pytorch全套入门与实战项目

课程目录

pytorch 全套视频
章节1-1Pytorch安装 .mp4 255.68M
章节10-1自定义输入Dataset类 .mp4 276.18M
章节10-2获取图片路径和标签 .mp4 158.19M
章节10-3创建四种天气数据集的Dataset .mp4 84.59M
章节10-4创建输入并可视化 .mp4 94.18M
章节10-5划分测试数据和验证数据 .mp4 171.53M
章节10-6灵活的使用Dataset类构建输入 .mp4 94.60M
章节11-10创建特征Dataset和分类模型 .mp4 159.13M
章节11-11模型训练和预测简介 .mp4 195.89M
章节11-12Inception网络结构简介 .mp4 122.97M
章节11-13Inception结构代码实现（一） .mp4 211.53M
章节11-14Inception结构代码实现（二） .mp4 185.70M
章节11-15Inception结构应用和优化—Googlenet和inception_v3简介 .mp4 81.60M
章节11-1Resnet和残差结构介绍 .mp4 122.96M
章节11-2Resnet结构代码实现（一） .mp4 138.55M
章节11-3Resnet结构代码实现（二） .mp4 151.81M
章节11-4DenseNet模型简介 .mp4 103.08M
章节11-5DenseNet提取图片特征—获取图片和标签 .mp4 231.88M
章节11-6类别编码、划分测试数据和训练数据 .mp4 117.13M
章节11-7创建输入Dataset .mp4 150.30M
章节11-8创建Dataloader并可视化 .mp4 62.82M
章节11-9使用DenseNet卷积提取特征 .mp4 78.10M
章节12-1常见图像处理任务和图像定位原理 .mp4 120.36M
章节12-2图像定位实例—数据观察与理解 .mp4 197.54M
章节12-3 目标值得解析和可视化 .mp4 126.79M
章节12-4 数据集路径读取与筛选 .mp4 105.58M
章节12-5 解析xml目标值 .mp4 86.12M
章节12-6 创建Dataset .mp4 140.53M
章节12-7 创建dataloader和图像可视化 .mp4 99.19M
章节12-8 创建图像定位模型 .mp4 111.93M
章节12-9 图像定位模型训练和预测 .mp4 107.18M
章节13-1 图像语义分割简介 .mp4 78.63M
章节13-10 前向传播部分 .mp4 119.43M
章节13-11 模型训练- .mp4 120.16M
章节13-12 模型测试 .mp4 126.15M
章节13-13 模型预测 .mp4 91.67M
章节13-2 UNET语义分割结构介绍 .mp4 115.26M
章节13-3 语义分割输入输出 反卷积和Iou指标 .mp4 82.45M
章节13-4 Unet 语义分割数据观察 .mp4 108.99M
章节13-5 创建dataset输入 .mp4 176.88M
章节13-6 创建和测试dataset并绘图 .mp4 99.49M
章节13-7 下采样模型- .mp4 107.90M
章节13-8 上采样模型 .mp4 119.39M
章节13-9 unet模型初始化部分 .mp4 144.42M
14-2 无视频（课后作业，大家自己写出这个模型） .mp4 43.46M
章节14 -7 解码器模块 .mp4 106.57M
章节14-1 LinkNet 图像语义分割简介 .mp4 81.02M
章节14-10 模型前向传播 .mp4 82.91M
章节14-11 模型训练和Iou指标 .mp4 89.27M
章节14-3 代码组织结构 .mp4 85.64M
章节14-4 卷积模块 .mp4 98.42M
章节14-5 反卷积 .mp4 115.27M
章节14-6 编码器模块 .mp4 123.83M
章节14-8 输入和编码部分初始化 .mp4 98.50M
章节14-9 解码器和输出部分初始化 .mp4 100.69M
章节15-1 文本表示与词嵌入 .mp4 85.94M
章节15-2 文本向量化流程与分词 .mp4 86.08M
章节15-3 文本向量化实现 .mp4 122.44M
章节15-4 简单文本分类 .mp4 106.32M
章节15-5 创建词表-认识数据集 .mp4 110.03M
章节15-6 模型训练 .mp4 139.98M
章节15-7 使用预训练的词向量 .mp4 136.76M
章节 16-6 GRU网络简介 .mp4 28.69M
章节16-1 Rnn循环神经网络介绍 .mp4 84.59M
章节16-2 RnnCell在序列上展开模型实现 .mp4 190.55M
章节16-3 RnnCell简单文本分类模型 .mp4 146.20M
章节16-4 Lstm网络简介 .mp4 59.73M
章节16-5 LstmMcell实现文本分类 .mp4 93.61M
章节16-7 Lstm 高价API .mp4 156.27M
章节17-1（案例二） 中文外卖评论情绪分类-上 .mp4 134.12M
章节17-2（案例二） 中文外卖评论情绪分类-下 .mp4 123.94M
章节17-3 RNN的优化方法 .mp4 107.73M
章节17-1 twitter 评论情绪分类-数据读取与观察 .mp4 146.89M
章节17-2 twitter 评论情绪分类-创建词表 .mp4 111.25M
章节17-3 划分训练测试数据，创建dataset .mp4 74.52M
章节17-4 基础文本分类模型 .mp4 73.72M
章节17-5 Lstm 文本分类模型 .mp4 188.42M
章节18-1 seq2seq简介 .mp4 61.44M
章节18-2 注意力机制简介 .mp4 70.31M
章节18-3 自注意力机制简介 .mp4 82.45M
章节18-4 transformer 简介 .mp4 165.47M
章节18-5 transformer 文本分类小案例 .mp4 99.12M
章节19-1 数据读取与观察 .mp4 139.42M
章节19-2 数据预处理 .mp4 95.21M
章节19-3 数据预处理 .mp4 159.69M
章节19-4 数据预处理 .mp4 92.95M
章节19-5 创建dataset 输入 .mp4 80.01M
章节19-6 创建时序预测模型 .mp4 100.61M
章节19-7 模型训练跟预测 .mp4 176.06M
章节19-8 模型预测演示 .mp4 186.48M
章节2-1机器学习基础-线性回归 .mp4 50.52M
章节2-2收入数据集读取与观察 .mp4 111.73M
章节2-3初始化模型、损失函数和优化方法 .mp4 147.34M
章节2-4模型训练与结果可视化 .mp4 147.98M
章节20-1 Tensorboard 安装与导入 .mp4 87.80M
章节20-2 Tensorboard 可视化 .mp4 68.63M
章节20-3 Tensorboadr 网络模型结构可视化 .mp4 68.28M
章节20-4 标量数据可视化 .mp4 80.31M
章节21-1 一维卷积原理与网络结构 .mp4 92.20M
章节21-2 中文分词 .mp4 109.09M
章节21-3 创建词表 .mp4 95.97M
章节21-4 划分数据集 .mp4 108.08M
章节21-5 批处理函数 .mp4 135.03M
章节21-6 模型初始化 .mp4 118.45M
章节21-7模型前向传播与训练 .mp4 81.09M
[23.1]--Labelme的安装和单张图片的标注 .mp4 31.05M
[23.2]--从标注文件生成图像语义分割数据集 .mp4 30.43M
[23.3]--标注图片的读取和验证 .mp4 23.84M
[24.1]--多任务学习简介 .mp4 15.83M
[24.2]--多任务标签预处理 .mp4 32.11M
[24.3]--创建dataset .mp4 47.09M
[24.4]--多任务模型创建(一) .mp4 31.95M
[24.5]--多任务模型创建(二) .mp4 16.92M
[24.6]--多任务模型的训练 .mp4 40.00M
[25.10]--目标识别标注文件的解析（一） .mp4 48.70M
[25.11]--目标识别标注文件的解析（二） .mp4 24.69M
[25.12]--创建输入Dataset .mp4 54.40M
[25.13]--创建dataloader、初始化模型和优化器 .mp4 42.37M
[25.14]--目标识别的模型训练 .mp4 34.37M
[25.15]--目标识别的模型预测 .mp4 47.89M
[25.1]--目标识别综述——two_stage目标检测算法 .mp4 22.87M
[25.2]--目标识别综述——one_stage目标检测算法 .mp4 31.84M
[25.3]--PyTorch内置的目标检测模块 .mp4 22.17M
[25.4]--使用PyTorch内置目标检测模块 .mp4 24.65M
[25.5]--目标识别预测结果解读与可视化 .mp4 33.77M
[25.6]--PyTorch目标检测的使用 .mp4 29.40M
[25.7]--目标检测的图像标注 .mp4 22.59M
[25.8]--标注自有数据集并安装所需的库 .mp4 34.70M
[25.9]--修改PyTorch内置目标检测模型的输出 .mp4 29.32M
章节3-1Pytorch张量与数据类型 .mp4 266.81M
章节3-2张量运算与形状变换 .mp4 82.37M
章节3-3张量微分运算 .mp4 144.81M
章节3-4入门实例的分解写法- .mp4 209.33M
章节4-10添加正确率和验证数据 .mp4 275.41M
章节4-1逻辑回归简介与数据预处理 .mp4 135.37M
章节4-2逻辑回归模型的创建与训练 .mp4 221.93M
章节4-3多层感知器简介 .mp4 84.06M
章节4-4多层感知器实例-数据预处理 .mp4 193.71M
章节4-5多层感知器模型创建 .mp4 110.45M
章节4-6多层感知器模型改写与解释 .mp4 125.26M
章节4-7多层感知器模型训练 .mp4 97.00M
章节4-8使用Dataset和Dataloader加载模型数据 .mp4 165.81M
章节4-9划分验证数据和测试数据 .mp4 187.46M
章节5-1Softmax多分类与鸢尾花数据集预处理 .mp4 157.03M
章节5-2多分类模型创建与损失函数 .mp4 142.84M
章节5-3多分类模型训练与调试 .mp4 230.82M
章节5-4编写通用训练函数（一） .mp4 205.63M
章节5-5编写通用训练函数（二） .mp4 256.20M
章节6-1MNIST数据集的下载和使用 .mp4 182.36M
章节6-2认识手写数据集MNIST .mp4 163.06M
章节6-3MNIST数据集全连接模型训练 .mp4 156.83M
章节7-1梯度下降算法与学习速率 .mp4 107.89M
章节7-2反向传播算法与优化器 .mp4 119.41M
章节7-3基础部分知识点总结 .mp4 191.62M
章节7-4基础部分作业——Fashi-MNIST数据分类 .mp4 38.42M
章节8-10Dropout抑制过拟合 .mp4 89.52M
章节8-11Dropout代码实现- .mp4 173.38M
章节8-12批标准化（Batch Normalization）简介 .mp4 111.44M
章节8-13Batch Normalization层的代码实现 .mp4 172.49M
章节8-14超参数选择原则 .mp4 56.63M
章节8-1什么是卷积 .mp4 139.92M
章节8-2卷积模型的整体架构 .mp4 119.92M
章节8-3卷积模型解决手写数字分类 .mp4 351.19M
章节8-4使用GPU加速训练 .mp4 225.86M
章节8-5卷积模型基础实例—四种天气数据集 .mp4 343.65M
章节8-6读取、预处理图片并创建Dataset .mp4 112.08M
章节8-7创建Dataloader和可视化图片 .mp4 202.97M
章节8-8四种天气分类模型的创建 .mp4 185.80M
章节8-9卷积模型的训练 .mp4 110.73M
章节9-1预训练模型与VGG架构 .mp4 151.68M
章节9-2预训练模型的使用介绍 .mp4 109.67M
章节9-3预训练模型VGG的代码实现 .mp4 152.14M
章节9-4图像数据增强 .mp4 228.33M
章节9-5学习速率衰减 .mp4 160.28M
章节9-6RESNET预训练模型 .mp4 180.71M
章节9-7微调与迁移学习 .mp4 166.68M
章节9-8模型权重保存 .mp4 222.87M
课程资料
Miniconda3和conda配置文件 .zip 50.54M
unet_model权重_建议还是自己训练 .zip 122.07M
常见预训练模型权重 .zip 827.58M
大型数据集 .zip 2.97G
课件 .zip 7.08M
文本分类数据集 .zip 1.44M
1. pytorch概述
10.Dataset数据输入