网易云Pytorch深度学习入门与实战|完结无秘

】

<1、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.mp4
│ ├<10.Dataset数据输入>
│ │ ├章节10-1自定义输入Dataset类.mp4
│ │ ├章节10-2获取图片路径和标签.mp4
│ │ ├章节10-3创建四种天气数据集的Dataset.mp4
│ │ ├章节10-4创建输入并可视化.mp4
│ │ ├章节10-5划分测试数据和验证数据.mp4
│ │ └章节10-6灵活的使用Dataset类构建输入.mp4
│ ├<11.现代网络架构>
│ │ ├章节11-10创建特征Dataset和分类模型.mp4
│ │ ├章节11-11模型训练和预测简介.mp4
│ │ ├章节11-12Inception网络结构简介.mp4
│ │ ├章节11-13Inception结构代码实现（一）.mp4
│ │ ├章节11-14Inception结构代码实现（二）.mp4
│ │ ├章节11-15Inception结构应用和优化—Googlenet和inception_v3简介.mp4
│ │ ├章节11-1Resnet和残差结构介绍.mp4
│ │ ├章节11-2Resnet结构代码实现（一）.mp4
│ │ ├章节11-3Resnet结构代码实现（二）.mp4
│ │ ├章节11-4DenseNet模型简介.mp4
│ │ ├章节11-5DenseNet提取图片特征—获取图片和标签.mp4
│ │ ├章节11-6类别编码、划分测试数据和训练数据.mp4
│ │ ├章节11-7创建输入Dataset.mp4
│ │ ├章节11-8创建Dataloader并可视化.mp4
│ │ └章节11-9使用DenseNet卷积提取特征.mp4
│ ├<12.图像定位>
│ │ ├章节12-1常见图像处理任务和图像定位原理.mp4
│ │ ├章节12-2图像定位实例—数据观察与理解.mp4
│ │ ├章节12-3 目标值得解析和可视化.mp4
│ │ ├章节12-4 数据集路径读取与筛选.mp4
│ │ ├章节12-5 解析xml目标值.mp4
│ │ ├章节12-6 创建Dataset.mp4
│ │ ├章节12-7 创建dataloader和图像可视化.mp4
│ │ ├章节12-8 创建图像定位模型.mp4
│ │ └章节12-9 图像定位模型训练和预测.mp4
│ ├<13.Unet图像语义分割>
│ │ ├章节13-1 图像语义分割简介.mp4
│ │ ├章节13-10 前向传播部分.mp4
│ │ ├章节13-11 模型训练-.mp4
│ │ ├章节13-12 模型测试.mp4
│ │ ├章节13-13 模型预测.mp4
│ │ ├章节13-2 UNET语义分割结构介绍.mp4
│ │ ├章节13-3 语义分割输入输出 反卷积和Iou指标.mp4
│ │ ├章节13-4 Unet 语义分割数据观察.mp4
│ │ ├章节13-5 创建dataset输入.mp4
│ │ ├章节13-6 创建和测试dataset并绘图.mp4
│ │ ├章节13-7 下采样模型-.mp4
│ │ ├章节13-8 上采样模型.mp4
│ │ └章节13-9 unet模型初始化部分.mp4
│ ├<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）.mp4
│ │ ├章节14 -7 解码器模块.mp4
│ │ ├章节14-1 LinkNet 图像语义分割简介.mp4
│ │ ├章节14-10 模型前向传播.mp4
│ │ ├章节14-11 模型训练和Iou指标.mp4
│ │ ├章节14-3 代码组织结构.mp4
│ │ ├章节14-4 卷积模块.mp4
│ │ ├章节14-5 反卷积.mp4
│ │ ├章节14-6 编码器模块.mp4
│ │ ├章节14-8 输入和编码部分初始化.mp4
│ │ └章节14-9 解码器和输出部分初始化.mp4
│ ├<15.文本分类与词嵌入表示>
│ │ ├章节15-1 文本表示与词嵌入.mp4
│ │ ├章节15-2 文本向量化流程与分词.mp4
│ │ ├章节15-3 文本向量化实现.mp4
│ │ ├章节15-4 简单文本分类.mp4
│ │ ├章节15-5 创建词表-认识数据集.mp4
│ │ ├章节15-6 模型训练.mp4
│ │ └章节15-7 使用预训练的词向量.mp4
│ ├<16.Rnn循环神经网络>
│ │ ├章节 16-6 GRU网络简介.mp4
│ │ ├章节16-1 Rnn循环神经网络介绍.mp4
│ │ ├章节16-2 RnnCell在序列上展开模型实现.mp4
│ │ ├章节16-3 RnnCell简单文本分类模型.mp4
│ │ ├章节16-4 Lstm网络简介.mp4
│ │ ├章节16-5 LstmMcell实现文本分类.mp4
│ │ └章节16-7 Lstm 高价API.mp4
│ ├<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.mp4
│ │ ├章节17-2（案例二） 中文外卖评论情绪分类-下.mp4
│ │ └章节17-3 RNN的优化方法.mp4
│ ├<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.mp4
│ │ ├章节17-2 twitter 评论情绪分类-创建词表.mp4
│ │ ├章节17-3 划分训练测试数据，创建dataset.mp4
│ │ ├章节17-4 基础文本分类模型.mp4
│ │ └章节17-5 Lstm 文本分类模型.mp4
│ ├<18.注意力机制>
│ │ ├章节18-1 seq2seq简介.mp4
│ │ ├章节18-2 注意力机制简介.mp4
│ │ ├章节18-3 自注意力机制简介.mp4
│ │ ├章节18-4 transformer 简介.mp4
│ │ └章节18-5 transformer 文本分类小案例.mp4
│ ├<19. Rnn序列预测-北京空气质量>
│ │ ├章节19-1 数据读取与观察.mp4
│ │ ├章节19-2 数据预处理.mp4
│ │ ├章节19-3 数据预处理.mp4
│ │ ├章节19-4 数据预处理.mp4
│ │ ├章节19-5 创建dataset 输入.mp4
│ │ ├章节19-6 创建时序预测模型.mp4
│ │ ├章节19-7 模型训练跟预测.mp4
│ │ └章节19-8 模型预测演示.mp4
│ ├<2.深度学习基础与线姓回归实例>
│ │ ├章节2-1机器学习基础-线姓回归.mp4
│ │ ├章节2-2收入数据集读取与观察.mp4
│ │ ├章节2-3初始化模型、损失函数和优化方法.mp4
│ │ └章节2-4模型训练与结果可视化.mp4
│ ├<20. Tensorboard可视化>
│ │ ├章节20-1 Tensorboard 安装与导入.mp4
│ │ ├章节20-2 Tensorboard 可视化.mp4
│ │ ├章节20-3 Tensorboadr 网络模型结构可视化.mp4
│ │ └章节20-4 标量数据可视化.mp4
│ ├<21.一维卷积网络>
│ │ ├章节21-1 一维卷积原理与网络结构.mp4
│ │ ├章节21-2 中文分词.mp4
│ │ ├章节21-3 创建词表.mp4
│ │ ├章节21-4 划分数据集.mp4
│ │ ├章节21-5 批处理函数.mp4
│ │ ├章节21-6 模型初始化.mp4
│ │ └章节21-7模型前向传播与训练.mp4
│ ├<23.语义分割图片的标注——Labelme使用教程>
│ │ ├[23.1]–Labelme的安装和单张图片的标注.mp4
│ │ ├[23.2]–从标注文件生成图像语义分割数据集.mp4
│ │ └[23.3]–标注图片的读取和验证.mp4
│ ├<24.多任务学习>
│ │ ├[24.1]–多任务学习简介.mp4
│ │ ├[24.2]–多任务标签预处理.mp4
│ │ ├[24.3]–创建dataset.mp4
│ │ ├[24.4]–多任务模型创建(一).mp4
│ │ ├[24.5]–多任务模型创建(二).mp4
│ │ └[24.6]–多任务模型的训练.mp4
│ ├<25.目标识别与目标检测>
│ │ ├[25.1]–目标识别综述——two_stage目标检测算法.mp4
│ │ ├[25.10]–目标识别标注文件的解析（一）.mp4
│ │ ├[25.11]–目标识别标注文件的解析（二）.mp4
│ │ ├[25.12]–创建输入Dataset.mp4
│ │ ├[25.13]–创建dataloader、初始化模型和优化器.mp4
│ │ ├[25.14]–目标识别的模型训练.mp4
│ │ ├[25.15]–目标识别的模型预测.mp4
│ │ ├[25.2]–目标识别综述——one_stage目标检测算法.mp4
│ │ ├[25.3]–PyTorch内置的目标检测模块.mp4
│ │ ├[25.4]–使用PyTorch内置目标检测模块.mp4
│ │ ├[25.5]–目标识别预测结果解读与可视化.mp4
│ │ ├[25.6]–PyTorch目标检测的使用.mp4
│ │ ├[25.7]–目标检测的图像标注.mp4
│ │ ├[25.8]–标注自有数据集并安装所需的库.mp4
│ │ └[25.9]–修改PyTorch内置目标检测模型的输出.mp4
│ ├<3.pytorch张量>
│ │ ├章节3-1Pytorch张量与数据类型.mp4
│ │ ├章节3-2张量运算与形状变换.mp4
│ │ ├章节3-3张量微分运算.mp4
│ │ └章节3-4入门实例的分解写法-.mp4
│ ├<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.mp4
│ │ ├章节4-1逻辑回归简介与数据预处理.mp4
│ │ ├章节4-2逻辑回归模型的创建与训练.mp4
│ │ ├章节4-3多层感知器简介.mp4
│ │ ├章节4-4多层感知器实例-数据预处理.mp4
│ │ ├章节4-5多层感知器模型创建.mp4
│ │ ├章节4-6多层感知器模型改写与解释.mp4
│ │ ├章节4-7多层感知器模型训练.mp4
│ │ ├章节4-8使用Dataset和Dataloader加载模型数据.mp4
│ │ └章节4-9划分验证数据和测试数据.mp4
│ ├<5.多分类问题>
│ │ ├章节5-1Softmax多分类与鸢尾花数据集预处理.mp4
│ │ ├章节5-2多分类模型创建与损失函数.mp4
│ │ ├章节5-3多分类模型训练与调试.mp4
│ │ ├章节5-4编写通用训练函数（一）.mp4
│ │ └章节5-5编写通用训练函数（二）.mp4
│ ├<6.手写数字全连接模型>
│ │ ├章节6-1MNIST数据集的下载和使用.mp4
│ │ ├章节6-2认识手写数据集MNIST.mp4
│ │ └章节6-3MNIST数据集全连接模型训练.mp4
│ ├<7.基础部分总结>
│ │ ├章节7-1梯度下降算法与学习速率.mp4
│ │ ├章节7-2反向传播算法与优化器.mp4
│ │ ├章节7-3基础部分知识点总结.mp4
│ │ └章节7-4基础部分作业——Fashi-MNIST数据分类.mp4
│ ├<8.计算机视觉基础>
│ │ ├章节8-10Dropout抑制过拟合.mp4
│ │ ├章节8-11Dropout代码实现-.mp4
│ │ ├章节8-12批标准化（Batch Normalization）简介.mp4
│ │ ├章节8-13Batch Normalization层的代码实现.mp4
│ │ ├章节8-14超参数选择原则.mp4
│ │ ├章节8-1什么是卷积.mp4
│ │ ├章节8-2卷积模型的整体架构.mp4
│ │ ├章节8-3卷积模型解决手写数字分类.mp4
│ │ ├章节8-4使用GPU加速训练.mp4
│ │ ├章节8-5卷积模型基础实例—四种天气数据集.mp4
│ │ ├章节8-6读取、预处理图片并创建Dataset.mp4
│ │ ├章节8-7创建Dataloader和可视化图片.mp4
│ │ ├章节8-8四种天气分类模型的创建.mp4
│ │ └章节8-9卷积模型的训练.mp4
│ ├<9.预训练模型(迁移学习)>
│ │ ├章节9-1预训练模型与VGG架构.mp4
│ │ ├章节9-2预训练模型的使用介绍.mp4
│ │ ├章节9-3预训练模型VGG的代码实现.mp4
│ │ ├章节9-4图像数据增强.mp4
│ │ ├章节9-5学习速率衰减.mp4
│ │ ├章节9-6RESNET预训练模型.mp4
│ │ ├章节9-7微调与迁移学习.mp4
│ │ └章节9-8模型权重保存.mp4
├<课程资料>
│ ├Miniconda3和conda配置文件.zip
│ ├unet_model权重_建议还是自己训练.zip
│ ├VC_redist.x64.exe
│ ├常见预训练模型权重.zip
│ ├大型数据集.zip
│ ├课件.zip
│ ├文本分类数据集.zip
│ ├<参考代码和部分数据集>
│ │ ├<参考代码>
│ │ │ ├109节及之后参考代码.zip
│ │ │ ├1-18节参考代码和数据集.zip
│ │ │ ├19-28节参考代码和数据集.zip
│ │ │ ├29-42节参考代码和数据集.zip
│ │ │ ├43节-54节参考代码.zip
│ │ │ ├55-64节参考代码.zip
│ │ │ ├65-72节DenseNet参考代码.zip
│ │ │ ├7.Tensorboard和一维卷积(第21-22章)参考代码.zip
│ │ │ ├73-81节参考代码.zip
│ │ │ ├82-94节——Unet语义分割参考代码和数据集.zip
│ │ │ └目标识别一章资料.zip