【7814】-深度学习框架-PyTorch实战系列
第1章PyTorch框架基本处理操作
1-1PyTorch实战课程简介[04:53]
1-2PyTorch框架发展趋势简介[08:25]
1-3框架安装方法（CPU与GPU版本）[05:13]
1-4PyTorch基本操作简介[09:25]
1-5自动求导机制[10:59]
1-6线性回归DEMO-数据与参数配置[08:56]
1-7线性回归DEMO-训练回归模型[10:08]
1-8补充：常见tensor格式[07:10]
1-9补充：Hub模块简介[08:25]
第2章神经网络实战分类与回归任务
2-1气温数据集与任务介绍[06:42]
2-2按建模顺序构建完成网络架构[11:38]
2-3简化代码训练网络模型[11:04]
2-4分类任务概述[05:12]
2-5构建分类网络模型[09:40]
2-6DataSet模块介绍与应用方法[10:11]
第3章卷积神经网络原理与参数解读
3-1卷积神经网络应用领域[07:25]
3-2卷积的作用[09:23]
3-3卷积特征值计算方法[08:07]
3-4得到特征图表示[06:59]
3-5步长与卷积核大小对结果的影响[08:11]
3-6边缘填充方法[06:30]
3-7特征图尺寸计算与参数共享[07:02]
3-8池化层的作用[05:38]
3-9整体网络架构[06:20]
3-10VGG网络架构[06:16]
3-11残差网络Resnet[07:41]
3-12感受野的作用[05:46]
第4章图像识别核心模块实战解读
4-1卷积网络参数定义[07:21]
4-2网络流程解读[07:26]
4-3Vision模块功能解读[05:10]
4-4分类任务数据集定义与配置[06:27]
4-5图像增强的作用[04:51]
4-6数据预处理与数据增强模块[09:25]
4-7Batch数据制作[08:37]
第5章迁移学习的作用与应用实例
5-1迁移学习的目标[05:31]
5-2迁移学习策略[07:11]
5-3加载训练好的网络模型[09:54]
5-4优化器模块配置[05:14]
5-5实现训练模块[08:15]
5-6训练结果与模型保存[09:31]
5-7加载模型对测试数据进行预测[09:10]
5-8额外补充-Resnet论文解读[11:47]
5-9额外补充-Resnet网络架构解读[08:26]
第6章递归神经网络与词向量原理解读
6-1RNN网络架构解读[11:27]
6-2词向量模型通俗解释[08:14]
6-3模型整体框架[10:09]
6-4训练数据构建[05:10]
6-5CBOW与Skip-gram模型[08:20]
6-6负采样方案[07:40]
第7章新闻数据集文本分类实战
7-1任务目标与数据简介[07:18]
7-2RNN模型所需输入格式解析[06:54]
7-3项目配置参数设置[10:26]
7-4新闻数据读取与预处理方法[08:07]
7-5LSTM网络模块定义与参数解析[09:35]
7-6训练LSTM文本分类模型[08:55]
7-7Tensorboardx可视化展示模块搭建[09:16]
7-8CNN应用于文本任务原理解析[10:46]
7-9网络模型架构与效果展示[10:58]
第8章对抗生成网络架构原理与实战解析
8-1对抗生成网络通俗解释[08:25]
8-2GAN网络组成[05:14]
8-3损失函数解释说明[10:05]
8-4数据读取模块[08:26]
8-5生成与判别网络定义[08:39]
第9章基于CycleGan开源项目实战图像合成
9-1CycleGan网络所需数据[06:50]
9-2CycleGan整体网络架构[10:03]
9-3PatchGan判别网络原理[04:40]
9-4Cycle开源项目简介[07:07]
9-5数据读取与预处理操作[10:17]
9-6生成网络模块构造[12:12]
9-7判别网络模块构造[05:02]
9-8损失函数：identity loss计算方法[09:12]
9-9生成与判别损失函数指定[11:40]
9-10额外补充：VISDOM可视化配置[05:54]
第10章OCR文字识别原理
10-1OCR文字识别要完成的任务[06:29]
10-2CTPN文字检测网络概述[08:05]
10-3序列网络的作用[09:20]
10-4输出结果含义解析[07:09]
10-5CTPN细节概述[09:06]
10-6CRNN识别网络架构[06:16]
10-7CTC模块的作用[04:29]
第11章OCR文字识别项目实战
11-1OCR文字检测识别项目效果展示[04:20]
11-2训练数据准备与环境配置[06:49]
11-3检测模块候选框生成[08:06]
11-4候选框标签制作[08:23]
11-5整体网络所需模块[04:55]
11-6网络架构各模块完成的任务解读[08:38]
11-7CRNN识别模块所需数据与标签[05:12]
11-8识别模块网络架构解读[10:41]
第12章基于3D卷积的视频分析与动作识别
12-13D卷积原理解读[07:43]
12-2UCF101动作识别数据集简介[06:02]
12-3测试效果与项目配置[12:01]
12-4视频数据预处理方法[07:24]
12-5数据Batch制作方法[09:02]
12-63D卷积网络所涉及模块[07:50]
12-7训练网络模型[08:32]
第13章自然语言处理通用框架BERT原理解读
13-1BERT任务目标概述[05:27]
13-2传统解决方案遇到的问题[11:09]
13-3注意力机制的作用[06:57]
13-4self-attention计算方法[11:25]
13-5特征分配与softmax机制[09:20]
13-6Multi-head的作用[09:09]
13-7位置编码与多层堆叠[07:17]
13-8transformer整体架构梳理[10:57]
13-9BERT模型训练方法[09:37]
13-10训练实例[09:47]
第14章开源项目BERT源码解读（官方TF版）
14-1BERT开源项目简介[07:35]
14-2项目参数配置[12:08]
14-3数据读取模块[07:40]
14-4数据预处理模块[09:37]
14-5tfrecord制作[11:35]
14-6Embedding层的作用[07:29]
14-7加入额外编码特征[09:22]
14-8加入位置编码特征[05:12]
14-9mask机制[08:49]
14-10构建QKV矩阵[12:38]
14-11完成Transformer模块构建[09:56]
14-12训练BERT模型[08:51]
第15章基于PyTorch实战BERT模型（民间PyTorch版）
15-1项目配置与环境概述[06:52]
15-2数据读取与预处理[05:45]
15-3网络结构定义[07:01]
15-4训练网络模型[08:19]
第16章PyTorch框架实战模板解读
16-1项目模板各模块概述[08:43]
16-2各模块配置参数解析[09:15]
16-3数据读取与预处理模块功能解读[11:45]
16-4模型架构模块[06:46]
16-5训练模块功能[11:22]
16-6训练结果可视化展示模块[07:19]
16-7模块应用与BenckMark解读开始学习
