadplusplus-8-4.exe4.28MBmmcv_full-1.4.7-cp38-cp38-win_amd64.whl12.75MBcuda_11.3.0_465.89_win10.exe2.68GBAnaconda3-2020.07-Windows-x86_64.exe467.49MB第1章 直播课
15-直播13：BEITV2-3与Mmlab自监督源码解读
第十三课：BEITV2及其源码解读
BEiT v2.pdf9.87MB1-17 节直播15：总结与论文和简历
EfficientViT.pdf5.42MB1-16 节直播14：Bev特征空间与知识蒸馏
蒸馏.pdf1.45MBReinforced Multi-Teacher Selection for Knowledge Distillation.pdf1.02MBDecoupled Knowledge Distillation.pdf1.98MBBEV.pdf998.7KB1-14 节直播12：注意力机制串讲
可变形DETR.pdf4.42MBInformer.pdf1.12MB1-13 节直播11：对比学习与自监督任务
对比学习.pdf1.96MBBEIT.pdf1017.26KB1-12 节直播10：EfficientVIT与DINOV2
IMAGE BERT PRE-TRAINING WITH ONLINE.pdf14.49MBEmerging Properties in Self-Supervised Vision Transformers.pdf13.43MBEfficientViT.pdf5.41MBDINOv2.pdf7.71MB1-11 节直播9：LangChain与VQA任务
langchain-tutorials-main.zip38.24MBFrom Images to Textual Prompts.pdf6.68MB1-10 直播8：图神经网络
异构图.pdf937.68KB图注意力机制.pdf741.59KB图神经网络.pdf1.51MB图卷积.pdf955.9KBTemporal Graph Neural Networks.pdf695.82KB1-9 直播7：文本大模型下游任务一条龙资料
Huatuo-Llama-Med-Chinese-main.zip44.74MB大模型.pdf1.37MB1-8 节直播6：时间序列timesnet
Time-Series-Library-main.zip21.74MB2210.02186.pdf3.81MB1-7 节直播5：Segment anything
1-7 节直播5：Segment anything
SAM.pdf14.98MB1-6 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.pdf1.24MB1-5 节直播3：Transformer
transformer.pdf1.99MB1-4 节直播2：卷积神经网络
卷积神经网络.pdf2.59MB1-3 节直播1：神经网络结构
神经网络.pdf6.31MB1-1 节开班典礼
3_唐宇迪《深度学习》系统班V8.0.pdf31.04MB30-论文创新点常用方法及其应用实例
1-通用创新点
18-在源码中加入各种注意力机制方法.mp4122.48MB17-可变形卷积加入方法.mp423.44MB16-自己数据集如何发的好(要开源).mp445.07MB15-只能机器学习模型时凑工作量（特征工程）.mp46.02MB14-Coarse2Fine大框架.mp440.53MB13-自适应可学习参数.mp414.27MB12-损失函数约束项.mp48.42MB11-结合GNN构建局部特征.mp425.87MB10-Attention额外加入先验知识.mp47.42MB9-CrossAttention融合特征.mp420.5MB8-ProbAttention(采样策略).mp423.58MB7-Deformable(替换selfAttention).mp444.9MB6-mobileOne(加速).mp445.26MB5-SPP改进.mp417.03MB4-SPD（可替换下采样）.mp445.03MB3-Coordinate_attention.mp474.92MB2-GCnet(全局特征融合).mp474.35MB1-ACMIX（卷积与注意力融合）.mp486.05MB29-推荐系统实战系列
11-补充-基于相似度的酒店推荐系统
6-6-得出推荐结果.mp461.97MB5-5-相似度计算.mp447.62MB4-4-文本清洗.mp432.9MB3-3-ngram结果可视化展示.mp453.07MB2-2-文本词频统计.mp431.41MB1-1-酒店数据与任务介绍.mp422.01MB10-基本统计分析的电影推荐
9-9-得出推荐结果.mp451.85MB8-8-数据特征构造.mp436.15MB7-7-推荐引擎构造.mp450.93MB6-6-缺失值填充方法.mp437.16MB5-5-数据清洗概述.mp457.31MB4-4-特征可视化.mp438.67MB3-3-关键词云与直方图展示.mp445.97MB2-2-数据与关键词信息展示.mp461.26MB1-1-电影数据与环境配置.mp464.07MB9-基于文本数据的推荐实例
7-7-推荐结果分析.mp443MB6-6-LDA主题模型效果演示.mp453.07MB5-5-矩阵分解演示.mp429.02MB4-4-TFIDF构建特征矩阵.mp431.28MB3-3-文本数据预处理.mp437.37MB2-2-数据科学相关数据介绍.mp431.25MB1-1-数据与环境配置介绍.mp419.81MB8-推荐系统常用工具包演示
5-5-评估指标概述.mp466.45MB4-4-模型测试集结果.mp430.72MB3-3-surprise工具包基本使用.mp436.06MB2-2-电影数据集预处理分析.mp432.75MB1-1-环境配置与数据集介绍.mp435.7MB7-DeepFM算法实战
9-9-DNN模块与训练过程.mp437.53MB8-8-完成FM模块计算.mp424.56MB7-7-特征组合方法实例分析.mp449.49MB6-6-二阶特征构建方法.mp428.85MB5-5-一阶权重参数设计.mp433.52MB4-4-Index与Value数据制作.mp429.32MB3-3-数据处理模块Embedding层.mp434.38MB2-2-广告点击数据预处理实例.mp449.15MB1-1-数据集介绍与环境配置.mp457.76MB6-点击率估计FM与DeepFM算法
8-8-Embedding层的作用与总结.mp421.52MB7-7-输入层所需数据样例.mp414.12MB6-6-DeepFm整体架构解读.mp415.14MB5-5-FM算法解析.mp419.83MB4-4-二阶公式推导与化简.mp420.88MB3-3-二项式特征的作用与挑战.mp411.8MB2-2-高维特征带来的问题.mp412.95MB1-1-CTR估计及其经典方法概述.mp421.94MB5-基于知识图谱的电影推荐实战
7-7-相似度计算与推荐引擎构建.mp439.17MB6-6-图谱查询与匹配操作.mp419.62MB3-3-图谱需求与任务流程解读.mp426.59MB1-1-知识图谱推荐系统效果演示.mp423.66MB4-知识图谱与Neo4j数据库实例
10-5-数据库更改查询操作演示.mp427.14MB9-4-创建与删除操作演示.mp425.32MB8-3-可视化例子演示.mp443.59MB6-1-Neo4j图数据库介绍.mp463.5MB5-5-数据获取分析.mp435.93MB4-4-金融与推荐领域的应用.mp420.39MB2-2-知识图谱在搜索引擎中的应用.mp426.6MB1-1-知识图谱通俗解读.mp419.87MB3-音乐推荐系统实战
6-6-基于矩阵分解的音乐推荐.mp483.15MB3-3-基于物品的协同过滤.mp463.1MB2-2-数据集整合.mp453.91MB1-1-音乐推荐任务概述.mp464.46MB2-协同过滤与矩阵分解
8-8-Embedding的作用.mp411.11MB7-7-隐式情况分析.mp414.1MB6-6-目标函数简介.mp413.75MB5-5-矩阵分解中的隐向量.mp425.07MB4-4-矩阵分解的目的与效果.mp420.65MB3-3-相似度计算与推荐实例.mp415.18MB2-2-基于用户与商品的协同过滤.mp418.52MB1-1-协同过滤与矩阵分解简介.mp411.3MB1-推荐系统介绍及其应用
6-6-与深度学习的结合.mp423.7MB5-5-常用技术点分析.mp416.45MB4-4-任务流程与挑战概述.mp426.74MB3-3-应用领域与多方位评估指标.mp426.51MB2-2-推荐系统发展简介.mp423.22MB1-1-推荐系统通俗解读.mp417.27MB28-语音识别实战系列
7-语音合成tacotron最新版实战
12-损失函数与预测.mp447.96MB11-模型输出结果.mp453.26MB10-得到加权的编码向量.mp455.86MB9-注意力机制应用方法.mp443.71MB8-解码器流程梳理.mp441.4MB7-解码器输入准备.mp434.57MB6-得到编码特征向量.mp428.54MB5-编码层要完成的任务.mp446.37MB4-Dataloader构建数据与标签.mp466.68MB3-路径配置与整体流程解读.mp470.15MB2-所需数据集介绍.mp452.73MB1-语音合成项目所需环境配置.mp444.55MB6-ConvTasnet语音分离实战
8-测试模块所需参数.mp442.42MB7-解码得到分离后的语音.mp452.59MB6-构建更大的感受区域.mp453.48MB5-编码器特征提取.mp455.01MB4-采样数据特征编码.mp437.67MB3-DataLoader定义.mp438.03MB2-训练任务所需参数介绍.mp427.66MB1-数据准备与环境配置.mp477.96MB5-语音分离ConvTasnet模型
6-基于Mask得到分离结果.mp419.25MB5-DW卷积的作用与效果.mp410.17MB4-TasNet编码器结构分析.mp441.61MB3-DeepClustering论文解读.mp416.26MB2-经典语音分离模型概述.mp418.09MB1-语音分离任务分析.mp49.16MB4-staeganvc2变声器源码实战
11-测试模块-生成转换语音.mp447.17MB10-源码损失计算流程.mp434.82MB9-论文损失函数.mp4100.48MB8-判别器模块解读.mp435.22MB7-生成器前向传播维度变化.mp426.49MB6-starganvc2版本标签输入分析.mp449.96MB5-下采样与上采样操作.mp435.48MB4-生成器构造模块解读.mp441.33MB3-数据预处理与声音特征提取.mp488.49MB2-环境配置与工具包安装.mp437.11MB1-数据与项目文件解读.mp421.8MB3-starganvc2变声器论文原理解读
7-判别器模块分析.mp4114.03MB6-AdaIn的目的与效果.mp413.18MB5-InstanceNorm的作用解读.mp418.58MB4-生成器模型架构分析.mp415.81MB3-语音特征提取.mp430.57MB2-VCC2016输入数据.mp420.76MB1-论文整体思路与架构解读.mp434.66MB2-LAS模型语音识别实战
9-解码器与训练过程演示.mp443.78MB8-计算得到每个输出的attention得分.mp436.42MB7-加入注意力机制.mp433.29MB6-编码器模块整体流程.mp431.43MB5-Pack与Pad操作解析.mp435.92MB4-声音数据处理模块解读.mp462.84MB3-制作json标注数据.mp437.84MB2-语料表制作方法.mp425.47MB1-数据源与环境配置.mp432.23MB1-seq2seq序列网络模型
6-额外补充-RNN网络模型解读.mp423.75MB5-TeacherForcing的作用与训练策略.mp416.61MB4-加入attention的序列模型整体架构.mp420.57MB3-注意力机制的作用.mp414.86MB2-工作原理概述.mp48.98MB1-序列网络模型概述分析.mp417.3MB27-知识图谱实战系列
8-医学糖尿病数据命名实体识别
6-医疗数据集（糖尿病）实体识别.mp481.44MB5-训练网络模型.mp440.37MB4-输入样本填充补齐.mp436.22MB3-数据-标签-语料库处理.mp439.99MB2-整体模型架构.mp415.01MB1-数据与任务介绍.mp422.73MB7-金融平台风控模型实践
7-图中联系人特征.mp470.31MB6-app安装特征.mp437.41MB5-各项统计特征.mp456.04MB4-deepwalk构建图顶点特征.mp453.48MB3-节点权重特征提取(PageRank).mp435.54MB2-图模型信息提取.mp427.76MB1-竞赛任务目标.mp423.81MB6-文本关系抽取实践
8-设计规则完成关系抽取.mp452.47MB7-语义角色构建与分析.mp454.17MB6-句法分析结果整理.mp439.09MB5-依存句法概述.mp430.83MB4-得到分词与词性标注结果.mp447.19MB3-pyltp安装与流程演示.mp441.82MB2-LTP工具包概述介绍.mp446.52MB1-关系抽取要完成的任务演示与分析.mp418.57MB5-基于知识图谱的医药问答系统实战
10-完成对话系统构建.mp439.47MB9-实体关键词字典制作.mp431.84MB8-加载所有实体数据.mp442.46MB7-打造医疗知识图谱模型.mp459.14MB6-创建关系边.mp439.41MB5-提取数据中的关键字段信息.mp461.33MB4-环境配置与所需工具包安装.mp436.37MB3-任务流程概述.mp439.73MB2-医疗数据介绍及其各字段含义.mp462.65MB1-项目概述与整体架构分析.mp437.04MB4-使用python操作neo4j实例
4-根据给定实体创建关系.mp451.03MB3-在图中创建实体.mp443.83MB2-提取所需的指标信息.mp453.17MB1-使用Py2neo建立连接.mp447.58MB3-Neo4j数据库实战
5-数据库更改查询操作演示.mp427.14MB4-创建与删除操作演示.mp425.32MB3-可视化例子演示.mp443.59MB2-Neo4j数据库安装流程演示.mp427.67MB1-Neo4j图数据库介绍.mp463.5MB2-知识图谱涉及技术点分析
6-图谱知识融合与总结分析.mp423.98MB5-视觉领域图编码实例.mp420.97MB4-金融领域图编码实例.mp412.77MB3-graph-embedding的作用与效果.mp426.15MB2-常用NLP技术点分析.mp422.09MB1-数据关系抽取分析.mp427.31MB1-知识图谱介绍及其应用领域分析
5-数据获取分析.mp435.93MB4-金融与推荐领域的应用.mp420.39MB3-知识图谱在医疗领域应用实例.mp4102.89MB2-知识图谱在搜索引擎中的应用.mp426.6MB1-知识图谱通俗解读.mp419.87MB26-自然语言处理通用框架-BERT实战
8-医学糖尿病数据命名实体识别
6-输入样本填充补齐.mp436.22MB5-医疗数据集（糖尿病）实体识别.mp481.44MB4-训练网络模型.mp440.37MB3-数据-标签-语料库处理.mp439.99MB2-整体模型架构.mp415.01MB1-数据与任务介绍.mp422.73MB7-必备基础知识点-RNN网络架构与情感分析应用实例
8-LSTM情感分析.mp4576.33MB7-训练与测试效果.mp491.77MB6-构建LSTM网络模型.mp446.69MB5-正负样本数据读取.mp436.78MB4-加载词向量特征.mp432.32MB3-项目流程解读.mp442.18MB2-NLP应用领域与任务简介.mp432.82MB1-RNN网络模型解读.mp423.75MB6-必备基础-掌握Tensorflow如何实现word2vec模型
5-可视化展示.mp449.61MB4-网络训练.mp449.09MB3-batch数据制作.mp451.53MB2-数据清洗.mp427.6MB1-数据与任务流程.mp445.67MB5-必备基础知识点-woed2vec模型通俗解读
5-负采样方案.mp429.51MB4-CBOW与Skip-gram模型.mp423.83MB3-训练数据构建.mp415.85MB2-模型整体框架.mp428.24MB1-词向量模型通俗解释.mp421.72MB4-项目实战-基于BERT的中文命名实体识别识别实战
3-构建BERT与CRF模型.mp466.46MB2-NER标注数据处理与读取.mp466.07MB1-命名实体识别数据分析与任务目标.mp430.45MB3-项目实战-基于BERT的中文情感分析实战
3-训练BERT中文分类模型.mp472.29MB2-读取处理自己的数据集.mp453.09MB1-中文分类数据与任务概述.mp483.53MB2-谷歌开源项目BERT源码解读与应用实例
12-训练BERT模型.mp454.66MB11-完成Transformer模块构建.mp440.81MB10-构建QKV矩阵.mp450.77MB9-mask机制的作用.mp436.78MB8-加入位置编码特征.mp423.61MB7-加入额外编码特征.mp442.45MB6-Embedding层的作用.mp430.98MB5-tfrecord数据源制作.mp451.5MB4-数据预处理模块.mp440.1MB3-数据读取模块.mp454.26MB2-项目参数配置.mp4106.78MB1-BERT开源项目简介.mp441.33MB1-自然语言处理通用框架BERT原理解读
11-训练实例.mp424.18MB10-BERT模型训练方法.mp420.67MB9-transformer整体架构梳理.mp422.34MB8-位置编码与多层堆叠.mp416.84MB7-Multi-head的作用.mp419.37MB6-特征分配与softmax机制.mp421.32MB5-self-attention计算方法.mp423.8MB4-注意力机制的作用.mp414.78MB3-传统解决方案遇到的问题.mp422.69MB2-BERT任务目标概述.mp411.52MB1-BERT课程简介.mp429.78MB25-时间序列预测
3-Timesnet时序预测
8-傅里叶变换流程.mp433.97MB7-源码流程解读.mp454.1MB6-周期间特征分析.mp474.13MB5-全部计算流程解读.mp466.52MB4-计算公式流程拆解.mp452.93MB3-时序特征周期拆解.mp472.51MB2-论文核心思想解读.mp464.34MB1-时序预测故事背景.mp481.92MB2-Informer源码解读
13-解码器预测输出.mp474.46MB12-平均向量的作用.mp433.7MB11-完成注意力机制计算模块.mp428.39MB10-核心采样计算方法.mp450.11MB9-编码器模块实现.mp439.16MB8-整体架构分析.mp436.91MB7-dataloader构建实例.mp441.03MB6-时间相关特征提取方法.mp439.96MB5-数据处理相关模块.mp444.58MB4-数据集构建与读取方式.mp444.54MB3-模型训练所需参数解读.mp437.37MB2-数据集解读.mp460.61MB1-项目使用说明.mp463.92MB1-Informer原理解读
7-解码器流程分析.mp424.85MB6-编码器全部计算流程.mp424.05MB5-probAttention计算流程.mp431.4MB4-Query采样方法解读.mp423.11MB3-论文要解决的问题分析.mp430.47MB2-常用模块分析.mp424.25MB1-时间序列预测要完成的任务.mp433.27MB24-自然语言处理必备神器Huggingface系列实战
11-补充Huggingface数据集制作方法实例
3-数据处理基本流程.mp472.59MB2-Huggingface中的预处理实例.mp472.56MB1-数据结构分析.mp447.87MB10-图谱知识抽取实战
8-关系抽取模型训练.mp442.25MB7-网络模型前向计算方法.mp432.93MB6-模型构建与计算流程.mp443.1MB5-标签与数据结构定义方法.mp449.68MB4-实体抽取模块分析.mp444.33MB3-数据处理与读取模块.mp439.11MB2-数据标注格式样例分析.mp470.01MB1-应用场景概述分析.mp491.97MB9-文本摘要建模
4-训练自己标注的数据并测试.mp427.68MB3-文本摘要数据标注方法.mp455.92MB2-模型训练与测试结果.mp4108.1MB1-中文商城评价数据处理方法.mp466.36MB8-GPT训练与预测部署流程
5-部署与网页预测展示.mp479.57MB4-模型训练过程.mp451.48MB3-训练所需参数解读.mp457.68MB2-数据样本生成方法.mp472.04MB1-生成模型可以完成的任务概述.mp428.91MB7-GPT系列算法
8-DEMO应用演示.mp498.82MB7-应用场景CODEX分析.mp436.5MB6-GPT3的提示与生成方法.mp474.39MB5-采样策略与多样性.mp428.2MB4-GPT第二代版本训练策略.mp428.94MB3-GPT初代版本要解决的问题.mp430.99MB2-GPT三代版本分析.mp429.33MB1-GPT系列算法概述.mp426.53MB6-文本预训练模型构建实例
3-预训练模型自定义训练.mp497.91MB2-文本数据截断处理.mp445.78MB1-预训练模型效果分析.mp431.96MB5-文本标注工具与NER实例
6-模型训练与输出结果预测.mp443.06MB5-预训练模型加载与参数配置.mp441.5MB4-标签处理并完成对齐操作.mp438.62MB3-标注导出与BIO处理.mp439.39MB2-命名实体识别任务标注方法实例.mp439.35MB1-文本标注工具Doccano配置方法.mp433.01MB4-BERT系列算法解读
5-DistilBert模型解读.mp416.06MB4-RoBerta模型训练方法解读.mp428.45MB3-ALBERT中的简化方法解读.mp443.38MB2-ALBERT基本定义.mp438.6MB1-BERT模型训练方法解读.mp423.92MB3-transformer原理解读
1-transformer原理解读.mp4367.64MB2-Transformer工具包基本操作实例解读
8-模型训练DEMO.mp458.66MB7-模型训练所需配置参数.mp436.95MB6-数据Dataloader封装.mp450.18MB5-数据集与模型.mp442.97MB4-AttentionMask配套使用方法.mp435.3MB3-文本切分方法实例解读.mp442.74MB2-NLP任务常规流程分析.mp429.18MB1-工具包与任务整体介绍.mp433.38MB1-Huggingface与NLP介绍解读
1-Huggingface与NLP介绍解读.mp4163.59MB23-自然语言处理经典案例实战
14-对话机器人
6-网络训练.mp437.99MB5-seq网络.mp430.68MB4-词向量与投影.mp438.22MB3-数据处理.mp441.99MB2-参数配置与数据加载.mp451MB1-效果演示.mp430.57MB13-机器人写唐诗
8-测试唐诗生成效果.mp421.38MB7-训练唐诗生成模型.mp411.13MB6-完成训练模块.mp428MB5-RNN模型定义.mp417.97MB4-batch数据制作.mp427.96MB3-数据预处理模块.mp435.34MB2-参数配置.mp421.87MB1-任务概述与环境配置.mp413.71MB12-LSTM情感分析
5-基于word2vec的LSTM模型.mp450.52MB4-情感数据集处理.mp433.58MB3-案例：使用LSTM进行情感分类.mp430.99MB2-LSTM网络架构.mp417.8MB1-RNN网络架构.mp419.86MB11-NLP-相似度模型
7-基于句子的相似度训练.mp442.44MB6-基于字符的训练.mp458.94MB5-网络模型定义.mp455.9MB4-数据预处理.mp436.08MB3-正负样本制作.mp437.95MB2-数据展示.mp422.65MB1-任务概述.mp413.15MB10-NLP-文本特征方法对比
6-深度学习模型.mp439.28MB5-word2vec词向量模型.mp454.4MB4-TFIDF模型.mp447.59MB3-词袋模型分析.mp463.59MB2-词袋模型.mp428.12MB1-任务概述.mp437.49MB9-基于word2vec的分类任务
4-使用gensim构建word2vec词向量（新）.mp467.73MB3-准备word2vec输入数据.mp424.19MB2-基于词袋模型训练分类器.mp428.07MB1-影评情感分类.mp446.92MB8-使用Gemsim构建词向量
4-测试模型相似度结果.mp420.04MB3-Gensim构造word2vec模型.mp420.97MB2-维基百科中文数据处理.mp439.14MB1-使用Gensim库构造词向量.mp416.84MB7-语言模型
10-负采样模型.mp410.5MB9-锑度上升求解.mp415.93MB8-CBOW求解目标.mp48.68MB7-CBOW模型实例.mp418.54MB6-Hierarchical Softmax.mp415.19MB5-神经网络模型.mp415.87MB4-词向量.mp413.55MB3-N-gram模型.mp413.62MB2-语言模型.mp48.82MB1-开篇.mp48.52MB6-HMM工具包实战
4-实现中文分词.mp435.77MB3-中文分词任务.mp413.44MB2-工具包使用方法.mp455.62MB1-hmmlearn工具包.mp419.55MB5-HMM隐马尔科夫模型
10-维特比算法.mp443.08MB9-参数求解.mp417.22MB8-Baum-Welch算法.mp426.86MB7-前向算法求解实例.mp433.34MB6-前向算法.mp436.14MB5-复杂度计算.mp415.28MB4-暴力求解方法.mp428MB3-组成与要解决的问题.mp414.85MB2-隐马尔科夫模型基本出发点.mp418.72MB1-马尔科夫模型.mp417.5MB4-新闻分类任务实战
6-基于贝叶斯算法进行新闻分类.mp450.88MB5-LDA建模.mp428.05MB4-TF-IDF关键词提取.mp445.75MB3-新闻数据与任务简介.mp433.21MB2-相似度计算.mp419.5MB1-文本分析与关键词提取.mp419.44MB3-贝叶斯算法
5-贝叶斯实现拼写检查器.mp436.77MB4-垃圾邮件过滤实例.mp422.82MB3-贝叶斯拼写纠错实例.mp418.58MB2-贝叶斯推导实例.mp411.92MB1-贝叶斯算法概述.mp411.34MB2-商品信息可视化与文本分析
8-聚类分析与主题模型展示.mp457.03MB7-通过降维进行可视化展示.mp439.05MB6-基于tf-idf提取关键词信息.mp435.32MB5-关键词的词云可视化展示.mp451.86MB4-商品描述长度对价格的影响分析.mp433.72MB3-商品类别可视化展示.mp441.28MB2-商品类别划分方式.mp437.31MB1-在线商城商品数据信息概述.mp432.31MB1-NLP常用工具包实战
14-词云展示.mp487.56MB13-结巴分词器.mp428.14MB12-统计分析结果.mp447.69MB11-恐怖袭击分析.mp440.53MB10-名字实体匹配.mp421.37MB9-Spacy工具包.mp447.11MB8-数据清洗实例.mp441.37MB7-词性标注.mp435.92MB6-停用词过滤.mp427.63MB5-NLTK工具包简介.mp432.26MB4-常用函数介绍.mp440.13MB3-正则常用符号.mp437.06MB2-正则表达式基本语法.mp431.03MB1-Python字符串处理.mp441.33MB22-深度学习模型部署与剪枝优化实战
12-Mobilenet三代网络模型架构
13-代码实现mobilenetV3网络架构.mp468.85MB12-SE模块作用与效果解读.mp431.91MB11-V3版本网络架构分析.mp411.56MB10-V2整体架构与效果分析.mp410.48MB9-倒残差结构的作用.mp417.43MB8-V2版本改进以及Relu激活函数的问题.mp419.55MB7-V1版本效果分析.mp424.94MB6-参数与计算量的比较.mp439.68MB5-深度可分离卷积的作用与效果.mp414.31MB4-经典卷积计算量与参数量分析.mp413.21MB3-mobilenet简介.mp48.62MB2-常见剪枝方法介绍.mp421.73MB1-模型剪枝分析.mp422.35MB11-模型剪枝-Network Slimming实战解读
6-微调完成剪枝模型.mp446.91MB5-剪枝后模型参数赋值.mp449.5MB4-筛选需要的特征图.mp436.3MB3-剪枝模块介绍.mp431.01MB2-加入L1正则化来进行更新.mp428.38MB1-整体案例流程解读.mp432.4MB10-模型剪枝-Network Slimming算法分析
5-稀疏化原理与效果.mp423.9MB4-额外的训练参数解读.mp420.11MB3-BN的本质作用.mp422.56MB2-BatchNorm要解决的问题.mp418.48MB1-论文算法核心框架概述.mp419.64MB9-tensorflow-serving实战
5-加载fashion模型启动服务.mp433.4MB4-fashion数据集获取.mp438.63MB3-测试模型部署效果.mp443.37MB2-加载并启动模型服务.mp431.27MB1-tf-serving项目获取与配置.mp430.47MB8-docker实例演示
7-上传与下载配置好的项目.mp445.48MB6-复制所需配置到容器中.mp428.2MB5-安装演示环境所需依赖.mp431.47MB4-基于docker配置pytorch环境.mp436.52MB3-阿里云镜像配置.mp426.97MB2-docker安装与配置.mp448.52MB1-docker简介.mp415.95MB7-YOLO-V3物体检测部署实例
4-返回线性预测结果.mp444.91MB3-数据预处理.mp453.86MB2-加载参数与模型权重.mp435.63MB1-项目所需配置文件介绍.mp424.63MB6-pyTorch框架部署实践
5-课程简介.mp48.15MB4-效果实例演示.mp443.27MB3-接收与预测模块实现.mp437.66MB2-模型加载与数据预处理.mp439.61MB1-所需基本环境配置.mp422.07MB4- AIoT人工智能物联网之deepstream
7-deepstream集成yolov4.mp4117.19MB6-deepstream推理.mp4117.9MB5-python实现RTP和RTSP.mp4118.05MB4-GStreamer RTP和RTSP2.mp4138.8MB3-GStreamer RTP和RTSP1.mp490.64MB2-deepstream HelloWorld.mp451.92MB1-deepstream 介绍安装.mp4108.78MB3-AIoT人工智能物联网之NVIDIA TAO 实用级的训练神器
7-TAO 剪枝在训练推理验证.mp4198.78MB6-NVIDIA TAO预训练模型和训练c..mp442.86MB5-NVIDIA TAO预训练模型和训练b.mp418.72MB4-NVIDIA TAO预训练模型和训练a.mp4100.69MB3-NVIDIA TAO数据转换.mp4146.27MB2-NVIDIA TAO数据准备和环境设置.mp474.09MB1-NVIDIA TAO介绍和安装.mp474.35MB2-AIoT人工智能物联网之AI 实战
7-转换出onnx模型，并使用.mp474.62MB6-训练出自己目标识别模型b.mp491.42MB5- 训练出自己目标识别模型a.mp4109.79MB4-训练自己的目标检测模型准备.mp477.71MB3-docker中运行分类模型.mp4197.54MB2-docker 的安装使用.mp486.11MB1- jetson-inference 入门.mp459.71MB1-AIoT人工智能物联网之认识 jetson nano
5-安装使用摄像头csi usb.mp443.16MB4-感受nano的GPU算力.mp462.42MB3- jetson nano 系统安装过程.mp484.51MB2-jetson nano 刷机.mp4105.19MB1- jetson nano 硬件介绍.mp422.06MB21-CV与NLP经典大模型解读
18-补充-视觉大模型基础-deformableAttention
6-下游任务应用场景.mp429.34MB5-整体框架流程实例.mp452.61MB4-论文计算公式解读.mp470.45MB3-应用场景分析解读.mp448.64MB2-可变形偏移量分析.mp437.05MB1-DeformableAttention概述分析.mp426.55MB17-BEVformer项目源码解读
12-损失函数与预测可视化.mp449.48MB11-Decoder级联校正模块.mp441.58MB10-获取当前BEV特征.mp435.9MB9-Decoder要完成的任务分析.mp433.95MB8-BEV空间特征构建.mp434.01MB7-注意力机制模块计算方法.mp438.61MB6-BEV空间与图像空间位置对应.mp437.67MB5-Reference初始点构建.mp437.26MB4-特征对齐与位置编码初始化.mp443.63MB3-特征提取以及BEV空间初始化.mp443.81MB2-数据集下载与配置方法.mp453.57MB1-环境配置方法解读.mp442.79MB16-BEV感知特征空间算法解读
10-整体架构总结.mp451.47MB9-核心模块论文分析.mp457.14MB8-论文知识点分析.mp450.4MB7-时间模块与拓展补充.mp427.1MB6-空间注意力模块解读.mp433.92MB5-DeformableAttention回顾.mp440.86MB4-BEV汇总特征方法实例解读.mp435.67MB3-特征融合过程中可能遇到的问题.mp422.25MB2-BEV中的3D与4D分析.mp423.58MB1-BEV要解决的问题通俗解读.mp457.89MB15-视觉自监督任务BEITV2源码解读
3-源码实现流程总结.mp445.78MB2-网络结构搭建细节解读.mp449.16MB1-mmselfup源码实现解读.mp442.02MB14-视觉自监督任务BEITV2论文解读
5-论文细节模块实现解读.mp499.31MB4-框架实现细节流程分析.mp421.84MB3-整体网络架构图分析.mp443.98MB2-自监督任务中两大核心任务分析.mp456.24MB1-BEITV2版本论文出发点解读.mp448MB13-视觉自监督BEIT算法解读
5-任务总结分析.mp4114.38MB4-codebook模块的作用.mp481.31MB3-建模流程分析与效果展示.mp4101.08MB2-任务训练目标分析.mp472.8MB1-视觉自监督任务分析.mp456.86MB12-自监督任务-对比学习思想
4-下游任务应用概述.mp445.04MB3-Simclr框架流程分析.mp440.15MB2-正负样本构建方法.mp434.18MB1-对比学习要解决的问题分析.mp447.41MB11-openai-dalle2源码解读
5-源码实现流程总结.mp456.49MB4-Decoder模块实现细节解读.mp444.83MB3-源码公式对应论文分析.mp447.57MB2-源码实现细节分析.mp441.14MB1-项目整体流程分析.mp453.51MB10-openai-dalle2论文解读
4-各模块实现细节讲解.mp478.77MB3-算法核心流程解读.mp462.78MB2-不同模块对比分析.mp434.78MB1-论文基本思想与核心模块分析.mp442.1MB9-扩散模型diffusion架构算法解读
10-基本建模训练效果.mp481.38MB9-案例流程分析.mp453.76MB8-论文流程图解读.mp446.55MB7-细节实现总结.mp459.6MB6-公式推导结果分析.mp449.07MB5-算法实现细节推导.mp441.52MB4-分布相关计算操作.mp445.08MB3-公式原理推导解读.mp451.48MB2-要完成的任务分析.mp462.27MB1-扩散模型概述与GAN遇到的问题.mp443.24MB8-视觉QA算法与论文解读
5-VQA任务总结.mp451.51MB4-答案关注区域分析.mp454.45MB3-实现流程路线图.mp464.44MB2-论文概述分析.mp466.38MB1-视觉QA要解决的问题.mp451.72MB7-视觉大模型SAM
9-总结分析.mp460.65MB8-实现细节分析.mp462.98MB7-分割任务模块设计.mp462.84MB6-Decoder的作用与项目源码.mp494.78MB5-预训练模型的作用.mp4144.99MB4-数据闭环方法.mp493.66MB3-完成的任务分析.mp476.96MB2-论文解读分析.mp474.48MB1-DEMO效果演示.mp457.83MB6-LLM下游任务训练自己模型实战
5-数据切块方法.mp461.14MB4-样本索引与向量构建.mp466.44MB3-数据文档切分操作.mp447.88MB2-基本API调用方法.mp459.69MB1-提示工程的作用.mp444.01MB5-LLM与LORA微调策略解读
5-LORA模型实现细节.mp440.79MB4-LORA微调的核心思想.mp422.08MB3-LLAMA与LORA介绍.mp430.1MB2-LLM落地微调分析.mp437.03MB1-大模型如何做下游任务.mp433.43MB4-chatgpt算法解读分析
7-总结分析.mp469.21MB6-RLHF训练流程解读.mp438.53MB5-奖励模型设计方法.mp426.2MB4-强化学习的作用效果.mp433.81MB3-强化学习登场.mp417.69MB2-挑战及其与有监督问题差异.mp422.41MB1-chatgpt概述.mp421.49MB3-GPT2训练与预测部署流程
5-部署与网页预测展示.mp479.57MB4-模型训练过程.mp451.48MB3-训练所需参数解读.mp457.68MB2-数据样本生成方法.mp472.04MB1-生成模型可以完成的任务概述.mp428.91MB2-GPT系列算法解读
8-DEMO应用演示.mp498.82MB7-应用场景CODEX分析.mp436.5MB6-GPT3的提示与生成方法.mp474.39MB5-采样策略与多样性.mp428.2MB4-GPT第二代版本训练策略.mp428.94MB3-GPT初代版本要解决的问题.mp430.99MB2-GPT三代版本分析.mp429.33MB1-GPT系列算法概述.mp426.53MB1-课程简介
1-课程简介.mp410.19MB20-面向医学领域的深度学习实战
17-医学糖尿病数据命名实体识别
6-医疗数据集（糖尿病）实体识别.mp481.44MB5-训练网络模型.mp440.37MB4-输入样本填充补齐.mp436.22MB3-数据-标签-语料库处理.mp439.99MB2-整体模型架构.mp415.01MB1-数据与任务介绍.mp422.73MB16-词向量模型与RNN网络架构
6-额外补充-RNN网络模型解读.mp423.75MB5-负采样方案.mp429.51MB4-CBOW与Skip-gram模型.mp423.83MB3-训练数据构建.mp415.85MB2-模型整体框架.mp428.24MB1-词向量模型通俗解释.mp421.72MB15-基于知识图谱的医药问答系统实战
10-完成对话系统构建.mp439.47MB9-实体关键词字典制作.mp431.84MB8-加载所有实体数据.mp442.46MB7-打造医疗知识图谱模型.mp459.14MB6-创建关系边.mp439.41MB5-提取数据中的关键字段信息.mp461.33MB4-环境配置与所需工具包安装.mp436.37MB3-任务流程概述.mp439.73MB2-医疗数据介绍及其各字段含义.mp462.65MB1-项目概述与整体架构分析.mp437.04MB14-Neo4j数据库实战
5-数据库更改查询操作演示.mp427.14MB4-创建与删除操作演示.mp425.32MB3-可视化例子演示.mp443.59MB2-Neo4j数据库安装流程演示.mp427.67MB1-Neo4j图数据库介绍.mp463.5MB13-知识图谱原理解读
11-图谱知识融合与总结分析.mp423.98MB10-视觉领域图编码实例.mp420.97MB9-金融领域图编码实例.mp412.77MB8-graph-embedding的作用与效果.mp426.15MB7-常用NLP技术点分析.mp422.09MB6-数据关系抽取分析.mp427.31MB5-数据获取分析.mp435.93MB4-金融与推荐领域的应用.mp420.39MB3-知识图谱在医疗领域应用实例.mp4102.89MB2-知识图谱在搜索引擎中的应用.mp426.6MB1-知识图谱通俗解读.mp419.87MB12-基于YOLO5细胞检测实战
5-细胞检测效果演示.mp443.21MB4-效果评估与展示.mp432.65MB3-网络训练流程演示.mp442.34MB2-模型与算法配置参数解读.mp442.47MB1-任务与细胞数据集介绍.mp449.79MB11-YOLO系列物体检测算法原理解读
36-激活函数与整体架构总结.mp419.19MB35-PAN模块解读.mp420.64MB34-SAM注意力机制模块.mp422.48MB33-SPP与CSP网络结构.mp414.81MB32-NMS细节改进.mp416.66MB31-CIOU损失函数定义.mp410.82MB30-损失函数遇到的问题.mp414.26MB29-DropBlock与标签平滑方法.mp419.36MB28-数据增强策略分析.mp424.7MB27-V4版本贡献解读.mp410.06MB26-V4版本整体概述.mp415.06MB25-sotfmax层改进.mp410.61MB24-先验框设计改进.mp413.04MB23-整体网络模型架构分析.mp412.93MB22-残差连接方法解读.mp418.64MB21-经典变换方法对比分析.mp410.83MB20-多scale方法改进与特征融合.mp417.07MB19-V3版本改进概述.mp418.27MB18-特征融合改进.mp419.2MB17-感受野的作用.mp428.11MB16-坐标映射与还原.mp410.08MB15-偏移量计算方法.mp427.55MB14-基于聚类来选择先验框尺寸.mp424.24MB13-架构细节解读.mp418.92MB12-网络结构特点.mp415.69MB11-V2版本细节升级概述.mp413.43MB10-置信度误差与优缺点分析.mp426.86MB9-位置损失计算.mp418.97MB8-整体网络架构解读.mp430.67MB7-检测算法要得到的结果.mp413.63MB6-YOLO算法整体思路解读.mp414.75MB5-map指标计算.mp419.63MB4-评估所需参数计算.mp426.23MB3-IOU指标计算.mp411.74MB2-不同阶段算法优缺点分析.mp410.68MB1-检测任务中阶段的意义.mp415.14MB10-基于deeplab的心脏视频数据诊断分析
6-补充：R(2plus1)D处理方法分析.mp418.88MB5-补充：视频数据源特征处理方法概述.mp426.33MB4-文献报告分析.mp4122.67MB3-任务流程解读.mp469.12MB2-项目基本配置参数.mp433.31MB1-数据集与任务概述.mp445.55MB9-基于deeplabV3+版本进行VOC分割实战
5-分割模型训练.mp434.97MB4-ASPP层特征融合.mp451.19MB3-网络前向传播流程.mp433.1MB2-项目参数与数据集读取.mp460.32MB1-PascalVoc数据集介绍.mp470.12MB8-deeplab系列算法
6-deeplabV3Plus版本网络架构.mp424.08MB5-ASPP特征融合策略.mp413.45MB4-SPP层的作用.mp419.02MB3-感受野的意义.mp419.37MB2-空洞卷积的作用.mp416.74MB1-deeplab分割算法概述.mp413.81MB7-unet医学细胞分割实战
6-模型效果验证.mp447.29MB5-迭代完成整个模型计算任务.mp433.55MB4-特征融合方法演示.mp430.05MB3-Debug模式演示网络计算流程.mp441.37MB2-数据增强工具.mp461.47MB1-医学细胞数据集介绍与参数配置.mp471.21MB6-Unet系列算法讲解
4-后续升级版本介绍.mp418.37MB3-Unet升级版本改进.mp415.75MB2-网络计算流程.mp416.13MB1-Unet网络编码与解码过程.mp418.29MB5-图像分割及其损失函数概述
3-MIOU评估标准.mp49.03MB2-分割任务中的目标函数定义.mp420MB1-语义分割与实例分割概述.mp420.24MB4-基于Resnet的医学数据集分类实战
7-网络整体流程与训练演示.mp467.45MB6-特征图升维与降采样操作.mp426.89MB5-残差网络的shortcut操作.mp447.34MB4-Resnet网络前向传播.mp435.82MB3-dataloader加载数据集.mp464.78MB2-Resnet网络架构原理分析.mp424.81MB1-医学疾病数据集介绍.mp418.85MB3-PyTorch框架必备核心模块解读
16-额外补充-Resnet网络架构解读.mp418.27MB15-额外补充-Resnet论文解读.mp4117.98MB14-加载模型对测试数据进行预测.mp452.81MB13-训练结果与模型保存.mp441.24MB12-实现训练模块.mp433.2MB11-优化器模块配置.mp424.63MB10-加载训练好的网络模型.mp450MB9-迁移学习策略.mp415.47MB8-迁移学习的目标.mp411.75MB7-Batch数据制作.mp443.65MB6-数据预处理与数据增强模块.mp437.24MB5-图像增强的作用.mp414.68MB4-分类任务数据集定义与配置.mp429.73MB3-Vision模块功能解读.mp423.53MB2-网络流程解读.mp437.49MB1-卷积网络参数定义.mp426.46MB2-PyTorch框架基本处理操作
9-补充：Hub模块简介.mp453.11MB8-补充：常见tensor格式.mp419.59MB7-线性回归DEMO-训练回归模型.mp439.4MB6-线性回归DEMO-数据与参数配置.mp422.62MB5-自动求导机制.mp433.36MB4-PyTorch基本操作简介.mp428.68MB3-框架安装方法（CPU与GPU版本）.mp418.6MB2-PyTorch框架发展趋势简介.mp425.22MB1-PyTorch实战课程简介.mp422.98MB1-卷积神经网络原理与参数解读
12-感受野的作用.mp416.86MB11-残差网络Resnet.mp418.02MB10-VGG网络架构.mp419.34MB9-整体网络架构.mp416.98MB8-池化层的作用.mp411.31MB7-特征图尺寸计算与参数共享.mp421.99MB6-边缘填充方法.mp417.28MB5-步长与卷积核大小对结果的影响.mp419.86MB4-得到特征图表示.mp418.23MB3-卷积特征值计算方法.mp421.23MB2-卷积的作用.mp422.67MB1-卷积神经网络应用领域.mp421.2MB19-强化学习与AI黑科技实例
13-ChatGPT
1-ChatGPT.mp4382.23MB12-Dalle2及其源码解读
1-Dalle2源码解读.mp4614.12MB11-Diffusion模型解读
1-Diffusion模型解读.mp4737.53MB10-CLIP系列
1-CLIP系列.mp4621MB9-GPT建模与预测流程
5-部署与网页预测展示.mp479.57MB4-模型训练过程.mp451.48MB3-训练所需参数解读.mp457.68MB2-数据样本生成方法.mp472.04MB1-生成模型可以完成的任务概述.mp428.91MB8-GPT系列生成模型
1-GPT系列.mp4442.99MB7-用A3C玩转超级马里奥
6-训练网络模型.mp444.24MB5-与环境交互得到训练数据.mp439.26MB4-初始化局部模型并加载参数.mp432.22MB3-要计算的指标回顾.mp437MB2-启动游戏环境.mp432.19MB1-整体流程与环境配置.mp426.97MB6-Actor-Critic算法分析（A3C）
5-损失函数整理.mp422.4MB4-A3C整体架构分析.mp416.43MB3-计算流程实例.mp417.59MB2-优势函数解读与分析.mp419.87MB1-AC算法回顾与知识点总结.mp417.31MB5-DQN改进与应用技巧
5-连续动作处理方法.mp422.24MB4-MultiSetp策略.mp48.67MB3-Dueling整体网络架构分析.mp421.73MB2-DuelingDqn改进方法.mp419.06MB1-DoubleDqn要解决的问题.mp422.34MB4-Q-learning与DQN算法
9-DQN简介.mp415.36MB8-Q值迭代求解.mp422.46MB7-Qlearning算法实例解读.mp416.65MB6-目标函数与公式解析.mp425.54MB5-算法原理通俗解读.mp425.99MB4-训练与更新.mp434.15MB3-计算target值.mp422.46MB2-探索与action获取.mp428.41MB1-整体任务流程演示.mp423.9MB3-PPO实战-月球登陆器训练实例
6-参数迭代与更新.mp449.26MB5-奖励获得与计算.mp436.29MB4-得到动作结果.mp429.01MB3-参数与网络结构定义.mp433.7MB2-PPO2版本公式解读.mp431.64MB1-Critic的作用与效果.mp440.06MB2-PPO算法与公式推导
8-PPO算法整体思路解析.mp426.57MB7-importance sampling的作用.mp423.19MB6-OnPolicy与OffPolicy策略.mp420.77MB5-baseline方法.mp418.36MB4-策略梯度推导.mp421.76MB3-要完成的目标分析.mp424.51MB2-与环境交互得到所需数据.mp423.17MB1-基本情况介绍.mp428.05MB1-强化学习简介及其应用
6-计算机眼中的状态与行为.mp420.09MB5-强化学习工作流程.mp414.78MB4-应用领域简介.mp417.34MB3-强化学习AI游戏DEMO.mp420.36MB2-强化学习的指导依据.mp420.19MB1-一张图通俗解释强化学习.mp417.69MB18-对抗生成网络实战
9-基于GAN的图像补全实战
9-测试模块.mp448.39MB8-网络迭代训练.mp492.87MB7-网络结构配置.mp471.57MB6-参数基本设计.mp481.81MB5-数据与项目概述.mp445.92MB4-论文总结.mp467.3MB3-细节设计.mp477.69MB2-网络架构.mp430.75MB1-论文概述.mp475.09MB8-图像超分辨率重构实战
9-测试模块.mp490.79MB8-损失函数与训练.mp489MB7-VGG特征提取网络.mp435.88MB6-判别模块.mp444.6MB5-生成模块.mp448.5MB4-数据加载与配置.mp439.14MB3-数据与环境配置.mp426.9MB2-网络架构.mp4106.93MB1-论文概述.mp446.83MB7-starganvc2变声器项目实战及其源码解读
11-测试模块-生成转换语音.mp447.17MB10-源码损失计算流程.mp434.82MB9-论文损失函数.mp4100.48MB8-判别器模块解读.mp435.22MB7-生成器前向传播维度变化.mp426.49MB6-starganvc2版本标签输入分析.mp449.96MB5-下采样与上采样操作.mp435.48MB4-生成器构造模块解读.mp441.33MB3-数据预处理与声音特征提取.mp488.49MB2-环境配置与工具包安装.mp437.11MB1-数据与项目文件解读.mp421.8MB6-基于starganvc2的变声器论文原理解读
7-判别器模块分析.mp4114.03MB6-AdaIn的目的与效果.mp413.18MB5-InstanceNorm的作用解读.mp418.58MB4-生成器模型架构分析.mp415.81MB3-语音特征提取.mp430.57MB2-VCC2016输入数据.mp420.76MB1-论文整体思路与架构解读.mp434.66MB5-stargan项目实战及其源码解读
10-生成模块损失计算.mp470.07MB9-损失计算详细过程.mp445.76MB8-判别器损失计算.mp432.9MB7-数据读取模块分析.mp456.6MB6-所有网络模块构建实例.mp446.52MB5-生成器模块源码解读.mp453.18MB4-项目参数解析.mp427.62MB3-测试效果演示.mp434.97MB2-项目配置与数据源下载.mp421.51MB1-测试模块效果与实验分析.mp429.95MB4-stargan论文架构解析
8-训练过程分析.mp434.17MB7-损失函数公式解析.mp449.43MB6-编码器训练方法.mp453.45MB5-V2版本在整体网络架构.mp463.67MB4-V1版本存在的问题及后续改进思路.mp460.74MB3-建模流程分析.mp442.55MB2-网络架构整体思路解读.mp430.84MB1-stargan效果演示分析.mp427.95MB3-基于CycleGan开源项目实战图像合成
10-额外补充：VISDOM可视化配置.mp438.69MB9-生成与判别损失函数指定.mp454.69MB8-损失函数：identity loss计算方法.mp437.16MB7-判别网络模块构造.mp419.77MB6-生成网络模块构造.mp448.52MB5-数据读取与预处理操作.mp457.93MB4-Cycle开源项目简介.mp446.41MB3-PatchGan判别网络原理.mp411.45MB2-CycleGan整体网络架构.mp421.36MB1-CycleGan网络所需数据.mp437.56MB2-对抗生成网络架构原理与实战解析
5-生成与判别网络定义.mp444.24MB4-数据读取模块.mp429.93MB3-损失函数解释说明.mp439.88MB2-GAN网络组成.mp410.73MB1-对抗生成网络通俗解释.mp418.39MB1-课程介绍
1-课程介绍.mp428.55MB17-行人重识别实战
8-额外补充：行人搜索源码分析
9-总结概述.mp434.1MB8-损失函数计算模块.mp454.31MB7-Head层预测模块.mp440.06MB6-Neck层操作方法.mp433.12MB5-BackBone位置与流程.mp452.3MB4-通过配置文件读取模型位置.mp437.97MB3-数据与标签读取模块.mp457.97MB2-项目概述.mp431.61MB1-项目概述.mp426.15MB7-基于拓扑图的行人重识别项目实战
10-整体项目总结.mp479.79MB9-图匹配模块计算流程.mp467.63MB8-基于拓扑结构组合关键点特征.mp463.2MB7-邻接矩阵学习与更新.mp450.98MB6-mask矩阵的作用.mp440.13MB5-初始化图卷积模型.mp434.82MB4-阶段监督训练.mp478.61MB3-得到一阶段热度图结果.mp442.07MB2-局部特征准备方法.mp447.66MB1-数据集与环境配置概述.mp448.08MB6-旷视研究院最新算法解读（基于图模型）
7-整体算法框架分析.mp424.09MB6-图匹配在行人重识别中的作用.mp418.07MB5-图卷积模块实现方法.mp427.54MB4-基于图卷积构建人体拓扑关系.mp429.82MB3-局部特征热度图计算.mp424.78MB2-图卷积与匹配的作用.mp424.41MB1-关键点位置特征构建.mp422.4MB5-项目实战-基于行人局部特征融合的再识别实战
12-测试与验证模块.mp447.02MB11-损失函数与训练过程演示.mp442.52MB10-得到所有分组特征结果.mp451.2MB9-特征组合汇总.mp449.29MB8-局部特征提取实例.mp452.39MB7-GCP全局特征提取.mp439.65MB6-特征序列构建.mp441MB5-网络计算整体流程演示.mp430.51MB4-debug模式解读.mp462.34MB3-dataloader加载顺序解读.mp427.96MB2-数据源构建方法分析.mp441.23MB1-项目配置与数据集介绍.mp467.72MB4-AAAI2020顶会算法精讲
6-损失函数应用位置.mp416.8MB5-oneVsReset方法实例.mp415.63MB4-GCP模块特征融合方法.mp428.45MB3-特征分组方法.mp415.12MB2-局部特征与全局关系计算方法.mp415.39MB1-论文整体框架概述.mp416.23MB3-基于Attention的行人重识别项目实战
9-训练与测试模块演示.mp475.66MB8-损失函数计算实例解读.mp460.36MB7-基于特征图的权重计算.mp425.57MB6-计算得到位置权重值.mp438.01MB5-组合关系特征图.mp439.65MB4-获得空间位置点之间的关系.mp443.11MB3-进入debug模式解读网络计算流程.mp430.56MB2-参数配置与整体架构分析.mp465.4MB1-项目环境与数据集配置.mp449.78MB2-基于注意力机制的Reld模型论文解读
4-基于特征图的注意力计算.mp466.01MB3-融合空间注意力所需特征.mp427.38MB2-空间权重值计算流程分析.mp432.88MB1-论文整体思想及注意力机制的作用解读.mp450.47MB1-行人重识别原理及其应用
6-Hard-Negative方法应用.mp427.27MB5-triplet损失计算实例.mp425.16MB4-map值计算方法.mp415.7MB3-评估标准rank1指标.mp414.05MB2-挑战与困难分析.mp435.89MB1-行人重识别要解决的问题.mp417.26MB16-缺陷检测实战
14-Deeplab铁质材料缺陷检测与开源项⽬应⽤流程
8-任务总结.mp443.02MB7-训练模型.mp434.38MB6-数据路径配置.mp454.55MB5-数据集制作方法.mp475.53MB4-源码的利用方法.mp489.46MB3-github与kaggle中需要注意的点.mp440.24MB2-开源项目应用方法.mp436.52MB1-数据集与任务概述.mp431.09MB13-基于deeplabV3+版本进⾏VOC分割实战
5-分割模型训练.mp434.97MB4-ASPP层特征融合.mp451.19MB3-网络前向传播流程.mp433.1MB2-项目参数与数据集读取.mp460.32MB1-PascalVoc数据集介绍.mp470.12MB12-图像分割deeplab系列算法
6-deeplabV3Plus版本网络架构.mp424.08MB5-ASPP特征融合策略.mp413.45MB4-SPP层的作用.mp419.02MB3-感受野的意义.mp419.37MB2-空洞卷积的作用.mp416.74MB1-deeplab分割算法概述.mp413.81MB11-基于视频流⽔线的Opencv缺陷检测项⽬
7-检测效果演示.mp425.73MB6-不同类型的缺陷检测方法.mp436.77MB5-缺陷区域提取.mp436MB4-视频数据遍历方法.mp431.41MB3-目标质心计算.mp432.47MB2-视频数据读取与轮廓检测.mp420.83MB1-数据与任务概述.mp416.48MB10-基于Opencv缺陷检测项⽬实战
5-缺陷检测效果演示.mp450.91MB4-整体流程解读.mp423.65MB3-缺陷形态学操作.mp426.46MB2-数据读取与基本处理.mp426.63MB1-任务需求与环境配置.mp415.4MB9-Opencv轮廓检测与直⽅图
13-低通与高通滤波.mp427.4MB12-频域变换结果.mp426.32MB11-傅里叶概述.mp438.86MB10-均衡化效果.mp427.21MB9-均衡化原理.mp431.35MB8-直方图定义.mp423.64MB7-匹配效果展示.mp421.2MB6-模板匹配方法.mp447.45MB5-轮廓特征与近似.mp437.62MB4-轮廓检测结果.mp434.44MB3-轮廓检测方法.mp419.37MB2-金字塔制作方法.mp425.47MB1-图像金字塔定义.mp419.68MB8-Opencv梯度计算与边缘检测实例
6-scharr与lapkacian算子.mp427.39MB5-梯度计算方法.mp430.29MB4-Sobel算子.mp427MB3-边缘检测效果.mp436.63MB2-非极大值抑制.mp418.32MB1-Canny边缘检测流程.mp418.97MB7-Opencv图像常⽤处理⽅法实例
13-礼帽与黑帽.mp415.88MB12-梯度计算.mp47.85MB11-开运算与闭运算.mp49.32MB10-膨胀操作.mp412.25MB9-腐蚀操作.mp420.99MB8-高斯与中值滤波.mp420.61MB7-图像平滑处理.mp424.77MB6-图像阈值.mp430.85MB5-数值计算.mp440.04MB4-边界填充.mp421.46MB3-ROI区域.mp415.37MB2-视频的读取与处理.mp446.97MB1-计算机眼中的图像.mp430.88MB6-Semi-supervised布料缺陷检测实战
5-输出结果展示.mp439.29MB4-网络流程分析.mp437.48MB3-项目配置解读.mp463MB2-论文思想与模型分析.mp4129.03MB1-任务目标与流程概述.mp453.72MB5-基于YOLOV5的钢材缺陷检测实战
7-输出结果与项目总结.mp445.2MB6-缺陷检测模型训练.mp434.15MB5-项目参数配置.mp427.21MB4-各版本模型介绍分析.mp433.52MB3-标签转换格式脚本制作.mp430.57MB2-数据与标签配置方法.mp438.42MB1-任务需求与项目概述.mp414.14MB4-物体检测框架YOLOV5项目工程源码解读
21-模型迭代过程.mp438.42MB20-各种训练策略概述.mp438.43MB19-训练流程解读.mp446.81MB18-命令行参数介绍.mp444.26MB17-超参数解读.mp434.94MB16-输出结果分析.mp441.71MB15-上采样与拼接操作.mp421.48MB14-Head层流程解读.mp429.19MB13-SPP层计算细节分析.mp429.17MB12-BottleneckCSP层计算方法.mp433.82MB11-前向传播计算.mp430.8MB10-完成配置文件解析任务.mp458.8MB9-Focus模块流程分析.mp421.93MB8-V5网络配置文件解读.mp435.74MB7-网络架构图可视化工具安装.mp434.33MB6-getItem构建batch.mp433.03MB5-数据四合一方法与流程演示.mp441.69MB4-Mosaic数据增强方法.mp428.19MB3-加载标签数据.mp426.33MB2-图像数据源配置.mp434.65MB1-数据源DEBUG流程解读.mp448.13MB3-物体检测框架YOLOV5版本项目配置
4-测试DEMO演示.mp450.47MB3-训练数据参数配置.mp451.48MB2-训练自己的数据集方法.mp441.32MB1-整体项目概述.mp435.77MB2-物体检框架YOLO-V4版本算法解读
11-激活函数与整体架构总结.mp419.19MB10-PAN模块解读.mp420.64MB9-SAM注意力机制模块.mp422.48MB8-SPP与CSP网络结构.mp414.81MB7-NMS细节改进.mp416.66MB6-CIOU损失函数定义.mp410.82MB5-损失函数遇到的问题.mp414.26MB4-DropBlock与标签平滑方法.mp419.36MB3-数据增强策略分析.mp424.7MB2-V4版本贡献解读.mp410.06MB1-V4版本整体概述.mp415.06MB1-课程介绍
1-课程介绍.mp426.71MB15-对比学习与多模态任务实战
5-ANINET源码解读
8-输出层与损失计算.mp452.81MB7-迭代修正模块.mp438.14MB6-文本模型中的结构分析.mp438.66MB5-视觉模型中的编码与解码的效果.mp454.49MB4-视觉Transformer模块的作用.mp445.97MB3-Bakbone模块得到特征.mp442.1MB2-配置文件修改方法.mp452.49MB1-数据集与环境概述.mp455.58MB4-多模态文字识别
1-多模态文字识别.mp4766.02MB3-多模态3D目标检测算法源码解读
11-输出层预测结果.mp480.8MB10-3D卷积特征融合.mp456.76MB9-多模态特征融合.mp468.36MB8-全局体素特征提取.mp495.96MB7-体素特征计算方法分析.mp470.71MB6-体素特征提取方法解读.mp437.57MB5-体素索引位置获取.mp464.72MB4-数据与图像特征提取模块.mp458.02MB3-基本流程梳理并进入debug模式.mp450.33MB2-数据与标注文件介绍.mp437.49MB1-环境配置与数据集概述.mp451.52MB2-CLIP系列
1-CLIP系列.mp4621MB1-对比学习算法与实例
1-对比学习算法与实例.mp4549.52MB14-面向深度学习的无人驾驶实战
15-特斯拉无人驾驶解读
1-特斯拉无人驾驶解读.mp4644.17MB14-轨迹估计预测实战
5-SubGraph与Attention模型流程.mp434.64MB4-DataLoader构建图结构.mp428.68MB3-Agent特征提取方法.mp437.97MB2-训练数据准备.mp427.75MB1-数据与环境配置.mp435.43MB13-轨迹估计算法与论文解读
8-VectorNet输出层分析.mp485.45MB7-特征融合模块分析.mp447.67MB6-子图模块构建方法.mp442.55MB5-输入细节分析.mp449.96MB4-传统方法与现在向量空间对比.mp451.83MB3-特征工程的作用与效果.mp441.75MB2-整体三大模块分析.mp471.83MB1-数据集与标注信息解读.mp457.53MB12-TSDF实战案例
3-计算得到TSDF输出.mp444.1MB2-初始化与数据读取.mp421.3MB1-环境配置概述.mp432.66MB11-TSDF算法与应用
6-输出结果融合更新.mp434.23MB5-坐标转换流程分析.mp431.1MB4-TSDF计算基本流程解读.mp423.93MB3-布局初始化操作.mp412.69MB2-合成过程DEMO演示.mp427.58MB1-TSDF整体概述分析.mp423.16MB10-NeuralRecon项目源码解读
8-项目总结.mp4108.4MB7-完成三个阶段预测结果.mp445.77MB6-得到一阶段输出结果.mp438.08MB5-插值得到对应特征向量.mp432.36MB4-得到体素所对应特征图.mp450.7MB3-坐标映射方法实现.mp426.66MB2-初始化体素位置.mp441.51MB1-Backbone得到特征图.mp436.02MB9-NeuralRecon项目环境配置
5-完成依赖环境配置.mp457.11MB4-ISSUE的作用.mp449.23MB3-TSDF标签生成方法.mp455.3MB2-Scannet数据集内容概述.mp437.26MB1-数据集下载与配置方法.mp452.41MB8-NeuralRecon算法解读
5-整体架构重构方法.mp423MB4-片段融合思想.mp416.72MB3-特征映射方法解读.mp434.68MB2-基本框架熟悉.mp427.45MB1-任务流程分析.mp419.35MB7-三维重建应用与坐标系基础
8-相机标定简介.mp45.5MB7-通过内外参数进行坐标变换.mp416.47MB6-相机内外参.mp417.01MB5-坐标系转换方法解读.mp420.91MB4-相机坐标系.mp417.15MB3-成像方法概述.mp416.33MB2-三维重建应用领域概述.mp413.17MB1-三维重建概述分析.mp466.8MB6-局部特征关键点匹配实战
11-通过期望计算最终输出.mp440.24MB10-得到精细化输出结果.mp419.39MB9-精细化调整方法与实例.mp442.81MB8-完成基础匹配模块.mp463.33MB7-粗粒度匹配过程.mp449.8MB6-cross关系计算方法实例.mp429.36MB5-特征融合模块实现方法.mp429.35MB4-注意力机制的作用与效果分析.mp431.04MB3-backbone特征提取模块.mp428.7MB2-DEMO效果演示.mp439.56MB1-项目与参数配置解读.mp444.48MB5-商汤LoFTR算法解读
10-总结分析.mp439.42MB9-基于期望预测最终位置.mp423.08MB8-细粒度匹配的作用与方法.mp419.87MB7-特征图拆解操作.mp414.34MB6-粗粒度匹配过程与作用.mp426MB5-transformer构建匹配特征.mp433.79MB4-CrossAttention的作用与效果.mp415.69MB3-整体流程梳理分析.mp416.46MB2-特征匹配的基本流程分析.mp415.91MB1-特征匹配的应用场景.mp487.35MB4-基于深度学习的车道线检测项目实战
11-DEMO制作与配置.mp440.28MB10-车道线规则损失函数限制.mp444.61MB9-损失函数计算模块分析.mp445.66MB8-算法网络结构解读.mp459.95MB7-完成数据与标签制作.mp424.65MB6-grid设置方法.mp441.7MB5-四条车道线标签位置矩阵.mp422.28MB4-车道线标签数据处理.mp434.18MB3-制作数据集dataloader.mp454.62MB2-项目环境配置演示.mp429.98MB1-车道数据与标签解读.mp465.61MB3-车道线检测算法与论文解读
5-论文概述分析.mp462.39MB4-损失函数计算方法.mp427.3MB3-输出结果分析.mp418.12MB2-网络整体框架分析.mp428.89MB1-数据标签与任务分析.mp484.49MB2-深度估计项目实战
11-模型DEMO输出结果.mp480.63MB10-损失函数通俗解读.mp465.84MB9-输出深度估计结果.mp425.45MB8-特征拼接方法解读.mp447.64MB7-网络结构ASPP层.mp447.25MB6-权重参数标准化操作.mp442.56MB5-计算差异特征.mp430.69MB4-使用backbone进行特征提取.mp442.38MB3-数据集dataloader制作.mp436.83MB2-数据与标签定义方法.mp474.34MB1-项目环境配置解读.mp452.89MB1-深度估计算法原理解读
10-损失计算.mp430.51MB9-权重参数预处理.mp427.5MB8-网络coarse-to-fine过程.mp426.5MB7-特征拼接方法分析.mp421.24MB6-空洞卷积与ASPP.mp418.94MB5-SPP层的作用.mp415.27MB4-差异特征计算边界信息.mp426.49MB3-使用backbone获取层级特征.mp422.18MB2-kitti数据集介绍.mp459.45MB1-深度估计效果与应用.mp498.47MB13-3D点云实战
8-基础补充-对抗生成网络架构原理与实战解析
5-生成与判别网络定义.mp444.24MB4-数据读取模块.mp429.93MB3-损失函数解释说明.mp439.88MB2-GAN网络组成.mp410.73MB1-对抗生成网络通俗解释.mp418.39MB7-点云配准及其案例实战
9-任务总结.mp433.31MB8-特征构建方法分析.mp434.65MB7-基于模型预测输出参数.mp424.88MB6-参数计算模块解读.mp421.85MB5-数据源配置方法.mp445.42MB4-任务基本流程.mp415.56MB3-训练数据构建.mp423.43MB2-配准要完成的目标解读.mp417.64MB1-点云配准任务概述.mp420MB6-点云补全实战解读
7-判别模块.mp448.59MB6-补全点云数据.mp435.21MB5-分层预测输出模块.mp431.04MB4-MRE特征提取模块.mp440.36MB3-整体框架概述.mp449.1MB2-待补全数据准备方法.mp429.26MB1-数据与项目配置解读.mp441.86MB5-点云补全PF-Net论文解读
5-输入与计算结果.mp465.02MB4-网络计算流程.mp425.52MB3-整体网络概述.mp420.61MB2-基本解决方案概述.mp417.42MB1-点云补全要解决的问题.mp423.13MB4-Pointnet++项目实战
13-上采样完成分割任务.mp444.75MB12-分割需要解决的任务概述.mp433.94MB11-分割任务数据与配置概述.mp451.28MB9-预测结果输出模块.mp438.74MB8-特征提取模块整体流程.mp440.04MB7-实现group操作得到各中心簇.mp435MB6-组区域划分方法.mp424.88MB5-采样得到中心点.mp431.77MB4-最远点采样介绍.mp419.48MB3-DEBUG解读网络模型架构.mp424.25MB2-数据读取模块配置.mp439.23MB1-项目文件概述.mp429.02MB3-PointNet++算法解读
6-遇到的问题及改进方法分析.mp413.43MB5-分类与分割问题解决方案.mp421.74MB4-整体流程概述分析.mp416.37MB3-分组Group方法原理解读.mp432.79MB2-最远点采样方法.mp421MB1-PointNet升级版算法要解决的问题.mp422.08MB2-3D点云PointNet算法
5-PointNet算法网络架构解读.mp431.01MB4-PointNet算法出发点解读.mp417.46MB3-点云数据特性和及要解决的问题.mp433.08MB2-点云数据可视化展示.mp440.07MB1-3D数据应用领域与点云介绍.mp440.05MB1-3D点云实战 3D点云应用领域分析
6-点云数据特征提取概述与预告.mp422.69MB5-点云检测与配准任务.mp459.58MB4-点云补全任务.mp429.17MB3-点云分割任务.mp452.03MB2-点云应用领域与发展分析.mp482.18MB1-点云数据概述.mp449.53MB12-图神经网络实战
11-异构图神经网络
1-异构图神经网络.mp4754.04MB10-基于图模型的时间序列预测
1-基于图模型的时间序列预测.mp41021.16MB9-图模型轨迹估计实战
5-SubGraph与Attention模型流程.mp434.55MB4-DataLoader构建图结构.mp428.61MB3-Agent特征提取方法.mp437.87MB2-训练数据准备.mp427.69MB1-数据与环境配置.mp435.36MB8-基于图模型的轨迹估计
8-VectorNet输出层分析.mp485.45MB7-特征融合模块分析.mp447.67MB6-子图模块构建方法.mp442.55MB5-输入细节分析.mp449.96MB4-传统方法与现在向量空间对比.mp451.83MB3-特征工程的作用与效果.mp441.75MB2-整体三大模块分析.mp471.83MB1-数据集与标注信息解读.mp457.53MB7-图相似度计算实战
7-预测得到相似度结果.mp418.64MB6-NTN图相似特征提取.mp439.25MB5-图的全局特征构建.mp431.45MB4-获得直方图特征结果.mp421.11MB3-分别计算不同Batch点的分布.mp431.7MB2-图卷积特征提取模块.mp455.92MB1-数据集与任务概述.mp418.11MB6-图相似度论文解读
6-结果输出与总结.mp471.18MB5-点之间的对应关系计算.mp451.22MB4-NTN模块的作用与效果.mp441.09MB3-图模型提取全局与局部特征.mp447.42MB2-基本方法概述解读.mp452.67MB1-要完成的任务分析.mp447.79MB5-图注意力机制与序列图模型
4-序列图神经网络细节.mp423.67MB3-序列图神经网络TGCN应用.mp412.59MB2-邻接矩阵计算图Attention.mp421.4MB1-图注意力机制的作用与方法.mp416.53MB4-使用PyTorch Geometric构建自己的图数据集
9-模型训练与总结.mp435.84MB8-获取全局特征.mp425.71MB7-TopkPooling进行下采样任务.mp431.3MB6-网络结构定义模块.mp436.87MB5-数据集创建函数介绍.mp434.87MB4-用户行为图结构创建.mp436.67MB3-数据集基本预处理.mp431.5MB2-数据集与任务背景概述.mp421.63MB1-构建数据集基本方法.mp413.47MB3-图模型必备神器PyTorch Geometric安装与使用
4-文献引用数据集分类案例实战.mp447.75MB3-模型定义与训练方法.mp441.92MB2-数据集与邻接矩阵格式.mp451.92MB1-PyTorch Geometric工具包安装与配置方法.mp445.07MB2-图卷积GCN模型
4-GCN变换原理解读.mp421.12MB3-邻接的矩阵的变换.mp418.38MB2-图卷积的基本计算方法.mp412.56MB1-GCN基本模型概述.mp413.24MB1-图神经网络基础
6-多层GCN的作用.mp413MB5-消息传递计算方法.mp414.23MB4-GNN中常见任务.mp419.17MB3-邻接矩阵的定义.mp416.06MB2-图基本模块定义.mp410.51MB1-图神经网络应用领域分析.mp426.4MB11-2022论⽂必备-Transformer实战系列
20-Huggingface与NLP（讲故事）
1-Huggingface与NLP（讲故事）.mp4163.59MB19-Informer时间序列源码解读
1-Informer时间序列源码解读.mp4829.1MB18-时间序列预测
1-时间序列预测.mp4375.4MB17-BevFormer源码解读
12-损失函数与预测可视化.mp449.48MB11-Decoder级联校正模块.mp441.58MB10-获取当前BEV特征.mp435.9MB9-Decoder要完成的任务分析.mp433.95MB8-BEV空间特征构建.mp434.01MB7-注意力机制模块计算方法.mp438.61MB6-BEV空间与图像空间位置对应.mp437.67MB5-Reference初始点构建.mp437.26MB4-特征对齐与位置编码初始化.mp443.63MB3-特征提取以及BEV空间初始化.mp443.81MB2-数据集下载与配置方法.mp453.57MB1-环境配置方法解读.mp442.79MB16-BEV特征空间
1-BEV特征空间.mp4523.07MB15-Mask2former源码解读
13-汇总所有损失完成迭代.mp435.76MB12-最终损失计算流程.mp452.29MB11-标签分类匹配结果分析.mp462.04MB10-正样本筛选损失计算.mp441.78MB9-标签分配策略解读.mp442.53MB8-损失模块输入参数分析.mp440.84MB7-Decoder中的AttentionMask方法.mp450.89MB6-query要预测的任务解读.mp445.61MB5-Encoder特征构建方法实例.mp449.77MB4-偏移量与权重计算并转换.mp448.78MB3-多层级输入特征序列创建方法.mp443.83MB2-多层级采样点初始化构建.mp441.46MB1-Backbone获取多层级特征.mp435.79MB14-分割模型Maskformer系列
1-分割模型Maskformer系列.mp4776.88MB13-局部特征关键点匹配实战
11-通过期望计算最终输出.mp440.24MB10-得到精细化输出结果.mp419.35MB9-精细化调整方法与实例.mp442.73MB8-完成基础匹配模块.mp463.33MB7-粗粒度匹配过程.mp449.8MB6-cross关系计算方法实例.mp429.3MB5-特征融合模块实现方法.mp429.29MB4-注意力机制的作用与效果分析.mp430.98MB3-backbone特征提取模块.mp428.65MB2-DEMO效果演示.mp439.57MB1-项目与参数配置解读.mp444.48MB12-商汤LoFTR算法解读
10-总结分析.mp439.42MB9-基于期望预测最终位置.mp423.08MB8-细粒度匹配的作用与方法.mp419.87MB7-特征图拆解操作.mp414.34MB6-粗粒度匹配过程与作用.mp426MB5-transformer构建匹配特征.mp433.79MB4-CrossAttention的作用与效果.mp415.69MB3-整体流程梳理分析.mp416.46MB2-特征匹配的基本流程分析.mp415.91MB1-特征匹配的应用场景.mp487.35MB11-MedicalTransformer源码解读
7-局部特征提取与计算.mp440.92MB6-注意力计算过程与方法.mp452.13MB5-位置编码向量解读.mp427.8MB4-AxialAttention实现过程.mp436.87MB3-基本处理操作.mp425.77MB2-医学数据介绍与分析.mp456.68MB1-项目环境配置.mp425.29MB10-MedicalTrasnformer论文解读
6-拓展应用分析.mp456.52MB5-位置编码的作用与效果.mp446.55MB4-论文公式计算分析.mp446.93MB3-网络结构计算流程概述.mp444.46MB2-核心思想分析.mp454.26MB1-论文整体分析.mp423.72MB9-DeformableDetr物体检测源码分析
11-预测输出结果与标签匹配模块.mp444.31MB10-分类与回归输出模块.mp449.72MB9-Decoder要完成的操作.mp438.98MB8-Encoder层完成特征对齐.mp451.84MB7-偏移量对齐操作.mp439.8MB6-偏移量offset计算.mp446.09MB5-编码层中的序列分析.mp439.73MB4-准备Encoder编码层所需全部输入.mp437.91MB3-得到相对位置点编码.mp428.8MB2-序列特征展开并叠加.mp451.07MB1-特征提取与位置编码.mp438.16MB8-DeformableDetr算法解读
1-DeformableDetr算法解读.mp4730.35MB7-detr目标检测源码解读
9-损失函数与预测输出.mp441.18MB8-输出预测结果.mp441.2MB7-Decoder层操作与计算.mp430.08MB6-编码层作用方法.mp442.78MB5-mask与编码模块.mp434.68MB4-backbone特征提取模块.mp435.54MB3-位置编码作用分析.mp447.86MB2-数据处理与dataloader.mp463.98MB1-项目环境配置解读.mp440.33MB6-基于Transformer的detr目标检测算法
5-训练过程的策略.mp428.34MB4-注意力机制的作用方法.mp420.79MB3-位置信息初始化query向量.mp419.9MB2-整体网络架构分析.mp431.54MB1-DETR目标检测基本思想解读.mp419.27MB5-swintransformer源码解读
8-输出层概述.mp441.11MB7-各block计算方法解读.mp427.91MB6-patchmerge下采样操作.mp425.24MB5-窗口位移模块细节分析.mp436.81MB4-基础attention计算模块.mp427.58MB3-数据按window进行划分计算.mp431.46MB2-图像数据patch编码.mp437.62MB1-数据与环境配置解读.mp459.59MB4-swintransformer算法原理解析
10-分层计算方法.mp421.71MB9-下采样操作实现方法.mp422.24MB8-整体网络架构整合.mp420.88MB7-偏移细节分析及其计算量概述.mp420.41MB6-窗口偏移操作的实现.mp424.27MB5-基于窗口的注意力机制解读.mp429.53MB4-获取各窗口输入特征.mp418.99MB3-一个block要完成的任务.mp417.36MB2-要解决的问题及其优势分析.mp422.33MB1-swintransformer整体概述.mp414.76MB3-VIT算法模型源码解读
4-输出层计算结果.mp437.72MB3-注意力机制计算.mp428.04MB2-输入序列构建方法解读.mp429.8MB1-项目配置说明.mp443.27MB2-视觉Transformer及其源码分析
1-视觉Transformer及其源码分析.mp4878.23MB1-Transformer算法解读
1-Transformer算法解读.mp4557.22MB10-经典视觉项目实战：行为识别、姿态估计、目标追踪
15-V5项目工程源码解读
21-模型迭代过程.mp438.42MB20-各种训练策略概述.mp438.43MB19-训练流程解读.mp446.81MB18-命令行参数介绍.mp444.26MB17-超参数解读.mp434.94MB16-输出结果分析.mp441.71MB15-上采样与拼接操作.mp421.48MB14-2-Head层流程解读.mp429.12MB13-1-SPP层计算细节分析.mp429.09MB12-BottleneckCSP层计算方法.mp433.82MB11-前向传播计算.mp430.8MB10-完成配置文件解析任务.mp458.8MB9-Focus模块流程分析.mp421.93MB8-V5网络配置文件解读.mp435.74MB7-网络架构图可视化工具安装.mp434.33MB6-getItem构建batch.mp433.03MB5-数据四合一方法与流程演示.mp441.69MB4-Mosaic数据增强方法.mp428.19MB3-加载标签数据.mp426.33MB2-图像数据源配置.mp434.65MB1-数据源DEBUG流程解读.mp448.13MB14-V5版本项目配置
4-测试DEMO演示.mp450.47MB3-训练数据参数配置.mp451.48MB2-训练自己的数据集方法.mp441.32MB1-整体项目概述.mp435.77MB13-YOLO-V4版本算法解读
11-激活函数与整体架构总结.mp419.19MB10-PAN模块解读.mp420.64MB9-SAM注意力机制模块.mp422.48MB8-SPP与CSP网络结构.mp414.81MB7-NMS细节改进.mp416.66MB6-CIOU损失函数定义.mp410.82MB5-损失函数遇到的问题.mp414.26MB4-DropBlock与标签平滑方法.mp419.36MB3-数据增强策略分析.mp424.7MB2-V4版本贡献解读.mp410.06MB1-V4版本整体概述.mp415.06MB12-deepsort源码解读
10-匹配结果与总结.mp476.93MB9-ReID特征代价矩阵计算.mp446.45MB8-级联匹配模块.mp443.34MB7-参数更新操作.mp450.21MB6-IOU代价矩阵计算.mp432.89MB5-状态量预测结果.mp436.02MB4-对track执行预测操作.mp438.3MB3-针对检测结果初始化track.mp448.2MB2-参数与DEMO演示.mp442.18MB1-项目环境配置.mp437.33MB11-deepsort算法知识点解读
12-追踪任务流程拆解.mp432.13MB11-预测与匹配流程解读.mp426.25MB10-sort与deepsort建模流程分析.mp426.79MB9-REID特征的作用.mp420.84MB8-匹配小例子分析.mp421.8MB7-匈牙利匹配算法概述.mp419.23MB6-追踪中的状态量.mp416.04MB5-预测与更新操作.mp424MB4-基于观测值进行最优估计.mp417.11MB3-任务本质分析.mp419.07MB2-卡尔曼滤波要完成的任务.mp415.6MB1-卡尔曼滤波通俗解释.mp431.48MB10-OpenPose算法源码分析
10-多阶段输出与预测.mp446.99MB9-网络模型一阶段输出.mp427.54MB8-完成PAF特征图制作.mp431.91MB7-特征图各点累加向量计算.mp432.67MB6-各位置点归属判断.mp428.04MB5-准备构建PAF躯干标签.mp429.58MB4-根据关键点位置设计关键点标签.mp454.92MB3-关键点与躯干特征图初始化.mp434.31MB2-读取图像与标注信息.mp446.78MB1-数据集与路径配置解读.mp433.79MB9-姿态估计OpenPose系列算法解读
12-算法流程与总结.mp450.27MB11-CPM模型特点.mp421.94MB10-匹配方法解读.mp421.06MB9-预测时PAF积分计算方法.mp434.91MB8-PAF标签设计方法.mp425.01MB7-PAF向量登场.mp412.59MB6-各模块输出特征图解读.mp415.58MB5-基于高斯分布预测关键点位置.mp424.83MB4-要解决的两个问题分析.mp410.19MB3-传统topdown方法的问题.mp437.95MB2-姿态估计应用领域概述.mp420.8MB1-姿态估计要解决的问题分析.mp479.45MB8-课程介绍
1-课程介绍.mp427.22MB7-基础补充-Resnet模型及其应用实例
7-网络整体流程与训练演示.mp467.45MB6-特征图升维与降采样操作.mp426.89MB5-残差网络的shortcut操作.mp447.34MB4-Resnet网络前向传播.mp435.82MB3-dataloader加载数据集.mp464.78MB2-Resnet网络架构原理分析.mp424.81MB1-医学疾病数据集介绍.mp418.85MB6-视频异常检测CVPR2021论文及其源码解读
7-MetaLearn与输出.mp429.79MB6-特征图生成.mp438.02MB5-损失函数的目的.mp457.97MB4-注意力机制模块打造.mp461.12MB3-模型编码与解码结构.mp433.37MB2-数据集配置与读取.mp438.74MB1-论文概述与环境配置.mp426.61MB5-视频异常检测算法与元学习
7-MAML算法流程解读.mp428.99MB6-如何找到合适的初始化参数.mp423.36MB5-学习能力与参数定义.mp414.17MB4-Meta-Learn要解决的问题.mp420.78MB3-预测与常见问题.mp426.58MB2-基本思想与流程分析.mp424.27MB1-异常检测要解决的问题与数据集介绍.mp421.49MB4-基于3D卷积的视频分析与动作识别
7-训练网络模型.mp438.81MB6-3D卷积网络所涉及模块.mp437.76MB5-数据Batch制作方法.mp446.66MB4-视频数据预处理方法.mp432.25MB3-测试效果与项目配置.mp455.6MB2-UCF101动作识别数据集简介.mp451.69MB1-3D卷积原理解读.mp420.62MB3-slowfast源码详细解读
10-RoiAlign与输出层.mp478.92MB9-resnetBolock操作.mp453.62MB8-slow与fast特征图拼接操作.mp449.69MB7-分别计算特征图输出结果.mp456.64MB6-slow与fast分别执行采样操作.mp466.34MB5-图像数据所需预处理方法.mp466.76MB4-数据与标签读取实例.mp452.22MB3-dataloader数据遍历方法.mp456.85MB2-数据处理概述.mp449.72MB1-模型所需配置文件参数读取.mp433.24MB2-slowfast项目环境配置与配置文件
8-完成视频分帧操作.mp432.77MB7-视频数据集切分操作.mp439.66MB6-训练所需视频数据准备.mp447.39MB5-训练所需标签文件说明.mp448.77MB4-测试DEMO演示.mp466.77MB3-配置文件作用解读.mp450.9MB2-目录各文件分析.mp436.84MB1-环境基本配置解读.mp445.35MB1-slowfast算法知识点通俗解读
5-特征融合模块与总结分析.mp439.3MB4-模型网络结构设计.mp419.3MB3-数据采样曾的作用.mp418.26MB2-核心网络结构模块分析.mp420.98MB1-slowfast核心思想解读.mp474.86MB9-走向AI论文实验与项目实战的捷径-MMLAB实战系列
23-额外补充-在源码中加入各种注意力机制方法
1-在源码中加入各种注意力机制方法.mp4122.48MB22-OCR算法解读
1-OCR算法解读.mp41.67GB21-第九模块：mmaction行为识别
1-创建自己的行为识别标注数据集.mp4232.73MB20-第八模块：模型剪枝方法概述分析
2-搜索匹配到符合计算量的模型并训练.mp446.83MB1-SuperNet网络结构分析与剪枝概述.mp440.58MB19-第八模块：模型蒸馏应用实例
7-实际测试效果演示.mp439.02MB6-分别得到Teacher与Student模型.mp445.74MB5-日志输出与模型分离.mp470.25MB4-开始模型训练过程与问题修正.mp457.26MB3-训练T与S得到蒸馏模型.mp470.63MB2-Teacher与Student网络结构定义.mp446.25MB1-任务概述与工具使用.mp439.64MB18-第七模块：多模态3D目标检测算法源码解读
11-输出层预测结果.mp480.8MB10-3D卷积特征融合.mp456.76MB9-多模态特征融合.mp468.36MB8-全局体素特征提取.mp495.96MB7-体素特征计算方法分析.mp470.71MB6-体素特征提取方法解读.mp437.57MB5-体素索引位置获取.mp464.72MB4-数据与图像特征提取模块.mp458.02MB3-基本流程梳理并进入debug模式.mp450.33MB2-数据与标注文件介绍.mp437.49MB1-环境配置与数据集概述.mp451.52MB17-第六模块：BasicVSR++视频超分辨重构源码解读
11-完成输出结果.mp451.56MB10-传播流程整体完成一圈.mp461.55MB9-准备变形卷积模块的输入.mp444.71MB8-序列传播计算.mp439.88MB7-提特征传递流程分析.mp437.23MB6-双向计算特征对齐.mp436.97MB5-偏移量计算方法.mp432.48MB4-基于光流完成对齐操作.mp440.23MB3-光流估计网络模块.mp425.67MB2-特征基础提取模块.mp444.58MB1-要完成的任务分析与配置文件.mp427.36MB16-第五模块：stylegan2源码解读
6-损失函数概述.mp426.56MB5-上采样得到输出结果.mp440.75MB4-基础风格特征卷积模块.mp454.69MB3-特征编码风格拼接.mp436.76MB2-得到style特征编码.mp469.51MB1-要完成的任务与基本思想概述.mp457.79MB15-第四模块：KIE基于图模型的关键信息抽取
8-整合得到图模型输入特征.mp471.98MB7-准备拼接边与点特征.mp441.38MB6-特征合并处理.mp443.74MB5-标签数据处理与关系特征提取.mp456.48MB4-边框要计算的特征分析.mp435.57MB3-配置文件与标签要进行处理操作.mp447.83MB2-KIE数据集格式调整方法.mp469.46MB1-配置文件以及要完成的任务解读.mp451.55MB14-第四模块：ANINET文字识别
8-输出层与损失计算.mp452.81MB7-迭代修正模块.mp438.14MB6-文本模型中的结构分析.mp438.66MB5-视觉模型中的编码与解码的效果.mp454.49MB4-视觉Transformer模块的作用.mp445.97MB3-Bakbone模块得到特征.mp442.1MB2-配置文件修改方法.mp452.49MB1-数据集与环境概述.mp455.58MB13-第四模块：DBNET文字检测
5-损失计算方法.mp459.35MB4-损失函数模块概述.mp443.11MB3-Neck层特征组合.mp432.04MB2-配置文件参数设置.mp438.74MB1-文字检测数据概述与配置文件.mp456.6MB12-KIE关键信息抽取与视频超分辨率重构
1-KIE关键信息抽取与视频超分辨率重构.mp4916.12MB11-补充：Mask2former源码解读
13-汇总所有损失完成迭代.mp435.76MB12-最终损失计算流程.mp452.29MB11-标签分类匹配结果分析.mp462.04MB10-正样本筛选损失计算.mp441.78MB9-标签分配策略解读.mp442.53MB8-损失模块输入参数分析.mp440.84MB7-Decoder中的AttentionMask方法.mp450.89MB6-query要预测的任务解读.mp445.61MB5-Encoder特征构建方法实例.mp449.77MB4-偏移量与权重计算并转换.mp448.78MB3-多层级输入特征序列创建方法.mp443.83MB2-多层级采样点初始化构建.mp441.46MB1-Backbone获取多层级特征.mp435.79MB10-第三模块：DeformableDetr算法解读
1-DeformableDetr算法解读.mp4730.35MB9-第三模块：DeformableDetr物体检测源码分析
11-预测输出结果与标签匹配模块.mp444.31MB10-分类与回归输出模块.mp449.72MB9-Decoder要完成的操作.mp438.98MB8-Encoder层完成特征对齐.mp451.84MB7-偏移量对齐操作.mp439.8MB6-偏移量offset计算.mp446.09MB5-编码层中的序列分析.mp439.73MB4-准备Encoder编码层所需全部输入.mp437.91MB3-得到相对位置点编码.mp428.8MB2-序列特征展开并叠加.mp451.07MB1-特征提取与位置编码.mp438.16MB8-第三模块：mmdet训练自己的数据任务
8-补充：评估指标.mp414.06MB7-模型测试与可视化分析模块.mp477.61MB6-模型训练与DEMO演示.mp435.27MB5-训练所需配置说明.mp456MB4-配置文件数据增强策略分析.mp445.59MB3-通过脚本生成COCO数据格式.mp438.55MB2-COCO数据标注格式.mp428.16MB1-数据集标注与标签获取.mp431.35MB7-第二模块：分割任务CVPR最新Backbone设计及其应用
10-汇总多层级特征进行输出.mp443.35MB9-全局特征的作用与实现.mp456.34MB8-分割输出模块.mp457.72MB7-完成特征提取与融合模块.mp455.69MB6-近似Attention模块实现.mp479.49MB5-卷积位置编码计算方法.mp453.89MB4-PatchEmbedding的作用与实现.mp444.88MB3-DEBUG解读Backbone设计.mp440.45MB2-配置文件指定.mp435.84MB1-注册自己的Backbone模块.mp434.3MB6-第二模块：基于Unet进行各种策略修改
8-VIT模块源码分析.mp445.48MB7-将Unet特征提取模块替换成transformer.mp422.41MB6-如何修改参数适配网络结构.mp421.73MB5-给Unet添加一个neck层.mp430.37MB4-辅助层的作用.mp419.83MB3-上采样与输出层.mp428.25MB2-编码层模块.mp432.47MB1-配置文件解读.mp432.12MB5-第二模块：使用分割模块训练自己的数据集
5-预测DEMO演示.mp421.88MB4-加载预训练模型开始训练.mp486.52MB3-根据预测类别数修改配置文件.mp439.48MB2-数据集标注与制作方法.mp456.84MB1-项目配置基本介绍.mp474.23MB4-第一模块：模型源码DEBUG演示
5-CLS与输出模块.mp444.04MB4-前向传播基本模块.mp438.87MB3-PatchEmbedding层.mp425.3MB2-数据增强模块概述分析.mp449.58MB1-VIT任务概述.mp429.96MB3-第一模块：训练结果测试与验证
9-模型分析脚本使用.mp436.37MB8-MMCLS可视化模块应用.mp472.07MB7-可视化细节与效果分析.mp4124.19MB6-Grad-Cam可视化方法.mp441.17MB5-数据增强流程可视化展示.mp437.4MB4-修改配置文件中的参数.mp467.72MB3-MMCLS中增加一个新的模块.mp462.61MB2-测试评估模型效果.mp427.58MB1-测试DEMO效果.mp425.49MB2-第一模块：分类任务基本操作
8-训练自己的任务.mp439.32MB7-构建自己的数据集.mp436.33MB6-根据文件夹定义数据集.mp440.27MB5-生成完整配置文件.mp424.45MB4-各模块配置文件组成.mp435.81MB3-基本参数配置解读.mp434.52MB2-准备MMCLS项目.mp432.26MB1-MMCLS问题修正.mp423.5MB1-MMCV安装方法
1-MMCV安装方法.mp455.75MB8-图像分割实战
12-基于MASK-RCNN框架训练自己的数据与任务
6-测试与展示模块.mp438.6MB5-基于标注数据训练所需任务.mp439.72MB4-maskrcnn源码修改方法.mp463.56MB3-完成训练数据准备工作.mp426.61MB2-使用labelme进行数据与标签标注.mp426.29MB1-Labelme工具安装.mp414.29MB11-MaskRcnn网络框架源码详解
12-整体框架回顾.mp428.86MB11-RorAlign操作的效果.mp425.7MB10-RoiPooling层的作用与目的.mp433.45MB9-正负样本选择与标签定义.mp427.59MB8-DetectionTarget层的作用.mp425.7MB7-Proposal层实现方法.mp433.31MB6-候选框过滤方法.mp415.59MB5-RPN层的作用与实现解读.mp430.9MB4-基于不同尺度特征图生成所有框.mp432.93MB3-生成框比例设置.mp428.25MB2-FPN网络架构实现解读.mp455.77MB1-FPN层特征提取原理解读.mp442.31MB10-物体检测框架-MaskRcnn项目介绍与配置
3-开源项目数据集.mp497.85MB2-开源项目数据集.mp442.48MB1-Mask-Rcnn开源项目简介.mp488.18MB9-补充：Mask2former源码解读
13-汇总所有损失完成迭代.mp435.76MB12-最终损失计算流程.mp452.29MB11-标签分类匹配结果分析.mp462.04MB10-正样本筛选损失计算.mp441.78MB9-标签分配策略解读.mp442.53MB8-损失模块输入参数分析.mp440.84MB7-Decoder中的AttentionMask方法.mp450.89MB6-query要预测的任务解读.mp445.61MB5-Encoder特征构建方法实例.mp449.77MB4-偏移量与权重计算并转换.mp448.78MB3-多层级输入特征序列创建方法.mp443.83MB2-多层级采样点初始化构建.mp441.46MB1-Backbone获取多层级特征.mp435.79MB8-分割模型Maskformer系列
1-分割模型Maskformer系列.mp41.27GB7-医学⼼脏视频数据集分割建模实战
6-补充：R(2plus1)D处理方法分析.mp418.88MB5-补充：视频数据源特征处理方法概述.mp426.33MB4-文献报告分析.mp4122.67MB3-任务流程解读.mp469.12MB2-项目基本配置参数.mp433.31MB1-数据集与任务概述.mp445.55MB6-基于deeplabV3+版本进⾏VOC分割实战
5-分割模型训练.mp434.97MB4-ASPP层特征融合.mp451.19MB3-网络前向传播流程.mp433.1MB2-项目参数与数据集读取.mp460.32MB1-PascalVoc数据集介绍.mp470.12MB5-deeplab系列算法
6-deeplabV3Plus版本网络架构.mp424.08MB5-ASPP特征融合策略.mp413.45MB4-SPP层的作用.mp419.02MB3-感受野的意义.mp419.37MB2-空洞卷积的作用.mp416.74MB1-deeplab分割算法概述.mp413.81MB4-U2NET显著性检测实战
5-损失函数与应用效果.mp434.34MB4-解码器输出结果.mp427.9MB3-编码器模块解读.mp443.66MB2-显著性检测任务与目标概述.mp453.96MB1-任务目标与网络整体介绍.mp458.66MB3-unet医学细胞分割实战
6-模型效果验证.mp447.29MB5-迭代完成整个模型计算任务.mp433.55MB4-特征融合方法演示.mp430.05MB3-Debug模式演示网络计算流程.mp441.37MB2-数据增强工具.mp461.47MB1-医学细胞数据集介绍与参数配置.mp471.21MB2-Unet系列算法讲解
4-后续升级版本介绍.mp418.37MB3-Unet升级版本改进.mp415.75MB2-网络计算流程.mp416.13MB1-Unet网络编码与解码过程.mp418.29MB1-图像分割及其损失函数概述
3-MIOU评估标准.mp49.03MB2-分割任务中的目标函数定义.mp420MB1-语义分割与实例分割概述.mp420.24MB7-综合项目-物体检测经典算法实战
18-EfficientDet检测算法
1-EfficientDet检测算法.mp4448.01MB17-EfficientNet网络
1-EfficientNet网络模型.mp4538.47MB16-半监督物体检测
1-半监督物体检测.mp4824.82MB15-DeformableDetr算法解读
1-DeformableDetr算法解读.mp41.55GB14-detr目标检测源码解读
9-损失函数与预测输出.mp441.18MB8-输出预测结果.mp441.28MB7-Decoder层操作与计算.mp430.15MB6-编码层作用方法.mp442.86MB5-mask与编码模块.mp434.75MB4-backbone特征提取模块.mp435.62MB3-位置编码作用分析.mp447.95MB2-数据处理与dataloader.mp464.11MB1-项目环境配置解读.mp440.42MB13-基于Transformer的detr目标检测算法
5-训练过程的策略.mp428.41MB4-注意力机制的作用方法.mp420.85MB3-位置信息初始化query向量.mp419.97MB2-整体网络架构分析.mp431.64MB1-DETR目标检测基本思想解读.mp419.35MB12-V7源码解读
19-重参数化多分支合并加速.mp443.19MB18-BN与卷积权重参数融合方法.mp453.77MB17-辅助头损失函数调整.mp439.28MB16-辅助头AUX网络结构配置文件解析.mp431.05MB15-损失函数计算方法.mp446.08MB14-通过IOU与置信度分配正样本.mp460.44MB13-GT匹配正样本数量计算.mp442.07MB12-预测值各项指标获取与调整.mp447.03MB11-候选框筛选流程分析.mp431.75MB10-完成BuildTargets模块.mp451.4MB9-得到偏移点所在网格位置.mp442.85MB8-候选框偏移方法与find3p模块解读.mp433.7MB7-标签分配策略准备操作.mp434.72MB6-输出层与配置文件其他模块解读.mp460.88MB5-各模块操作细节分析.mp449.07MB4-网络结构配置文件解读.mp436.94MB3-EMA等训练技巧解读.mp449.31MB2-基本参数作用.mp440.8MB1-命令行参数介绍.mp425.02MB11-YOLO系列（V7）算法解读
1-YOLO系列（V7）算法解读.mp4650.58MB10-V5项目工程源码解读
21-模型迭代过程.mp438.42MB20-各种训练策略概述.mp438.43MB19-训练流程解读.mp446.81MB18-命令行参数介绍.mp444.26MB17-超参数解读.mp434.94MB16-输出结果分析.mp441.71MB15-上采样与拼接操作.mp421.48MB14-Head层流程解读.mp429.12MB13-SPP层计算细节分析.mp429.17MB12-BottleneckCSP层计算方法.mp433.82MB11-前向传播计算.mp430.8MB10-完成配置文件解析任务.mp458.8MB9-Focus模块流程分析.mp421.93MB8-V5网络配置文件解读.mp435.74MB7-网络架构图可视化工具安装.mp434.33MB6-getItem构建batch.mp433.03MB5-数据四合一方法与流程演示.mp441.69MB4-Mosaic数据增强方法.mp428.19MB3-加载标签数据.mp426.33MB2-图像数据源配置.mp434.65MB1-数据源DEBUG流程解读.mp448.13MB9-V5版本项目配置
4-测试DEMO演示.mp450.47MB3-训练数据参数配置.mp451.48MB2-训练自己的数据集方法.mp441.32MB1-整体项目概述.mp435.77MB8-YOLO-V4版本算法解读
11-激活函数与整体架构总结.mp419.19MB10-PAN模块解读.mp420.64MB9-SAM注意力机制模块.mp422.48MB8-SPP与CSP网络结构.mp414.81MB7-NMS细节改进.mp416.66MB6-CIOU损失函数定义.mp410.82MB5-损失函数遇到的问题.mp414.26MB4-DropBlock与标签平滑方法.mp419.36MB3-数据增强策略分析.mp424.7MB2-V4版本贡献解读.mp410.06MB1-V4版本整体概述.mp415.06MB7-基于YOLO-V3训练自己的数据集与任务（建议直接跑V5版本）
8-训练模型并测试效果.mp438.49MB7-训练代码与参数配置更改.mp444.29MB6-完成输入数据准备工作.mp440.1MB5-json格式转换成yolo-v3所需输入.mp420.95MB4-生成模型所需配置文件.mp436.71MB3-完成标签制作.mp431.74MB2-数据信息标注.mp432.09MB1-Labelme工具安装.mp414.29MB6-项目实战-基于V3版本进行源码解读（建议直接跑V5版本）
16-预测效果展示.mp434.51MB15-模型训练与总结.mp472.91MB14-完成所有损失函数所需计算指标.mp435.32MB13-坐标相对位置计算.mp432.8MB12-标签值格式修改.mp428.27MB11-模型要计算的损失概述.mp423.14MB10-网格偏移计算.mp433.92MB9-预测结果计算.mp446MB8-YOLO层定义解析.mp461.09MB7-路由层与shortcut层的作用.mp433.72MB6-基于配置文件构建网络模型.mp442.04MB5-debug模式介绍.mp427.25MB4-标签文件读取与处理.mp427.48MB3-COCO图像数据读取与处理.mp442.51MB2-训练参数设置.mp423.85MB1-数据与环境配置.mp465.52MB5-YOLO-V3核心网络模型
7-sotfmax层改进.mp410.61MB6-先验框设计改进.mp413.04MB5-整体网络模型架构分析.mp412.93MB4-残差连接方法解读.mp418.64MB3-经典变换方法对比分析.mp410.83MB2-多scale方法改进与特征融合.mp417.07MB1-V3版本改进概述.mp418.27MB4-YOLO-V2改进细节详解
8-特征融合改进.mp419.2MB7-感受野的作用.mp428.11MB6-坐标映射与还原.mp410.08MB5-偏移量计算方法.mp427.55MB4-基于聚类来选择先验框尺寸.mp424.24MB3-架构细节解读.mp418.92MB2-网络结构特点.mp415.69MB1-V2版本细节升级概述.mp413.38MB3-YOLO-V1整体思想与网络架构
5-置信度误差与优缺点分析.mp426.86MB4-位置损失计算.mp418.97MB3-整体网络架构解读.mp430.67MB2-检测算法要得到的结果.mp413.63MB1-YOLO算法整体思路解读.mp414.68MB2-深度学习经典检测⽅法概述
5-map指标计算.mp419.63MB4-评估所需参数计算.mp426.23MB3-IOU指标计算.mp411.74MB2-不同阶段算法优缺点分析.mp410.68MB1-检测任务中阶段的意义.mp415.14MB1-物体检测评估指标
1-物体检测评估指标.mp484.11MB6-Opencv图像处理框架实战
21-项目实战-疲劳检测
5-检测效果.mp440.6MB4-闭眼检测.mp471.07MB3-定位效果演示.mp445.43MB2-获取人脸关键点.mp436.07MB1-关键点定位概述.mp428.45MB20-卷积原理与操作
8-卷积操作流程.mp441.15MB7-卷积效果演示.mp424.58MB6-池化层原理.mp416.09MB5-卷积参数共享.mp417.69MB4-pading与stride.mp426.12MB3-卷积计算过程.mp427.61MB2-卷积层解释.mp422.31MB1-卷积神经网络的应用.mp436.18MB19-项目实战-目标追踪
6-多进程效率提升对比.mp478.13MB5-多进程目标追踪.mp425.72MB4-基于dlib与ssd的追踪.mp473.02MB3-深度学习检测框架加载.mp443.62MB2-多目标追踪实战.mp434.62MB1-目标追踪概述.mp449.75MB18-Opencv的DNN模块
2-模型加载结果输出.mp440.5MB1-dnn模块.mp428.59MB17-光流估计
4-光流估计实战.mp464.22MB3-推导求解.mp425.94MB2-Lucas-Kanade算法.mp419.67MB1-基本概念.mp420.2MB16-背景建模
4-背景建模实战.mp451.17MB3-学习步骤.mp431.75MB2-混合高斯模型.mp426.39MB1-背景消除-帧差法.mp420.79MB15-项目实战-答题卡识别判卷
4-选项判断识别.mp457.12MB3-填涂轮廓检测.mp425.66MB2-预处理操作.mp424.08MB1-整体流程与效果概述.mp429.49MB14-项目实战-停车场车位识别
8-基于视频的车位检测.mp4135.61MB7-识别模型构建.mp441.19MB6-车位区域划分.mp457.33MB5-按列划分区域.mp454.67MB4-车位直线检测.mp461.44MB3-图像数据预处理.mp456.75MB2-所需数据介绍.mp434.31MB1-任务整体流程.mp471.4MB13-案例实战-全景图像拼接
4-流程解读.mp421.65MB3-图像拼接方法.mp444.96MB2-RANSAC算法.mp434.5MB1-特征匹配方法.mp428.56MB12-图像特征-sift
6-opencv中sift函数使用.mp428.8MB5-特征向量生成.mp443.73MB4-生成特征描述.mp424.66MB3-特征关键点定位.mp448.15MB2-高斯差分金字塔.mp421.68MB1-尺度空间定义.mp420.04MB11-图像特征-harris
5-opencv角点检测效果.mp431.04MB4-特征归属划分.mp443.23MB3-求解化简.mp431.79MB2-基本数学原理.mp430.58MB1-角点检测基本原理.mp415.53MB10-项目实战-文档扫描OCR识别
6-文档扫描识别效果.mp428.86MB5-tesseract-ocr安装配置.mp441.23MB4-透视变换结果.mp432.87MB3-原始与变换坐标计算.mp426.24MB2-文档轮廓提取.mp427.81MB1-整体流程演示.mp421.5MB9-项目实战-信用卡数字识别
5-模板匹配得出识别结果.mp447.72MB4-输入数据处理方法.mp428.88MB3-模板处理方法.mp423.69MB2-环境配置与预处理.mp434.85MB1-总体流程与方法讲解.mp420.65MB8-直方图与傅里叶变换
6-低通与高通滤波.mp427.34MB5-频域变换结果.mp426.26MB4-傅里叶概述.mp438.79MB3-均衡化效果.mp427.21MB2-均衡化原理.mp431.35MB1-直方图定义.mp423.64MB7-图像金字塔与轮廓检测
7-匹配效果展示.mp421.14MB6-模板匹配方法.mp447.35MB5-轮廓特征与近似.mp437.51MB4-轮廓检测结果.mp434.37MB3-轮廓检测方法.mp419.31MB2-金字塔制作方法.mp425.47MB1-图像金字塔定义.mp419.68MB6-边缘检测
3-边缘检测效果.mp436.63MB2-非极大值抑制.mp418.32MB1-Canny边缘检测流程.mp418.97MB5-图像梯度计算
3-scharr与lapkacian算子.mp427.39MB2-梯度计算方法.mp430.29MB1-Sobel算子.mp427MB4-图像形态学操作
5-礼帽与黑帽.mp415.88MB4-梯度计算.mp47.85MB3-开运算与闭运算.mp49.32MB2-膨胀操作.mp412.25MB1-腐蚀操作.mp420.99MB3-阈值与平滑处理
3-高斯与中值滤波.mp420.55MB2-图像平滑处理.mp424.69MB1-图像阈值.mp430.78MB2-图像基本操作
5-数值计算.mp440.04MB4-边界填充.mp421.46MB3-ROI区域.mp415.37MB2-视频的读取与处理.mp446.97MB1-计算机眼中的图像.mp430.88MB1-课程简介与环境配置
3-Notebook与IDE环境.mp484.39MB2-Python与Opencv配置安装.mp433.28MB1-课程简介.mp45.37MB5-深度学习框架Tensorflflow
13-项目实战：经典网络架构Resnet实战
8-训练resnet模型.mp430.32MB7-前向传播配置.mp438.18MB6-网络架构层次解读.mp434.05MB5-训练数据构建.mp427.56MB4-数据集处理方法.mp427.18MB3-项目结构概述.mp424.09MB2-额外补充-Resnet网络架构解读.mp418.27MB1-额外补充-Resnet论文解读.mp4117.98MB12-项目实战：时间序列预测
5-序列结果预测.mp422.89MB4-多特征预测结果.mp427.88MB3-训练时间序列数据预测结果.mp436.42MB2-构建时间序列数据.mp427.57MB1-任务目标与数据源.mp419.06MB11-项目实战：将CNN网络应用于文本分类实战
3-网络架构设计与训练.mp444.93MB2-整体流程解读.mp422.43MB1-CNN应用于文本任务原理解析.mp423.19MB10-项目实战：基于RNN模型进行文本分类任务
9-训练文本分类模型.mp437.99MB8-训练策略指定.mp432.72MB7-自定义网络模型架构.mp460.04MB6-双向RNN模型定义.mp421.08MB5-数据生成器构造.mp440.04MB4-embedding层向量制作.mp473.84MB3-数据映射表制作.mp444.43MB2-RNN模型输入数据维度解读.mp419.36MB1-任务目标与数据介绍.mp436.29MB9-项目实战：基于TensorFlow实现word2vec
5-损失函数定义与训练结果展示.mp444.75MB4-训练batch数据制作.mp443.1MB3-文本词预处理操作.mp417.79MB2-模型定义参数设置.mp417.58MB1-任务流程解读.mp418.65MB8-递归神经⽹络与词向量原理解读
6-负采样方案.mp429.51MB5-CBOW与Skip-gram模型.mp423.83MB4-训练数据构建.mp415.85MB3-模型整体框架.mp428.24MB2-词向量模型通俗解释.mp421.72MB1-RNN网络架构解读.mp422.39MB7-训练策略-迁移学习实战
7-图像数据处理实例.mp446.13MB6-tfrecords数据源制作方法.mp438.45MB5-Callback模块与迁移学习实例.mp458.72MB4-加载训练好的经典网络模型.mp437.57MB3-Resnet原理.mp4107.88MB2-迁移学习策略.mp415.47MB1-迁移学习的目标.mp411.75MB6-图像数据增强实例
3-猫狗识别任务数据增强实例.mp431.73MB2-图像数据变换.mp484.49MB1-数据增强概述.mp444.25MB5-项目实战：猫狗识别实战
4-卷积模型训练与识别效果展示.mp450.86MB3-网络架构配置.mp429.98MB2-卷积网络涉及参数解读.mp428.93MB1-猫狗识别任务与数据简介.mp423.39MB4-卷积神经⽹络原理与参数解读
12-感受野的作用.mp416.86MB11-残差网络Resnet.mp418.02MB10-VGG网络架构.mp419.34MB9-整体网络架构.mp416.98MB8-池化层的作用.mp411.31MB7-特征图尺寸计算与参数共享.mp421.99MB6-边缘填充方法.mp417.28MB5-步长与卷积核大小对结果的影响.mp419.86MB4-得到特征图表示.mp418.23MB3-卷积特征值计算方法.mp421.23MB2-卷积的作用.mp422.67MB1-卷积神经网络应用领域.mp421.2MB3-搭建神经⽹络进⾏分类与回归任务
7-模型保存与读取实例
raw.m3u88.36KBmeta.json22.21KB6-tf.data模块解读
raw.m3u86.51KBmeta.json17.24KB5-分类模型构建
raw.m3u87.38KBmeta.json19.56KB4-模型超参数调节与预测结果展示
raw.m3u88.73KBmeta.json23.2KB3-网络模型训练
raw.m3u86.14KBmeta.json16.25KB2-建模流程与API文档
raw.m3u85.41KBmeta.json14.27KB1-任务目标与数据集简介
raw.m3u85.9KBmeta.json15.59KB2-神经网络原理解读与整体架构
13-神经网络过拟合解决方法.mp440.47MB12-正则化与激活函数.mp429.12MB11-神经元个数对结果的影响.mp458.63MB10-神经网络架构细节.mp437.44MB9-神经网络整体架构.mp430.49MB8-返向传播计算方法.mp425.63MB7-前向传播整体流程.mp439.04MB6-损失函数的作用.mp431.04MB5-得分函数.mp418.89MB4-视觉任务中遇到的问题.mp432.84MB3-计算机视觉任务.mp417.86MB2-深度学习应用领域.mp449.98MB1-深度学习要解决的问题.mp420.37MB1-tensorflflow安装与简介
4-tf基础操作.mp424.41MB3-Tensorflow2版本安装方法.mp455.4MB2-Tensorflow2版本简介与心得.mp431.99MB1-tensorflflow安装与简介.mp44.1MB4-深度学习框架PyTorch
7-LSTM文本分类实战
9-模型训练任务与总结.mp445.16MB8-网络模型预测结果输出.mp439.11MB7-LSTM网络结构基本定义.mp434.73MB6-字符预处理转换ID.mp434.37MB5-预料表与字符切分.mp431.98MB4-训练模型所需基本配置参数分析.mp440.92MB3-命令行参数与DEBUG.mp436.52MB2-文本数据处理基本流程分析.mp455.97MB1-数据集与任务目标分析.mp452.81MB6-DataLoader自定义数据集制作
4-实用Dataloader加载数据并训练模型.mp477.82MB3-Dataloader中需要实现的方法分析.mp446.95MB2-图像数据与标签路径处理.mp448.98MB1-Dataloader要完成的任务分析.mp439.2MB5-图像识别模型与训练策略（重点）
10-测试结果演示分析.mp4110.98MB9-重新训练全部模型.mp454.81MB8-模型训练方法.mp452.6MB7-优化器与学习率衰减.mp452.48MB6-输出类别个数修改.mp449.06MB5-输出层与梯度设置.mp461.42MB4-迁移学习方法解读.mp444.66MB3-数据集与模型选择.mp445.32MB2-数据增强模块.mp440.5MB1-任务分析与图像数据基本处理.mp441.62MB4-卷积网络参数解读分析
3-卷积网络模型训练.mp455.14MB2-卷积网络参数解读.mp431.46MB1-输入特征通道分析.mp442.48MB3-神经网络回归任务-气温预测
1-神经网络回归任务-气温预测.mp4198.56MB2-使用神经网络进行分类任务
7-参数对结果的影响.mp451.65MB6-训练一个基本的分类模型.mp454.59MB5-损失与训练模块分析.mp442.31MB4-数据源定义简介.mp438.98MB3-网络结构定义方法.mp455.6MB2-基本模块应用测试.mp447.62MB1-数据集与任务概述.mp443.34MB1-PyTorch框架介绍与配置安装
2-CPU与GPU版本安装方法解读.mp4100.57MB1-PyTorch框架与其他框架区别分析.mp433.24MB3-深度学习必备核⼼算法
4-VIT源码解读
1-VIT源码解读.mp4878.23MB3-Transformer
1-Transformer.mp4557.22MB2-卷积神经网络
1-卷积神经网络.mp4676.23MB1-神经网络结构
1-神经网络结构.mp4604.62MB1-直播回放
16-直播15：知识图谱与LORA
1-知识图谱与LORA.mp41.49GB15-直播14：论文写作与就业简历
1-论文写作与就业简历.mp41.15GB14-直播13：时间序列timesnet与地理分类任务
1-时间序列timesnet与地理分类任务.mp41.27GB13-直播12：多模态与交叉注意力应用
1-多模态与交叉注意力应用.mp41.43GB12-直播11：分割Mask2former算法
1-分割Mask2former算法.mp4452.34MB11-直播10：知识蒸馏
1-知识蒸馏.mp41.53GB10-直播9：自监督任务
1-自监督任务.mp41.24GB9-直播8：GPT与Hugging face
1-GPT与Hugging face.mp41.57GB8-直播7：对比学习与多模态任务
1-对比学习与多模态任务.mp41.33GB7-直播6：Transformer Decoder在视觉任务的应用
1-Transformer Decoder在视觉任务的应用.mp41.4GB6-直播5：图神经网络
1-图神经网络.mp41.36GB5-直播4：视觉Transformer- VIT源码解读
1-视觉Transformer- VIT源码解读.mp41.43GB4-直播3：Transformer架构解读
1-Transformer架构解读.mp41.02GB3-直播2：卷积神经网络
1-卷积神经网络.mp41.46GB2-直播1：神经网络
1-神经网络.mp41.27GB1-开班典礼
1-开班典礼.mp4872.85MB
