有三AI有三AI终身VIP-计算机视觉方向

1、深度学习之图像与视频生成GAN—理论与实践 · 2、深度学习之模型分析—理论与实践 · 3、深度学习之人脸属性编辑—理论与实践 · 4、深度学习之图像翻译与风格化GAN—理论与实践 · 5、深度学习之图像增强GAN—理论与实践 · 6、深度学习之视觉Transformer—理论与实践 · 7、深度学习之模型设计—理论与实践 · 8、深度学习之目标检测—理论与实践 · 9、深度学习之图像分割—理论与实践 · 10、深度学习之图像分类—理论与实践 · 11、深度学习之模型优化—理论与实践 · 12、深度学习之数据使用—理论实践篇 · 13、深度学习之模型部署—移动端与服务端 · 14、深度学习之Pytorch—入门及实战 · 15、OpenCV使用 · 16、深度学习之人脸图像检测与识别—理论与实践 · 17、深度学习之视频分类—理论与实践 · 18、基于3DCNN的视频分类与行为识别实战 · 19、基于CNN-LSTM的视频分类与行为识别实战 · 20、基于KL散度的8bit对称模型量化原理与实战（NCNN篇）

*   1、深度学习之图像与视频生成GAN—理论与实践/

  *   1_0-课程介绍.mp4

  *   2_1-全卷积图像生成GAN理论.mp4

  *   3_2.1-DCGAN图像生成实战-项目解读.mp4

  *   4_2.2-DCGAN图像生成实战-模型搭建.mp4

  *   5_2.3-DCGAN图像生成实战-模型训练.mp4

  *   6_2.4-DCGAN图像生成实战-模型测试.mp4

  *   7_3-条件生成GAN理论.mp4

  *   8_4-多尺度生成GAN理论.mp4

  *   9_5.1-StyleGAN-v1详解.mp4

  *   10_5.2-StyleGAN-v2详解.mp4

  *   11_6.1-StyleGAN-v1实战-模型解读.mp4

  *   12_6.2--StyleGAN-v1实战-模型测试.mp4

  *   13_7-数据增强与仿真GAN理论.mp4

  *   14_8.1-视频生成GAN（基础篇）.mp4

  *   15_8.2-视频生成GAN（内容运动解耦篇）.mp4

*   2、深度学习之模型分析—理论与实践/

  *   1_0-课程介绍.mp4

  *   2_1.1-模型可视化分析(结构篇）.mp4

  *   3_1.2-模型可视化分析(权重篇).mp4

  *   4_1.3-模型可视化分析(反卷积篇).mp4

  *   5_1.4-模型可视化分析实践(反卷积篇).mp4

  *   6_1.5-模型可视化分析(激活热图篇).mp4

  *   7_1.6-模型可视化分析实践(激活热图篇).mp4

  *   8_2-模型复杂度分析.mp4

  *   9_3-模型速度分析.mp4

*   3、深度学习之人脸属性编辑—理论与实践/

  *   1_课程介绍.mp4

  *   2_1-人脸属性编辑基础.mp4

  *   3_2.1-StyleGAN人脸属性编辑原理.mp4

  *   4_2.2-StyleGAN人脸属性编辑实战-内容简介.mp4

  *   5_2.3-StyleGAN人脸属性编辑实战-人脸属性向量生成.mp4

  *   6_2.4-StyleGAN人脸属性编辑实战-人脸样式混合与插值.mp4

  *   7_2.5-StyleGAN人脸属性编辑实战-人脸属性方向向量生成.mp4

  *   8_2.6-StyleGAN人脸属性编辑实战-人脸表情、年龄、性别编辑.mp4

  *   9_2.7-StyleGAN人脸属性编辑实战-人脸表情添加与去除.mp4

  *   10_3.1-StarGAN-v1原理.mp4

  *   11_3.2-StarGAN-v2原理.mp4

  *   12_3.3-StarGAN表情编辑实战-内容简介.mp4

  *   13_3.4-StarGAN表情编辑实战-数据读取.mp4

  *   14_3.5-StarGAN表情编辑实战-模型搭建.mp4

  *   15_3.6-StarGAN表情编辑实战-模型训练.mp4

  *   16_3.7-StarGAN表情编辑实战-模型测试.mp4

  *   17_4.1-人脸年龄编辑（基础篇）.mp4

  *   18_4.2人脸年龄编辑（进阶篇）.mp4

  *   19_5.1-人脸表情编辑（基础篇）.mp4

  *   20_6.1-人脸姿态编辑（基础篇）.mp4

  *   21_7.1-人脸妆造编辑（基础篇）.mp4

  *   22_7.2-BeautyGAN人脸美妆实战-项目简介.mp4

  *   23_7.3-BeautyGAN人脸美妆实战-数据读取.mp4

  *   24_7.4-BeautyGAN人脸美妆实战-模型搭建.mp4

  *   25_7.5-BeautyGAN人脸美妆实战-模型训练.mp4

  *   26_7.6-BeautyGAN人脸美妆实战-模型测试.mp4

*   4、深度学习之图像翻译与风格化GAN—理论与实践/

  *   1_0-课程介绍.mp4

  *   2_1-图像翻译与风格迁移基础.mp4

  *   3_2-有监督图像翻译模型.mp4

  *   4_3-无监督图像翻译模型.mp4

  *   5_4.1-Pix2Pix图像上色实战（项目简介与原理回顾）.mp4

  *   6_4.2-Pix2Pix图像上色实战（数据读取）.mp4

  *   7_4.3-Pix2Pix图像上色实战（模型搭建）.mp4

  *   8_4.4-Pix2Pix图像上色实战（模型训练）.mp4

  *   9_4.5-Pix2Pix图像上色实战（模型测试）.mp4

  *   10_5.1-多域图像翻译模型（上）.mp4

  *   11_5.2-多域图像翻译模型（下）.mp4

  *   12_6.1-StarGAN人脸表情编辑实战（项目简介与原理回顾）.mp4

  *   13_6.2-StarGAN人脸表情编辑实战（数据读取）.mp4

  *   14_6.3-StarGAN人脸表情编辑实战（模型搭建）.mp4

  *   15_6.4-StarGAN人脸表情编辑实战（模型训练）.mp4

  *   16_6.5-StarGAN人脸表情编辑实战（模型测试）.mp4

  *   17_7.1-BeautyGAN人脸美妆实战（项目简介）.mp4

  *   18_7.2-BeautyGAN人脸美妆实战（数据读取）.mp4

  *   19_7.3-BeautyGAN人脸美妆实战（模型搭建）.mp4

  *   20_7.4-BeautyGAN人脸美妆实战（模型训练）.mp4

  *   21_7.5-BeautyGAN人脸美妆实战（模型测试）.mp4

*   5、深度学习之图像增强GAN—理论与实践/

  *   1_课程介绍.mp4

  *   2_第1.1节-图像降噪（基础篇）.mp4

  *   3_第1.2节-图像降噪（进阶篇）.mp4

  *   4_第1.3节-DANet图像降噪实战（项目介绍）.mp4

  *   5_第1.4节-DANet图像降噪实战（数据读取）.mp4

  *   6_第1.5节-DANet图像降噪实战（模型搭建）.mp4

  *   7_第1.6节-DANet图像降噪实战（模型训练）.mp4

  *   8_第1.7节-DANet图像降噪实战（模型测试）.mp4

  *   9_第2.1节-色调映射（基础篇）.mp4

  *   10_第2.2节-色调映射（进阶篇）.mp4

  *   11_第2.3节-EnlightenGAN图像增强实战（项目介绍）.mp4

  *   12_第2.4节-EnlightenGAN图像增强实战（数据读取）.mp4

  *   13_第2.5节-EnlightenGAN图像增强实战（模型搭建）.mp4

  *   14_第2.6节-EnlightenGAN图像增强实战（模型训练）.mp4

  *   15_第2.7节-EnlightenGAN图像增强实战（模型测试）.mp4

  *   16_第3.1节-图像超分辨（基础篇）.mp4

  *   17_第3.2节-图像超分辨（进阶篇）.mp4

  *   18_第3.3节-SRGAN超分辨实战（项目简介）.mp4

  *   19_第3.4节-SRGAN超分辨实战（数据处理）.mp4

  *   20_第3.5节-SRGAN超分辨实战（模型搭建与训练）.mp4

  *   21_第3.6节-SRGAN超分辨实战（模型测试）.mp4

  *   22_第4.1节-图像去模糊（基础篇）.mp4

  *   23_第4.2节-图像去模糊（进阶篇）.mp4

  *   24_第5.1节-图像修复（基础篇）.mp4

  *   25_第5.2节-图像修复（进阶篇）.mp4

*   6、深度学习之视觉Transformer—理论与实践/

  *   1_1-自注意力机制.mp4

  *   2_2.1-Transformer模型原理.mp4

  *   3_2.2-从零搭建Transformer模型.mp4

  *   4_3.1-Vision-Transformer原理.mp4

  *   5_3.2-从零实现Vision-Transformer.mp4

  *   6_4.1-DeiT模型原理.mp4

  *   7_4.2-从零实现DeiT模型.mp4

  *   8_5.1-CaiT模型原理.mp4

  *   9_5.2-从零实现CaiT模型.mp4

  *   10_6.1-DeepViT模型原理.mp4

  *   11_6.2-从零实现DeepViT模型.mp4

  *   12_7.1-CCT模型原理.mp4

  *   13_7.2-从零实现CCT模型.mp4

  *   14_8.1-Tokens-to-Token-ViT模型原理.mp4

  *   15_8.2-从零实现Tokens-to-Token-ViT模型.mp4

  *   16_9.1-MobileViT模型原理.mp4

  *   17_9.2-从零实现MobileViT模型.mp4

  *   18_10-ViT模型训练.mp4

*   7、深度学习之模型设计—理论与实践/

  *   1_0_课程介绍.mp4

  *   2_1.1.0_经典浅层卷积网络设计_简介.mp4

  *   3_1.1.1_Neocognitron.mp4

  *   4_1.1.2_TDNN.mp4

  *   5_1.1.3_Cresceptron.mp4

  *   6_1.1.4_LeNet.mp4

  *   7_1.2.0_网络深度对分类模型的影响_简介.mp4

  *   8_1.2.1_经典的网络AlexNet.mp4

  *   9_1.2.2_更深的网络VGGNet.mp4

  *   10_1.2.3_梯度问题与ResNet.mp4

  *   11_1.3.1_ResNet垃圾分类任务介绍.mp4

  *   12_1.3.2_ResNet垃圾分类数据集预处理.mp4

  *   13_1.3.3_ResNet垃圾分类数据读取.mp4

  *   14_1.3.4_ResNet垃圾分类模型训练.mp4

  *   15_1.3.5_ResNet垃圾分类模型测试.mp4

  *   16_1.3.6_ResNet垃圾分类模型调优.mp4

  *   17_2.1.0_经典模型的宽度设计思想_简介.mp4

  *   18_2.1.1_通道数量调整.mp4

  *   19_2.1.2_多分支网络结构.mp4

  *   20_2.1.3_通道补偿技术.mp4

  *   21_2.2.0_网络宽度对模型性能影响_简介.mp4

  *   22_2.2.1_多通道的网络Inception-v1.mp4

  *   23_2.2.2_拓宽的残差网络ResNeXt.mp4

  *   24_2.3.1_InceptionNet花卉分类实战-项目简介.mp4

  *   25_2.3.2_InceptionNet花卉分类实战-模型搭建（Inception-V1）.mp4

  *   26_2.3.3_InceptionNet花卉分类实战-模型搭建（Inception-V2V3）.mp4

  *   27_2.3.4_InceptionNet花卉分类实战-模型搭建（Inception-V4）.mp4

  *   28_2.3.5_InceptionNet花卉分类实战-模型训练.mp4

  *   29_2.3.6_InceptionNet花卉分类实战-模型测试.mp4

  *   31_3.1.1_STN.mp4

  *   32_3.1.2_DynamicCapacityNetworks.mp4

  *   33_3.1.3_Learn-to-Pay-Attention.mp4

  *   34_3.2.1_SENet.mp4

  *   35_3.2.2_SKNet.mp4

  *   36_3.2.3_ResNeSt.mp4

  *   37_3.3.1_CBAM.mp4

  *   38_3.3.2_BAM.mp4

  *   39_3.3.3_ResidualAttention.mp4

  *   40_3.3.4_Dual-Attention-Network.mp4

  *   41_3.4.1_基于SENet模型的人种分类-数据集介绍与读取.mp4

  *   42_3.4.2_基于SENet模型的人种分类-模型搭建通用模板.mp4

  *   43_3.4.3_基于SENet模型的人种分类-从零搭建ResNet模型.mp4

  *   44_3.4.4_基于SENet模型的人种分类-模型训练通用模板.mp4

  *   45_3.4.5_基于SENet模型的人种分类-SENet模型搭建与训练.mp4

  *   47_4.1.1_Xception理论介绍.mp4

  *   48_4.1.2_Xception代码讲解.mp4

  *   49_4.2.1_MobileNet-V1理论介绍.mp4

  *   50_4.2.2_MobileNet-V1代码讲解.mp4

  *   51_4.3.1_MobileNet-V2理论介绍.mp4

  *   52_4.3.2_MobileNet-V2代码讲解.mp4

  *   53_4.4.1_shufflenetv1_理论.mp4

  *   54_4.4.2_shufflenetv1_代码.mp4

  *   55_4.5.1_shufflenetv2理论.mp4

  *   56_4.5.2_shufflenetv2代码.mp4

  *   57_4.6.1_squeezenet理论.mp4

  *   58_4.6.2_squeezenet代码.mp4

  *   60_5.1.1_通用的分类任务训练代码.mp4

  *   61_5.1.2_利用Tensorboard监控训练速度.mp4

  *   62_5.1.3_通用的分类任务预测代码.mp4

  *   63_5.2.1_Pytorch模型格式转换与优化.mp4

  *   64_5.2.2_安卓部署单张图片识别app.mp4

  *   65_5.2.3_安卓部署实时识别app.mp4

*   8、深度学习之目标检测—理论与实践/

  *   1_《深度学习之目标检测》直播答疑03(直播.05.08).mp4

  *   2_《深度学习之目标检测》直播答疑02(直播.04.17).mp4

  *   3_《深度学习之目标检测》直播答疑01(直播.03.27).mp4

  *   4_0-课程简介.mp4

  *   5_1.1-问题定义.mp4

  *   6_1.2-数据集.mp4

  *   7_1.3-评价指标.mp4

  *   8_1.4-脑图时刻.mp4

  *   9_1.5-算法发展总览.mp4

  *   10_1.6-传统检测算法流程.mp4

  *   11_1.7-基于深度学习的目标检测流程和分类.mp4

  *   12_1.8-脑图时刻.mp4

  *   13_1.9-anchor-base算法结构.mp4

  *   14_2.1-RCNN详解.mp4

  *   15_2.2-SPPNet详解.mp4

  *   16_2.3-Fast-RCNN详解.mp4

  *   17_2.4-Faster-RCNN详解.mp4

  *   18_2.5-one-stage算法引入+脑图时刻.mp4

  *   20_3.1-YOLOv1讲解.mp4

  *   21_3.2-YOLOv2讲解.mp4

  *   22_3.3-YOLOv3讲解.mp4

  *   23_3.4-YOLOv4讲解.mp4

  *   24_3.5-YOLOv5讲解.mp4

  *   26_4.1-YOLO-v3工业缺陷检测实战-原理回顾.mp4

  *   27_4.2-YOLO-v3工业缺陷检测实战-数据集介绍.mp4

  *   28_4.3.1-YOLO-v3工业缺陷检测实战-主干网络代码讲解.mp4

  *   29_4.3.2-YOLO-v3工业缺陷检测实战-Neck+Head部分代码讲解.mp4

  *   30_4.3.3-YOLO-v3工业缺陷检测实战-解码过程讲解.mp4

  *   31_4.3.4-YOLO-v3工业缺陷检测实战-前向推理代码讲解.mp4

  *   32_4.4-YOLO-v3工业缺陷检测实战-模型训练.mp4

  *   33_4.5-YOLO-v3工业缺陷检测实战-模型测试.mp4.mp4

  *   34_5.1-FasterRCNN原理回顾.mp4

  *   35_5.2-数据集介绍.mp4

  *   36_5.3.1-主干网络代码讲解.mp4

  *   37_5.3.2-RPN网络代码讲解.mp4

  *   38_5.3.3-Head部分代码讲解.mp4

  *   39_5.3.4-前向推理代码详解.mp4

  *   40_5.3.5-训练部分详解.mp4

  *   41_5.4-权重文件处理知识+本期内容整体梳理.mp4

  *   42_6.1-Anchor-free引入.mp4

  *   43_6.2-Densebox详解（上）.mp4

  *   44_6.2-Densebox详解（中）.mp4

  *   45_6.2-Densebox详解（下）.mp4

  *   46_6.3-CornerNet详解（上）.mp4

  *   47_6.3-CornerNet详解（中）.mp4

  *   48_6.3-CornerNet详解（下）.mp4

  *   49_6.4-CenterNet详解（上）.mp4

  *   50_6.4-CenterNet详解（中）.mp4

  *   51_6.4-CenterNet详解（下）.mp4

  *   53_7.1-印刷电路板数据集介绍.mp4

  *   54_7.2-CenterNet原理回顾（上）.mp4

  *   55_7.2-CenterNet原理回顾（下）.mp4

  *   56_7.3-前向推理代码详解.mp4

  *   57_7.4-训练过程代码详解（上）.mp4

  *   58_7.4-训练过程代码详解（下）.mp4

  *   59_7.5-内容总结.mp4

  *   60_8.1_MMdetection简介与安装.mp4

  *   61_8.2_MMdetection框架总体讲解.mp4

  *   62_8.3_配置文件讲解（上）.mp4

  *   63_8.3_配置文件讲解（下）.mp4

  *   64_8.4_推理相关源码分析.mp4

  *   65_8.5_训练相关源码分析.mp4

  *   66_8.6_自定义数据集.mp4

  *   67_8.7_COCO与VOC格式转化.mp4

  *   68_8.8_Kmeans聚类边界框.mp4

  *   69_8.9_热力图绘制.mp4

  *   70_8.10_训练过程和检测结果可视化分析.mp4

  *   71_8.11_工程实践技巧.mp4

*   9、深度学习之图像分割—理论与实践/

  *   1_0_课程内容.mp4

  *   2_1_图像分割基础.mp4

  *   3_2.1_语义分割基础模型.mp4

  *   4_2.2_语义分割模型改进.mp4

  *   6_3.1_简单模型嘴唇分割_数据获取与整理.mp4

  *   7_3.2_简单模型嘴唇分割_模型搭建.mp4

  *   8_3.3_简单模型嘴唇分割_模型训练.mp4

  *   9_3.4_简单模型嘴唇分割_模型测试.mp4

  *   10_4.1_缺陷分割实战_内容介绍.mp4

  *   11_4.2_缺陷分割实战_模型搭建(理论).mp4

  *   12_4.3_缺陷分割实战_模型搭建(代码).mp4

  *   13_4.4_缺陷分割实战_数据读取.mp4

  *   14_4.5_缺陷分割实战_模型训练.mp4

  *   15_4.6_缺陷分割实战_模型测试.mp4

  *   16_5.1_弱监督语义分割基础.mp4

  *   17_5.2_弱监督语义分割模型.mp4

  *   19_6.1_Image-Matting基础.mp4

  *   20_6.2_基于Trimap预测的Image-Matting模型.mp4

  *   21_6.3_Image-Matting模型改进（粗标签篇）.mp4

  *   23_7.1_人像Image-Matting实战_模型简介.mp4

  *   24_7.2_人像Image-Matting实战_数据准备与读取.mp4

  *   25_7.3_人像Image-Matting实战_模型定义.mp4

  *   26_7.4_人像Image-Matting实战模型_训练与测试.mp4

  *   27_8.1_实例分割基础.mp4

  *   28_8.2_实例分割基础模型.mp4

  *   29_8.3_二阶段实例分割算法.mp4

  *   30_8.4_一阶段实例分割算法.mp4

  *   32_9.1_实例分割实战_数据读取.mp4

  *   33_9.2_实例分割实战_评价指标编写.mp4

  *   34_9.3_实例分割实战_网络模型搭建.mp4

*   10、深度学习之图像分类—理论与实践/

  *   1_《深度学习之图像分类》直播答疑04(直播.05.29).mp4

  *   2_《深度学习之图像分类》直播答疑03(直播.05.15).mp4

  *   3_《深度学习之图像分类》直播答疑02(直播.04.17).mp4

  *   4_《深度学习之图像分类》直播答疑01(直播.03.27).mp4

  *   5_0-课程简介.mp4

  *   6_1-图像分类基础.mp4

  *   7_2-多类别图像分类理论.mp4

  *   8_3.1-从零完成表情识别实践（项目背景）.mp4

  *   9_3.2-从零完成表情识别实践（数据处理与读取）.mp4

  *   10_3.3-从零完成表情识别实践（模型搭建与训练）.mp4

  *   11_3.4-从零完成表情识别实践（模型测试）.mp4

  *   12_4.1-简单图像分类数据增强实战（接口简介）.mp4

  *   13_4.2-简单图像分类数据增强实战（实验比较）.mp4

  *   14_5.1-细粒度图像分类理论.mp4

  *   16_6.1-鸟类细粒度图像分类实战（项目简介）.mp4

  *   17_6.2-鸟类细粒度图像分类实战（数据读取）.mp4

  *   18_6.3-鸟类细粒度图像分类实战（模型搭建与训练）.mp4

  *   19_7.1-多标签图像分类理论.mp4

  *   21_8.1-生活用品多标签图像分类实战（多标签分类简介及算法简介）.mp4

  *   22_8.2-生活用品多标签图像分类实战（数据集制作及读取）.mp4

  *   23_8.3-生活用品多标签图像分类实战（训练）.mp4

  *   24_8.4-生活用品多标签图像分类实战（测试）.mp4

  *   25_9.1-半监督与无监督分类理论.mp4

  *   27_10.1-零样本分类理论.mp4

  *   29_11.1-血红细胞图像分类竞赛（内容简介）.mp4

  *   30_11.2-血红细胞图像分类竞赛（思路分析）.mp4

  *   31_11.3-血红细胞图像分类竞赛（基础功能实现-数据集的统计分析）.mp4

  *   32_11.4-血红细胞图像分类竞赛（基础功能实现-网络模型构建）.mp4

  *   33_11.5-血红细胞图像分类竞赛（基础功能实现-训练）.mp4

  *   34_11.6-血红细胞图像分类竞赛（学习率调整）.mp4

  *   35_11.7-血红细胞图像分类竞赛（标签平滑）.mp4

  *   36_11.8-血红细胞图像分类竞赛（知识蒸馏）.mp4

  *   37_11.9-血红细胞图像分类竞赛（投票策略）.mp4

  *   38_11.10-血红细胞图像分类竞赛（TTA策略）.mp4

*   11、深度学习之模型优化—理论与实践/

  *   1_0-课程介绍.mp4

  *   2_1-模型剪枝基础.mp4

  *   3_2-非结构化模型剪枝.mp4

  *   4_3.1-结构化模型剪枝(幅度篇).mp4

  *   5_3.2-结构化模型剪枝(稀疏权重篇).mp4

  *   6_3.3-结构化模型剪枝(稀疏因子篇).mp4

  *   7_3.4-结构化模型剪枝(重建篇).mp4

  *   9_4-模型量化基础.mp4

  *   10_5.1-二值模型量化(基础篇).mp4

  *   11_5.2-二值模型量化(重建篇).mp4

  *   12_6.1-8位量化(KL散度篇).mp4

  *   13_6.2-8位量化(非对称篇).mp4

  *   14_7-混合量化(基础篇).mp4

  *   16_8-知识蒸馏基础.mp4

  *   17_9.1-知识蒸馏框架(特征匹配篇).mp4

  *   18_9.2-知识蒸馏框架(优化目标篇).mp4

  *   19_9.3-知识蒸馏框架(自蒸馏篇).mp4

  *   21_10-神经网络搜索基础.mp4

  *   22_11.1-神经网络搜索(栅格搜索篇).mp4

  *   23_11.2-神经网络搜索(强化学习篇).mp4

  *   24_11.3-神经网络搜索(进化学习篇).mp4

  *   26_12.1-Distiller框架(简介).mp4

  *   27_12.2-Distiller框架(模型剪枝模块).mp4

  *   28_12.3-Distiller框架(模型量化模块).mp4

  *   29_13.1-结构化模型剪枝实战(项目背景).mp4

  *   30_13.2-结构化模型剪枝实战(模型训练).mp4

  *   31_13.3-结构化模型剪枝实战(剪枝与结果).mp4

  *   32_14.1-8位模型量化实战(校准表生成).mp4

  *   33_14.2-8位模型量化实战(ncnn框架简介).mp4

  *   34_14.3-8位模型量化实战(ncnn模型转换).mp4

  *   35_14.4-8位模型量化实战(ncnn量化与推理).mp4

  *   36_15.1-知识蒸馏实战(原理简介).mp4

  *   37_15.2-知识蒸馏实践(模型训练与蒸馏).mp4

*   12、深度学习之数据使用—理论实践篇/

  *   1_《深度学习之数据使用》直播01-自动化数据标注(直播.04.01).mp4

  *   2_0-课程介绍.mp4

  *   3_1-数据获取.mp4

  *   4_2-数据整理.mp4

  *   5_3-数据标注.mp4

  *   6_4-数据增强方法.mp4

  *   7_5.1-Pytorch图像分类数据增强实践-数据增强接口介绍.mp4

  *   8_5.2-Pytorch图像分类数据增强实践-实验结果.mp4

  *   9_6.1-数据增强开源库imgaug介绍.mp4

  *   10_6.2-数据增强开源库imgaug使用.mp4

*   13、深度学习之模型部署—移动端与服务端/

  *   1_模型部署基础.mp4

  *   2_【Pytorch安卓部署】课程介绍.mp4

  *   3_【Pytorch安卓部署】1_手机打开调试模式.mp4

  *   4_【Pytorch安卓部署】2_如何创建安卓虚拟机.mp4

  *   5_【Pytorch安卓部署】3_创建HelloWorld程序.mp4

  *   6_【Pytorch安卓部署】4_创建Button并进行布局.mp4

  *   7_【Pytorch安卓部署】5_按钮逻辑实现与Toast提示.mp4

  *   8_【Pytorch安卓部署】6_在界面中显示图片.mp4

  *   9_【Pytorch安卓部署】7_如何将模型转换为手机可读取的格式.mp4

  *   10_【Pytorch安卓部署】8_用自己的模型进行预测.mp4

  *   11_【Pytorch安卓部署】9_文件对话框的使用.mp4

  *   12_【Pytorch安卓部署】10_如何选择多个模型.mp4

  *   13_【Pytorch安卓部署】11_如何实现拍照识别功能.mp4

  *   14_【Pytorch安卓部署】12_如何实现界面切换.mp4

  *   15_【Pytorch安卓部署】13_实时摄像头画面显示.mp4

  *   16_【Pytorch安卓部署】14_实时识别.mp4

  *   17_【Pytorch安卓部署】15_使用不同模型进行实时识别.mp4

  *   18_【Pytorch安卓部署】16_创建登录界面.mp4

  *   19_【Pytorch安卓部署】17_限制游客部分功能.mp4

  *   20_【Pytorch安卓部署】18_软件名和app图标制作.mp4

  *   21_【Pytorch安卓部署】19_软件功能完善.mp4

  *   22_【Pytorch安卓部署】20_制作apk.mp4

  *   23_【通用模型部署】1_NCNN简介.mp4

  *   24_【通用模型部署】2_NCNN部署.mp4

  *   25_【嵌入式平台部署】1_Tengine简介.mp4

  *   26_【嵌入式平台部署】2_Tengine部署.mp4

  *   27_【微信小程序部署】1_服务端环境准备.mp4

  *   28_【微信小程序部署】2_服务端功能实现.mp4

  *   29_【微信小程序部署】3_前端功能实现.mp4

  *   30_【MNN安卓部署】1.1_推理框架介绍.mp4

  *   31_【MNN安卓部署】1.2_模型转化与量化加速.mp4

  *   32_【MNN安卓部署】1.3_实践操作.mp4

  *   33_【TensorRT部署】1_入门介绍.mp4

  *   34_【TensorRT部署】2_环境配置与安装.mp4

  *   35_【TensorRT部署】3.1_网络加速ONNX实战.mp4

  *   36_【TensorRT部署】3.2_-网络加速Python实战.mp4

  *   37_【TensorRT部署】3.3_-网络C++加速实战.mp4

  *   38_【TensorRT部署】4_课程总结.mp4

*   14、深度学习之Pytorch—入门及实战/

  *   1_0-课程介绍.mp4

  *   2_1-PyTorch简介.mp4

  *   3_2.1-Windows系统下配置PyTorch环境.mp4

  *   4_2.2-ubuntu系统下配置PyTorch环境.mp4

  *   5_3.1-张量（上）.mp4

  *   6_3.2-张量（下）.mp4

  *   7_4-层结构基本介绍.mp4

  *   8_5-网络结构搭建方法.mp4

  *   9_6-经典分类网络介绍.mp4

  *   10_7-优化器及损失函数.mp4

  *   11_8.1-数据读取及增强（上）.mp4

  *   12_8.2-数据读取及增强（下）.mp4

  *   13_9-模型读取和加载.mp4

  *   14_10.1-从零完成表情识别（项目简介）.mp4

  *   15_10.2-从零完成表情识别（数据读取）.mp4

  *   16_10.3-从零完成表情识别（模型搭建与训练）.mp4

  *   17_10.4-从零完成表情识别（模型测试）.mp4

*   15、OpenCV使用/

  *   1_深度学习之图像基础-OpenCV篇.mp4

*   16、深度学习之人脸图像检测与识别—理论与实践/

  *   1_0_课程介绍.mp4

  *   2_第1.1节-人脸检测核心算法（上）.mp4

  *   3_第1.2节-人脸检测核心算法（下）.mp4

  *   5_第2.1节-人脸关键点检测核心算法.mp4

  *   7_第3.1节-RetinaFace人脸检测实战_人脸检测简介.mp4

  *   8_第3.2节-RetinaFace人脸检测实战-_常见人脸数据集.mp4

  *   9_第3.3节-RetinaFace人脸检测实战_数据集读取模块.mp4

  *   10_第3.4节-RetinaFace人脸检测实战_模型解读.mp4

  *   11_第3.5节-RetinaFace人脸检测实战_MultiBox损失函数.mp4

  *   12_第3.6节-RetinaFace人脸检测实战_测试与推理.mp4

  *   13_第4.1节-PFLD人脸关键点检测实战_项目背景.mp4

  *   14_第4.2节-PFLD人脸关键点检测实战_数据读取.mp4

  *   15_第4.3节-PFLD人脸关键点检测实战_模型搭建.mp4

  *   16_第4.4节-PFLD人脸关键点检测实战_模型训练.mp4

  *   17_第4.5节-PFLD人脸关键点检测实战_模型测试.mp4

  *   18_第5.1节-人脸识别核心算法（上）.mp4

  *   19_第5.2节-人脸识别核心算法（下）.mp4

  *   21_第6.1节-MTCNN-VGG人脸识别项目背景.mp4

  *   22_第6.2节-MTCNN-VGG人脸识别数据预处理.mp4

  *   23_第6.3节-MTCNN-VGG人脸识别数据读取.mp4

  *   24_第6.4节-MTCNN-VGG人脸识别模型搭建.mp4

  *   25_第6.5节-MTCNN-VGG人脸识别模型训练.mp4

  *   26_第6.6节-MTCNN-VGG人脸识别模型测试.mp4

  *   27_第7.1节-人脸属性识别算法.mp4

  *   29_第8.1节-人脸表情识别项目背景.mp4

  *   30_第8.2节-人脸表情识别数据处理与读取.mp4

  *   31_第8.3节-人脸表情识别模型搭建与训练.mp4

  *   32_第8.4节-人脸表情识别模型测试.mp4

*   17、深度学习之视频分类—理论与实践/

  *   1_0-课程介绍.mp4

  *   2_1-视频分类基础.mp4

  *   3_2.1-3D卷积模型_基础篇.mp4

  *   4_2.2-3D卷积模型_分解篇.mp4

  *   6_3.1-3D卷积视频分类实战_项目介绍.mp4

  *   7_3.2-3D卷积视频分类实战_数据处理.mp4

  *   8_3.3-3D卷积视频分类实战_模型搭建.mp4

  *   9_3.4-3D卷积视频分类实战_模型训练.mp4

  *   10_3.5-3D卷积视频分类实战_模型测试.mp4

  *   11_4.1-双流模型_基础篇.mp4

  *   12_4.2-双流模型_采样策略篇.mp4

  *   14_5.1-双流模型视频分类实战_项目简介.mp4

  *   15_5.2-双流模型视频分类实战_数据处理.mp4

  *   16_5.3-双流模型视频分类实战_模型搭建.mp4

  *   17_5.4-双流模型视频分类实战_模型训练.mp4

  *   18_5.5-双流模型视频分类实战_模型测试.mp4

  *   19_6.1-时序模型.mp4

  *   21_7.1-时序模型视频分类实战_项目简介.mp4

  *   22_7.2--时序模型视频分类实战_数据处理.mp4

  *   23_7.3--时序模型视频分类实战_模型搭建.mp4

  *   24_7.4-时序模型视频分类实战_模型训练.mp4

  *   25_7.5-时序模型视频分类实战_模型测试.mp4

*   18、基于3DCNN的视频分类与行为识别实战/

  *   1_第1节_项目介绍.mp4

  *   2_第2节_数据处理.mp4

  *   3_第3节_模型搭建.mp4

  *   4_第4节_模型训练.mp4

  *   5_第5节_模型测试.mp4

*   19、基于CNN-LSTM的视频分类与行为识别实战/

  *   1_第1节_项目介绍.mp4

  *   2_第2节_数据处理.mp4

  *   3_第3节_模型搭建.mp4

  *   4_第4节_模型训练.mp4

  *   5_第5节_模型测试.mp4

*   20、基于KL散度的8bit对称模型量化原理与实战（NCNN篇）/

  *   1_第1节_基于KL散度的8bit模型量化原理.mp4

  *   2_第2节_量化校准表生成.mp4

  *   3_第3节_ncnn框架简介.mp4

  *   4_第4节_ncnn模型转换.mp4

  *   5_第5节_ncnn量化推理.mp4