本课程专为希望掌握PyTorch在医学影像处理中应用的开发者设计。从深度学习框架的基础知识到实战项目开发，课程内容包括数据预处理、模型训练、优化及部署。通过案例学习，如肺部癌症检测，学员将学会如何构建和优化AI诊断系统，并掌握端到端的模型预测流程。本课程适合有志于进入AI医疗领域的开发者和数据科学家，帮助他们在实际工作中应用先进的深度学习技术。
以下云资源目录树快照生成于[11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）
PyTorch医学影像实战：端到端AI诊断系统2.82GB(mp4视频116节；)
第11章 课程总结与面试问题
11-5持续学习的几个建议.mp442.56MB11-4面试过程中可能遇到的问题.mp445.55MB11-3模型优化方法回顾.mp419.04MB11-2课程中的神经网络回顾.mp423.64MB11-1肿瘤检测系统架构回顾.mp427.36MB第10章 项目实战三：实现端到端的模型预测
10-7本章小结.mp412.36MB10-6使用合适的框架把模型部署上线二.mp437.87MB10-5使用合适的框架把模型部署上线一.mp429.12MB10-4完整的实现端到端肺部肿瘤检测.mp450.39MB10-3使用finetune方法构建肿瘤恶性判断模型.mp458.88MB10-2新的评价指标AUC-ROC曲线.mp455.3MB10-1连接分割模型和分类模型.mp444.29MB第9章 项目实战二：模型训练与优化
9-26本章小结.mp421.86MB9-25分割模型训练及在TensorBoard中查看结果.mp451.82MB9-24模型存储图像存储代码介绍.mp417.38MB9-23构建训练流程.mp426.21MB9-22Adam优化器和Dice损失.mp417.53MB9-21构建训练Dataset和使用GPU进行数据增强.mp422.36MB9-20为图像分割构建Dataset类.mp435.16MB9-19为图像分割进行数据预处理.mp446.34MB9-18U-Net模型介绍.mp442.58MB9-17图像分割的几种类型.mp421.48MB9-16第二个模型结节分割.mp420.08MB9-15数据增强的代码实现.mp432.63MB9-14数据重复采样的代码实现.mp424.45MB9-13数据优化方法.mp421.66MB9-12实现F1Score计算逻辑.mp411.68MB9-11新的模型评估指标F1score.mp426.92MB9-10借助TensorBoard绘制指标曲线.mp438.84MB9-9尝试训练第一个模型.mp470.04MB9-8在日志中保存重要信息.mp436.12MB9-7定义损失计算和训练验证环节二.mp416.13MB9-6定义损失计算和训练验证环节一.mp431.25MB9-5实现模型的核心部分.mp429.98MB9-4编写数据加载器部分.mp413.59MB9-3初始化都包含什么内容.mp414.85MB9-2定义模型训练框架.mp425.58MB9-1第一个模型结节分类.mp425.78MB第8章 项目实战一：理解业务与数据
8-14本章小结.mp47.16MB8-13CT数据可视化实现三.mp429.16MB8-12CT数据可视化实现二.mp438.78MB8-11CT数据可视化实现一.mp419.3MB8-10分割训练集和验证集.mp413.25MB8-9编写Dataset方法.mp416.44MB8-8数据坐标系的转换.mp432.09MB8-7加载CT影像数据.mp411.66MB8-6加载标注数据.mp429.35MB8-5原始数据是长什么样子的.mp419.11MB8-4下载项目中的数据集.mp417.11MB8-3制定一个解决方案.mp414.18MB8-2CT数据是什么样子.mp414.53MB8-1肺部癌症检测的项目简介.mp423.35MB第7章 使用神经网络区分小鸟和飞机图像
7-21本章小结.mp48.84MB7-20优化方案之增加模型深度-depth.mp435.25MB7-19优化方案之数据正则化-normalization三.mp414.82MB7-18优化方案之数据正则化-normalization二.mp427.13MB7-17优化方案之数据正则化-normalization一.mp421.74MB7-16优化方案之增加模型宽度-width.mp417.65MB7-15该用GPU训练我们的模型.mp416.57MB7-14训练好的模型如何存储.mp43.88MB7-13训练我们的分类模型.mp417.48MB7-12借助PyTorch搭建卷积网络.mp414.77MB7-11借助下采样压缩数据.mp412.38MB7-10使用卷积提取图像中的特定特征.mp413.3MB7-9卷积中的数据填充方法padding.mp47.66MB7-8借助PyTorch搭建卷积网络模型.mp426.13MB7-7对全连接网络的改进之卷积网络.mp422.16MB7-6全连接网络实现图像分类.mp447.58MB7-5分类模型常用损失之交叉熵损失.mp412.2MB7-4借助softmax方法给出分类结果.mp415.55MB7-3为模型准备训练集和验证集.mp419.59MB7-2为数据集实现Dataset类.mp415.65MB7-1CIFAR-10数据集介绍.mp411.6MB第6章 神经网络理念解决温度计转换
6-14使用神经网络解决温度计示数转换问题.mp434.2MB6-13构建批量训练方法.mp421.25MB6-12用PyTorch的nn模块搭建神经网络.mp416.75MB6-11神经网络重要概念-激活函数.mp427.89MB6-10使用PyTorch提供的优化器.mp422.54MB6-9使用PyTorch自动计算梯度.mp432.18MB6-8使用超参数优化我们的模型效果.mp421.93MB6-7神经网络重要概念-归一化.mp449.28MB6-6神经网络重要概念-学习率.mp436.69MB6-5神经网络重要概念-梯度.mp435.14MB6-4PyTorch中的广播机制.mp427.49MB6-3神经网络重要概念-损失.mp418.61MB6-2温度计示数转换.mp415.56MB6-1常规模型训练的过程.mp419.12MB第5章 PyTorch如何处理真实数据
5-33D图像的加载.mp432.06MB5-8本章小结.mp47.07MB5-7自然语言文本数据加载.mp431.08MB5-6连续值序列值分类值的处理.mp423.59MB5-5有时间序列的表格数据加载.mp430.47MB5-4普通表格数据加载.mp428.4MB5-2普通二维图像的加载二.mp417.77MB5-1普通二维图像的加载一.mp421.21MB第4章 PyTorch基础知识必备-张量
4-10张量的底层实现逻辑二.mp413.55MB4-9张量的底层实现逻辑一.mp421.86MB4-8把张量传递到GPU中进行运算.mp47.26MB4-7张量的命名.mp49.93MB4-6张量中的元素类型.mp410.37MB4-5张量的基本操作二.mp423.13MB4-4张量的基本操作一.mp49.89MB4-3张量的获取与存储二.mp415.24MB4-2张量的获取与存储一.mp417.69MB4-1什么是张量.mp416.6MB第3章 PyTorch项目热身实践
3-4课程实战项目简介.mp410.85MB3-3课程重难点技能分布.mp48.53MB3-2工业级数据挖掘流程二.mp431.86MB3-1工业级数据挖掘流程一.mp441.06MB第2章 课程内容整体规划
2-4使用预训练的GAN网络把马变成斑马.mp438.28MB2-3使用预训练的ResNet网络给图片分类二.mp430.1MB2-2使用预训练的ResNet网络给图片分类一.mp431.88MB2-1环境安装与配置.mp427.18MB第1章 课程导学
1-3常用深度学习框架.mp424.86MB1-2深度学习如何影响生活.mp420.25MB1-1课程导学.mp449.04MB
