pytorch全套入门与实战项目
pytorch全套入门与实战项目├──pytorch 全套视频
| ├──1. pytorch概述
| | └──章节1-1Pytorch安装.mp4255.68M
| ├──10.Dataset数据输入
| | ├──章节10-1自定义输入Dataset类.mp4276.18M
| | ├──章节10-2获取图片路径和标签.mp4158.19M
| | ├──章节10-3创建四种天气数据集的Dataset.mp484.59M
| | ├──章节10-4创建输入并可视化.mp494.18M
| | ├──章节10-5划分测试数据和验证数据.mp4171.53M
| | └──章节10-6灵活的使用Dataset类构建输入.mp494.60M
| ├──11.现代网络架构
| | ├──章节11-10创建特征Dataset和分类模型.mp4159.13M
| | ├──章节11-11模型训练和预测简介.mp4195.89M
| | ├──章节11-12Inception网络结构简介.mp4122.97M
| | ├──章节11-13Inception结构代码实现（一）.mp4211.53M
| | ├──章节11-14Inception结构代码实现（二）.mp4185.70M
| | ├──章节11-15Inception结构应用和优化—Googlenet和inception_v3简介.mp481.60M
| | ├──章节11-1Resnet和残差结构介绍.mp4122.96M
| | ├──章节11-2Resnet结构代码实现（一）.mp4138.55M
| | ├──章节11-3Resnet结构代码实现（二）.mp4151.81M
| | ├──章节11-4DenseNet模型简介.mp4103.08M
| | ├──章节11-5DenseNet提取图片特征—获取图片和标签.mp4231.88M
| | ├──章节11-6类别编码、划分测试数据和训练数据.mp4117.13M
| | ├──章节11-7创建输入Dataset.mp4150.30M
| | ├──章节11-8创建Dataloader并可视化.mp462.82M
| | └──章节11-9使用DenseNet卷积提取特征.mp478.10M
| ├──12.图像定位
| | ├──章节12-1常见图像处理任务和图像定位原理.mp4120.36M
| | ├──章节12-2图像定位实例—数据观察与理解.mp4197.54M
| | ├──章节12-3 目标值得解析和可视化.mp4126.79M
| | ├──章节12-4 数据集路径读取与筛选.mp4105.58M
| | ├──章节12-5 解析xml目标值.mp486.12M
| | ├──章节12-6 创建Dataset.mp4140.53M
| | ├──章节12-7 创建dataloader和图像可视化.mp499.19M
| | ├──章节12-8 创建图像定位模型.mp4111.93M
| | └──章节12-9 图像定位模型训练和预测.mp4107.18M
| ├──13.Unet图像语义分割
| | ├──章节13-1 图像语义分割简介.mp478.63M
| | ├──章节13-10 前向传播部分.mp4119.43M
| | ├──章节13-11 模型训练-.mp4120.16M
| | ├──章节13-12 模型测试.mp4126.15M
| | ├──章节13-13 模型预测.mp491.67M
| | ├──章节13-2 UNET语义分割结构介绍.mp4115.26M
| | ├──章节13-3 语义分割输入输出 反卷积和Iou指标.mp482.45M
| | ├──章节13-4 Unet 语义分割数据观察.mp4108.99M
| | ├──章节13-5 创建dataset输入.mp4176.88M
| | ├──章节13-6 创建和测试dataset并绘图.mp499.49M
| | ├──章节13-7 下采样模型-.mp4107.90M
| | ├──章节13-8 上采样模型.mp4119.39M
| | └──章节13-9 unet模型初始化部分.mp4144.42M
| ├──14.LinNet图像语义分割
| | ├──14-2 无视频（课后作业，大家自己写出这个模型）.mp443.46M
| | ├──章节14 -7 解码器模块.mp4106.57M
| | ├──章节14-1 LinkNet 图像语义分割简介.mp481.02M
| | ├──章节14-10 模型前向传播.mp482.91M
| | ├──章节14-11 模型训练和Iou指标.mp489.27M
| | ├──章节14-3 代码组织结构.mp485.64M
| | ├──章节14-4 卷积模块.mp498.42M
| | ├──章节14-5 反卷积.mp4115.27M
| | ├──章节14-6 编码器模块.mp4123.83M
| | ├──章节14-8 输入和编码部分初始化.mp498.50M
| | └──章节14-9 解码器和输出部分初始化.mp4100.69M
| ├──15.文本分类与词嵌入表示
| | ├──章节15-1 文本表示与词嵌入.mp485.94M
| | ├──章节15-2 文本向量化流程与分词.mp486.08M
| | ├──章节15-3 文本向量化实现.mp4122.44M
| | ├──章节15-4 简单文本分类.mp4106.32M
| | ├──章节15-5 创建词表-认识数据集.mp4110.03M
| | ├──章节15-6 模型训练.mp4139.98M
| | └──章节15-7 使用预训练的词向量.mp4136.76M
| ├──16.Rnn循环神经网络
| | ├──章节 16-6 GRU网络简介.mp428.69M
| | ├──章节16-1 Rnn循环神经网络介绍.mp484.59M
| | ├──章节16-2 RnnCell在序列上展开模型实现.mp4190.55M
| | ├──章节16-3 RnnCell简单文本分类模型.mp4146.20M
| | ├──章节16-4 Lstm网络简介.mp459.73M
| | ├──章节16-5 LstmMcell实现文本分类.mp493.61M
| | └──章节16-7 Lstm 高价API.mp4156.27M
| ├──17（二）. 中文外卖评论情绪分类
| | ├──章节17-1（案例二） 中文外卖评论情绪分类-上.mp4134.12M
| | ├──章节17-2（案例二） 中文外卖评论情绪分类-下.mp4123.94M
| | └──章节17-3 RNN的优化方法.mp4107.73M
| ├──17（一）. twitter 评论情绪分类
| | ├──章节17-1 twitter 评论情绪分类-数据读取与观察.mp4146.89M
| | ├──章节17-2 twitter 评论情绪分类-创建词表.mp4111.25M
| | ├──章节17-3 划分训练测试数据，创建dataset.mp474.52M
| | ├──章节17-4 基础文本分类模型.mp473.72M
| | └──章节17-5 Lstm 文本分类模型.mp4188.42M
| ├──18.注意力机制
| | ├──章节18-1 seq2seq简介.mp461.44M
| | ├──章节18-2 注意力机制简介.mp470.31M
| | ├──章节18-3 自注意力机制简介.mp482.45M
| | ├──章节18-4 transformer 简介.mp4165.47M
| | └──章节18-5 transformer 文本分类小案例.mp499.12M
| ├──19. Rnn序列预测-北京空气质量
| | ├──章节19-1 数据读取与观察.mp4139.42M
| | ├──章节19-2 数据预处理.mp495.21M
| | ├──章节19-3 数据预处理.mp4159.69M
| | ├──章节19-4 数据预处理.mp492.95M
| | ├──章节19-5 创建dataset 输入.mp480.01M
| | ├──章节19-6 创建时序预测模型.mp4100.61M
| | ├──章节19-7 模型训练跟预测.mp4176.06M
| | └──章节19-8 模型预测演示.mp4186.48M
| ├──2.深度学习基础与线性回归实例
| | ├──章节2-1机器学习基础-线性回归.mp450.52M
| | ├──章节2-2收入数据集读取与观察.mp4111.73M
| | ├──章节2-3初始化模型、损失函数和优化方法.mp4147.34M
| | └──章节2-4模型训练与结果可视化.mp4147.98M
| ├──20. Tensorboard可视化
| | ├──章节20-1 Tensorboard 安装与导入.mp487.80M
| | ├──章节20-2 Tensorboard 可视化.mp468.63M
| | ├──章节20-3 Tensorboadr 网络模型结构可视化.mp468.28M
| | └──章节20-4 标量数据可视化.mp480.31M
| ├──21.一维卷积网络
| | ├──章节21-1 一维卷积原理与网络结构.mp492.20M
| | ├──章节21-2 中文分词.mp4109.09M
| | ├──章节21-3 创建词表.mp495.97M
| | ├──章节21-4 划分数据集.mp4108.08M
| | ├──章节21-5 批处理函数.mp4135.03M
| | ├──章节21-6 模型初始化.mp4118.45M
| | └──章节21-7模型前向传播与训练.mp481.09M
| ├──23.语义分割图片的标注——Labelme使用教程
| | ├──--Labelme的安装和单张图片的标注.mp431.05M
| | ├──--从标注文件生成图像语义分割数据集.mp430.43M
| | └──--标注图片的读取和验证.mp423.84M
| ├──24.多任务学习
| | ├──--多任务学习简介.mp415.83M
| | ├──--多任务标签预处理.mp432.11M
| | ├──--创建dataset.mp447.09M
| | ├──--多任务模型创建(一).mp431.95M
| | ├──--多任务模型创建(二).mp416.92M
| | └──--多任务模型的训练.mp440.00M
| ├──25.目标识别与目标检测
| | ├──--目标识别标注文件的解析（一）.mp448.70M
| | ├──--目标识别标注文件的解析（二）.mp424.69M
| | ├──--创建输入Dataset.mp454.40M
| | ├──--创建dataloader、初始化模型和优化器.mp442.37M
| | ├──--目标识别的模型训练.mp434.37M
| | ├──--目标识别的模型预测.mp447.89M
| | ├──--目标识别综述——two_stage目标检测算法.mp422.87M
| | ├──--目标识别综述——one_stage目标检测算法.mp431.84M
| | ├──--PyTorch内置的目标检测模块.mp422.17M
| | ├──--使用PyTorch内置目标检测模块.mp424.65M
| | ├──--目标识别预测结果解读与可视化.mp433.77M
| | ├──--PyTorch目标检测的使用.mp429.40M
| | ├──--目标检测的图像标注.mp422.59M
| | ├──--标注自有数据集并安装所需的库.mp434.70M
| | └──--修改PyTorch内置目标检测模型的输出.mp429.32M
| ├──3.pytorch张量
| | ├──章节3-1Pytorch张量与数据类型.mp4266.81M
| | ├──章节3-2张量运算与形状变换.mp482.37M
| | ├──章节3-3张量微分运算.mp4144.81M
| | └──章节3-4入门实例的分解写法-.mp4209.33M
| ├──4.逻辑回归与多层感知机
| | ├──章节4-10添加正确率和验证数据.mp4275.41M
| | ├──章节4-1逻辑回归简介与数据预处理.mp4135.37M
| | ├──章节4-2逻辑回归模型的创建与训练.mp4221.93M
| | ├──章节4-3多层感知器简介.mp484.06M
| | ├──章节4-4多层感知器实例-数据预处理.mp4193.71M
| | ├──章节4-5多层感知器模型创建.mp4110.45M
| | ├──章节4-6多层感知器模型改写与解释.mp4125.26M
| | ├──章节4-7多层感知器模型训练.mp497.00M
| | ├──章节4-8使用Dataset和Dataloader加载模型数据.mp4165.81M
| | └──章节4-9划分验证数据和测试数据.mp4187.46M
| ├──5.多分类问题
| | ├──章节5-1Softmax多分类与鸢尾花数据集预处理.mp4157.03M
| | ├──章节5-2多分类模型创建与损失函数.mp4142.84M
| | ├──章节5-3多分类模型训练与调试.mp4230.82M
| | ├──章节5-4编写通用训练函数（一）.mp4205.63M
| | └──章节5-5编写通用训练函数（二）.mp4256.20M
| ├──6.手写数字全连接模型
| | ├──章节6-1MNIST数据集的下载和使用.mp4182.36M
| | ├──章节6-2认识手写数据集MNIST.mp4163.06M
| | └──章节6-3MNIST数据集全连接模型训练.mp4156.83M
| ├──7.基础部分总结
| | ├──章节7-1梯度下降算法与学习速率.mp4107.89M
| | ├──章节7-2反向传播算法与优化器.mp4119.41M
| | ├──章节7-3基础部分知识点总结.mp4191.62M
| | └──章节7-4基础部分作业——Fashi-MNIST数据分类.mp438.42M
| ├──8.计算机视觉基础
| | ├──章节8-10Dropout抑制过拟合.mp489.52M
| | ├──章节8-11Dropout代码实现-.mp4173.38M
| | ├──章节8-12批标准化（Batch Normalization）简介.mp4111.44M
| | ├──章节8-13Batch Normalization层的代码实现.mp4172.49M
| | ├──章节8-14超参数选择原则.mp456.63M
| | ├──章节8-1什么是卷积.mp4139.92M
| | ├──章节8-2卷积模型的整体架构.mp4119.92M
| | ├──章节8-3卷积模型解决手写数字分类.mp4351.19M
| | ├──章节8-4使用GPU加速训练.mp4225.86M
| | ├──章节8-5卷积模型基础实例—四种天气数据集.mp4343.65M
| | ├──章节8-6读取、预处理图片并创建Dataset.mp4112.08M
| | ├──章节8-7创建Dataloader和可视化图片.mp4202.97M
| | ├──章节8-8四种天气分类模型的创建.mp4185.80M
| | └──章节8-9卷积模型的训练.mp4110.73M
| └──9.预训练模型(迁移学习)
| | ├──章节9-1预训练模型与VGG架构.mp4151.68M
| | ├──章节9-2预训练模型的使用介绍.mp4109.67M
| | ├──章节9-3预训练模型VGG的代码实现.mp4152.14M
| | ├──章节9-4图像数据增强.mp4228.33M
| | ├──章节9-5学习速率衰减.mp4160.28M
| | ├──章节9-6RESNET预训练模型.mp4180.71M
| | ├──章节9-7微调与迁移学习.mp4166.68M
| | └──章节9-8模型权重保存.mp4222.87M
└──课程资料
| ├──参考代码和部分数据集
| | └──参考代码
| ├──Miniconda3和conda配置文件.zip50.54M
| ├──unet_model权重_建议还是自己训练.zip122.07M
| ├──VC_redist.x64.exe14.28M
| ├──常见预训练模型权重.zip827.58M
| ├──大型数据集.zip2.97G
| ├──课件.zip7.08M
| └──文本分类数据集.zip1.44M
**** Hidden Message *****
沙发，这课为啥没人看 真是难得给力的帖子啊。 强烈支持楼主ing…… 强烈支持楼主ing…… :) 强烈支持楼主ing…… 感恩无私的分享与奉献 :) pytorch全套入门与实战项目 强烈支持楼主ing……