深度学习-语音识别项目实战(Python版)

掌握语音识别必备核心算法模型并基于真实数据集展开实战

*   01 seq2seq序列网络模型/

  *   01 课程简介.mp4 07:46

  *   02 序列网络模型概述分析.mp4 08:57

  *   03 工作原理概述.mp4 03:51

  *   04 注意力机制的作用.mp4 06:00

  *   05 加入attention的序列模型整体架构.mp4 09:23

  *   06 TeacherForcing的作用与训练策略.mp4 07:11

  *   07 额外补充-RNN网络模型解读.mp4 11:52

*   02 LAS语音识别模型实战/

  *   01 数据源与环境配置.mp4 08:38

  *   02 语料表制作方法.mp4 05:33

  *   03 制作json标注数据.mp4 09:20

  *   04 声音数据处理模块解读.mp4 11:11

  *   05 Pack与Pad操作解析.mp4 10:00

  *   06 编码器模块整体流程.mp4 07:10

  *   07 加入注意力机制.mp4 07:46

  *   08 计算得到每个输出的attention得分.mp4 09:33

  *   09 解码器与训练过程演示.mp4 08:38

*   03 starganvc2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

*   04 starganvc2变声器源码实战/

  *   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

*   05 语音分离ConvTasnet模型/

  *   01 语音分离任务分析.mp4 03:32

  *   02 经典语音分离模型概述.mp4 07:05

  *   03 DeepClustering论文解读.mp4 05:53

  *   04 TasNet编码器结构分析.mp4 10:38

  *   05 DW卷积的作用与效果.mp4 04:26

  *   06 基于Mask得到分离结果.mp4 05:50

*   06 ConvTasnet语音分离实战/

  *   01 数据准备与环境配置.mp4 11:19

  *   02 训练任务所需参数介绍.mp4 07:10

  *   03 DataLoader定义.mp4 04:57

  *   04 采样数据特征编码.mp4 07:22

  *   05 编码器特征提取.mp4 07:19

  *   06 构建更大的感受区域.mp4 10:01

  *   07 解码得到分离后的语音.mp4 06:39

  *   08 测试模块所需参数.mp4 03:57

*   07 语音合成技术概述/

  *   01 语音合成技术概述.mp4 05:44

  *   02 网络计算流程分析.mp4 09:43

*   08 语音合成tacotron最新版实战/

  *   01 语音合成项目所需环境配置.mp4 09:03

  *   02 所需数据集介绍.mp4 04:34

  *   03 路径配置与整体流程解读.mp4 09:03

  *   04 Dataloader构建数据与标签.mp4 11:54

  *   05 编码层要完成的任务.mp4 08:08

  *   06 得到编码特征向量.mp4 06:41

  *   07 解码器输入准备.mp4 08:05

  *   08 解码器流程梳理.mp4 09:07

  *   09 注意力机制应用方法.mp4 08:32

  *   10 得到加权的编码向量.mp4 10:14

  *   11 模型输出结果.mp4 09:47

  *   12 损失函数与预测.mp4 06:27

*   09 基础补充-PyTorch框架基本处理操作/

  *   01 PyTorch框架发展趋势简介.mp4 08:25

  *   02 框架安装方法（CPU与GPU版本）.mp4 05:13

  *   03 PyTorch基本操作简介.mp4 09:25

  *   04 自动求导机制.mp4 10:59

  *   05 线性回归DEMO-数据与参数配置.mp4 08:56

  *   06 线性回归DEMO-训练回归模型.mp4 10:08

  *   07 常见tensor格式.mp4 07:10

  *   08 Hub模块简介.mp4 08:25

*   10 PyTorch使用补充-神经网络实战分类与回归任务/

  *   01 气温数据集与任务介绍.mp4 06:42

  *   02 按建模顺序构建完成网络架构.mp4 11:38

  *   03 简化代码训练网络模型.mp4 11:04

  *   04 分类任务概述.mp4 05:12

  *   05 构建分类网络模型.mp4 09:40

  *   06 DataSet模块介绍与应用方法.mp4 10:11

*   11 算法补充-卷积神经网络原理与参数解读/

  *   01 卷积神经网络应用领域.mp4 07:24

  *   02 卷积的作用.mp4 09:23

  *   03 卷积特征值计算方法.mp4 08:07

  *   04 得到特征图表示.mp4 06:58

  *   05 步长与卷积核大小对结果的影响.mp4 08:11

  *   06 边缘填充方法.mp4 06:30

  *   07 特征图尺寸计算与参数共享.mp4 07:02

  *   08 池化层的作用.mp4 05:38

  *   09 整体网络架构.mp4 06:20

  *   10 VGG网络架构.mp4 06:16

  *   11 残差网络Resnet.mp4 07:41

  *   12 感受野的作用.mp4 05:46

*   12 策略补充-迁移学习与Resnet网络架构/

  *   01 迁移学习的目标.mp4 05:31

  *   02 迁移学习策略.mp4 07:11

  *   03 Resnet原理.mp4 11:54

  *   04 Resnet网络细节.mp4 12:41

  *   05 Resnet基本处理操作.mp4 06:17

  *   06 shortcut模块.mp4 08:31

  *   07 加载训练好的权重.mp4 07:01

  *   08 迁移学习效果对比.mp4 09:01

*   13 结课测试/

  *   01 结课测试