学习GAN经典网络模型架构及其论文核心算法实现

*   01 对抗生成网络架构原理与实战解析/

  *   01 对抗生成网络通俗解释.mp4 08:24

  *   02 GAN网络组成.mp4 05:14

  *   03 损失函数解释说明.mp4 10:05

  *   04 数据读取模块.mp4 08:26

  *   05 生成与判别网络定义.mp4 08:39

*   02 基于CycleGan开源项目实战图像合成/

  *   01 CycleGan网络所需数据.mp4 06:50

  *   02 CycleGan整体网络架构.mp4 10:03

  *   03 PatchGan判别网络原理.mp4 04:40

  *   04 Cycle开源项目简介.mp4 07:07

  *   05 数据读取与预处理操作.mp4 10:17

  *   06 生成网络模块构造.mp4 12:12

  *   07 判别网络模块构造.mp4 05:02

  *   08 损失函数：identity loss计算方法.mp4 09:12

  *   09 生成与判别损失函数指定.mp4 11:40

  *   10 额外补充：VISDOM可视化配置.mp4 05:54

*   03 stargan论文架构解析/

  *   01 stargan效果演示分析.mp4 06:13

  *   02 网络架构整体思路解读.mp4 09:00

  *   03 建模流程分析.mp4 07:08

  *   04 V1版本存在的问题及后续改进思路.mp4 06:34

  *   05 V2版本在整体网络架构.mp4 08:01

  *   06 编码器训练方法.mp4 06:23

  *   07 损失函数公式解析.mp4 08:31

  *   08 训练过程分析.mp4 04:50

*   04 stargan项目实战及其源码解读/

  *   01 项目配置与数据源下载.mp4 05:11

  *   02 测试效果演示.mp4 06:17

  *   03 项目参数解析.mp4 04:28

  *   04 生成器模块源码解读.mp4 07:46

  *   05 所有网络模块构建实例.mp4 07:18

  *   06 数据读取模块分析.mp4 10:29

  *   07 判别器损失计算.mp4 05:51

  *   08 损失计算详细过程.mp4 07:04

  *   09 生成模块损失计算.mp4 10:58

  *   10 测试模块效果与实验分析.mp4 04:34

*   05 基于starganvc2的变声器论文原理解读/

  *   01 论文整体思路与架构解读.mp4 07:26

  *   02 VCC2016输入数据.mp4 07:26

  *   03 语音特征提取.mp4 11:38

  *   04 生成器模型架构分析.mp4 05:11

  *   05 InstanceNorm的作用解读.mp4 07:30

  *   06 AdaIn的目的与效果.mp4 05:07

  *   07 判别器模块分析.mp4 13:10

*   06 starganvc2变声器项目实战及其源码解读/

  *   01 数据与项目文件解读.mp4 07:00

  *   02 环境配置与工具包安装.mp4 08:02

  *   03 数据预处理与声音特征提取.mp4 13:46

  *   04 生成器构造模块解读.mp4 09:07

  *   05 下采样与上采样操作.mp4 07:54

  *   06 starganvc2版本标签输入分析.mp4 06:00

  *   07 生成器前向传播维度变化.mp4 07:03

  *   08 判别器模块解读.mp4 07:49

  *   09 论文损失函数.mp4 08:02

  *   10 源码损失计算流程.mp4 06:07

  *   11 测试模块-生成转换语音.mp4 09:05

*   07 图像超分辨率重构实战/

  *   01 论文概述.mp4 05:17

  *   02 网络架构.mp4 08:47

  *   03 数据与环境配置.mp4 07:49

  *   04 数据加载与配置.mp4 08:34

  *   05 生成模块.mp4 07:32

  *   06 判别模块.mp4 06:57

  *   07 VGG特征提取网络.mp4 06:18

  *   08 损失函数与训练.mp4 11:47

  *   09 测试模块.mp4 07:59

*   08 基于GAN的图像补全实战/

  *   01 论文概述.mp4 10:02

  *   02 网络架构.mp4 11:03

  *   03 细节设计.mp4 08:01

  *   04 论文总结.mp4 09:19

  *   05 数据与项目概述.mp4 10:07

  *   06 参数基本设计.mp4 09:14

  *   07 网络结构配置.mp4 12:21

  *   08 网络迭代训练.mp4 16:54

  *   09 测试模块.mp4 05:24

*   09 基础补充-PyTorch卷积模型实例/

  *   01 卷积网络参数定义.mp4 07:21

  *   02 网络流程解读.mp4 07:26

  *   03 Vision模块功能解读.mp4 05:10

  *   04 分类任务数据集定义与配置.mp4 06:27

  *   05 图像增强的作用.mp4 04:51

  *   06 数据预处理与数据增强模块.mp4 09:25

  *   07 Batch数据制作.mp4 08:37

  *   08 迁移学习的目标.mp4 05:31

  *   09 迁移学习策略.mp4 07:11

  *   10 加载训练好的网络模型.mp4 09:54

  *   11 优化器模块配置.mp4 05:14

  *   12 实现训练模块.mp4 08:15

  *   13 训练结果与模型保存.mp4 09:31

  *   14 加载模型对测试数据进行预测.mp4 09:10

  *   15 额外补充-Resnet论文解读.mp4 11:47

  *   16 额外补充-Resnet网络架构解读.mp4 08:26

*   10 结课测试/

  *   01 结课测试