人工精选基于深度学习的猫狗图像分类
先弄清楚这门课解决什么问题 这门课的主题是卷积神经网络(CNN)与图像分类实战,核心解决的是“看了不少深度学习理论,但遇到实际图像数据依然无从下手”的断层问题。很多刚接触 AI 的人对网络结构背得滚瓜烂熟,却不知道怎么把一堆散乱的图片喂给模型,也不清楚特征图尺寸到底怎么算。课程通过猫狗分类这个最经典
会员 · 按档位
游客按标价购买,不享受上表折扣。
支付成功后自动发放网盘链接,链接失效可找客服免费补
先弄清楚这门课解决什么问题
这门课的主题是卷积神经网络(CNN)与图像分类实战,核心解决的是“看了不少深度学习理论,但遇到实际图像数据依然无从下手”的断层问题。很多刚接触 AI 的人对网络结构背得滚瓜烂熟,却不知道怎么把一堆散乱的图片喂给模型,也不清楚特征图尺寸到底怎么算。课程通过猫狗分类这个最经典的二分类场景,把数据预处理、网络搭建、前向传播和训练过程串成一条完整的工程线。它没有铺陈庞大的计算机视觉体系,而是聚焦于把一张图片从硬盘读取、转换成张量、送入 CNN 输出概率的完整闭环,适合用来打通深度学习的第一道工程关节。
适合什么基础与建议先看哪几块
这套资料适合已经懂一点 Python、能写简单循环和函数,并且接触过基本矩阵概念的读者。如果你连 Python 语法还不熟练,建议先补基础;如果你已经能独立用 PyTorch 调优 ResNet,这门课会显得偏浅。对于符合基础要求的读者,建议先把前几节关于 CNN 概念和特征图计算的部分过一遍,重点弄懂卷积层的 stride、zero-padding 与特征图尺寸的数学关系,这是后续调代码时不至于抓瞎的前提。看完概念后,直接跳到项目实战环节,跟着从数据导入、探索到预处理的步骤走,不要停留在网络发展历史这种背景介绍上。Keras 实现那一节虽然简短,但能帮你快速建立代码直觉,建议在进入实战前作为过渡看一看。
学完能独立做什么与资料怎么配合练习
学完后,你应该能独立完成一个类似的图像二分类任务:自己准备一批图片,划分训练集与验证集,完成统一尺寸缩放与归一化,用框架搭建一个基础 CNN,跑通训练并观察损失变化,最后对单张新图片做出分类预测。要达到这个程度,不能只靠看视频,资料包里的代码必须边看边跑。建议先把课程提供的数据和代码原样运行通过,确认环境没有报错;然后做一次替换实验,把猫狗数据换成其他两类物体,比如猫与鸟,自己调整数据路径和少量参数,验证是否真正掌握了数据流转过程。如果在替换数据时能独立解决形状不匹配或路径错误,说明你已经把这门课的核心工程逻辑吃透了,后续去学更复杂的图像任务也有了扎实的动手基础。
课程目录
课程目录23 集
- 1 课程整体内容介绍 (09:01).mp4
- 2 初步认识CNN和数学公式复习 (09:37).mp4
- 3 CNN 卷积层概念 (07:18).mp4
- 4 CNN 中的stride和zero-padding使用方法 (08:47).mp4
- 5 CNN 特征图计算 (08:51).mp4
- 6 CNN PoolLayers和FC&训练过程演示 (22:55).mp4
- 7 CNN 网络发展历史 (09:11).mp4
- 8 图形化介绍FC和CNN 区别以及CNN 层概念 (06:50).mp4
- 9 keras 实现CNN 网络 (05:22).mp4
- 10 图形化方式介绍CNN在图像应用 (10:20).mp4
- 11 CNN 在语音和文本中应用介绍 (06:17).mp4
- 12 项目实战 图像分类实战大纲介绍 (08:38).mp4
- 13 项目实战 导入图像库以及数据探索 (09:30).mp4
- 14 项目实战 数据预处理 (10:43).mp4
- 15 项目实战 pytorch数据加载和可视化 (16:12).mp4
- 16 项目实战 RGB三通道数据可视化 (09:34).mp4
- 17 项目实战 fine tuning 模型加载和网络调整 (12:23).mp4
- 18 项目实战 模型训练功能 (16:15).mp4
- 19 项目实战 模型验证集验证 (16:31).mp4
- 20 项目实战 分类混淆矩阵效果评估 (10:12).mp4
- 21 项目实战 数据预测可视化&GPU效果 (09:20).mp4
- 22 项目实战 CPU环境训练过程&tensorboardx可视化 (15:30).mp4
- 23 项目实战 GPU环境训练&在线服务预测(附:源码) (04:29).mp4





