有三AI-新版深度学习20门专栏合集-AI028【专项课】

课程目录

10、深度学习之图像分类—理论与实践/
10_3.3-从零完成表情识别实践（模型搭建与训练）.vep
11_3.4-从零完成表情识别实践（模型测试）.vep
12_4.1-简单图像分类数据增强实战（接口简介）.vep
13_4.2-简单图像分类数据增强实战（实验比较）.vep
14_5.1-细粒度图像分类理论.vep
16_6.1-鸟类细粒度图像分类实战（项目简介）.vep
17_6.2-鸟类细粒度图像分类实战（数据读取）.vep
18_6.3-鸟类细粒度图像分类实战（模型搭建与训练）.vep
19_7.1-多标签图像分类理论.vep
1_《深度学习之图像分类》直播答疑04(直播2022.05.29).vep
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）.vep
22_8.2-生活用品多标签图像分类实战（数据集制作及读取）.vep
23_8.3-生活用品多标签图像分类实战（训练）.vep
24_8.4-生活用品多标签图像分类实战（测试）.vep
25_9.1-半监督与无监督分类理论.vep
27_10.1-零样本分类理论.vep
29_11.1-血红细胞图像分类竞赛（内容简介）.vep
2_《深度学习之图像分类》直播答疑03(直播2022.05.15).vep
30_11.2-血红细胞图像分类竞赛（思路分析）.vep
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）.vep
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）.vep
33_11.5-血红细胞图像分类竞赛（基础功能实现-训练）.vep
34_11.6-血红细胞图像分类竞赛（学习率调整）.vep
35_11.7-血红细胞图像分类竞赛（标签平滑）.vep
36_11.8-血红细胞图像分类竞赛（知识蒸馏）.vep
37_11.9-血红细胞图像分类竞赛（投票策略）.vep
38_11.10-血红细胞图像分类竞赛（TTA策略）.vep
3_《深度学习之图像分类》直播答疑02(直播2022.04.17).vep
4_《深度学习之图像分类》直播答疑01(直播2022.03.27).vep
5_0-课程简介.vep
6_1-图像分类基础.vep
7_2-多类别图像分类理论.vep
8_3.1-从零完成表情识别实践（项目背景）.vep
9_3.2-从零完成表情识别实践（数据处理与读取）.vep
11、深度学习之模型优化—理论与实践/
10_5.1-二值模型量化(基础篇).vep
11_5.2-二值模型量化(重建篇).vep
12_6.1-8位量化(KL散度篇).vep
13_6.2-8位量化(非对称篇).vep
14_7-混合量化(基础篇).vep
16_8-知识蒸馏基础.vep
17_9.1-知识蒸馏框架(特征匹配篇).vep
18_9.2-知识蒸馏框架(优化目标篇).vep
19_9.3-知识蒸馏框架(自蒸馏篇).vep
1_0-课程介绍.vep
21_10-神经网络搜索基础.vep
22_11.1-神经网络搜索(栅格搜索篇).vep
23_11.2-神经网络搜索(强化学习篇).vep
24_11.3-神经网络搜索(进化学习篇).vep
26_12.1-Distiller框架(简介).vep
27_12.2-Distiller框架(模型剪枝模块).vep
28_12.3-Distiller框架(模型量化模块).vep
29_13.1-结构化模型剪枝实战(项目背景).vep
2_1-模型剪枝基础.vep
30_13.2-结构化模型剪枝实战(模型训练).vep
31_13.3-结构化模型剪枝实战(剪枝与结果).vep
32_14.1-8位模型量化实战(校准表生成).vep
33_14.2-8位模型量化实战(ncnn框架简介).vep
34_14.3-8位模型量化实战(ncnn模型转换).vep
35_14.4-8位模型量化实战(ncnn量化与推理).vep
36_15.1-知识蒸馏实战(原理简介).vep
37_15.2-知识蒸馏实践(模型训练与蒸馏).vep
3_2-非结构化模型剪枝.vep
4_3.1-结构化模型剪枝(幅度篇).vep
5_3.2-结构化模型剪枝(稀疏权重篇).vep
6_3.3-结构化模型剪枝(稀疏因子篇).vep
7_3.4-结构化模型剪枝(重建篇).vep
9_4-模型量化基础.vep
12、深度学习之数据使用—理论实践篇/
10_6.2-数据增强开源库imgaug使用.vep
1_《深度学习之数据使用》直播01-自动化数据标注(直播2022.04.01).vep
2_0-课程介绍.vep
3_1-数据获取.vep
4_2-数据整理.vep
5_3-数据标注.vep
6_4-数据增强方法.vep
7_5.1-Pytorch图像分类数据增强实践-数据增强接口介绍.vep
8_5.2-Pytorch图像分类数据增强实践-实验结果.vep
9_6.1-数据增强开源库imgaug介绍.vep
13、深度学习之模型部署—移动端与服务端/
10_【Pytorch安卓部署】8_用自己的模型进行预测.vep
11_【Pytorch安卓部署】9_文件对话框的使用.vep
12_【Pytorch安卓部署】10_如何选择多个模型.vep
13_【Pytorch安卓部署】11_如何实现拍照识别功能.vep
14_【Pytorch安卓部署】12_如何实现界面切换.vep
15_【Pytorch安卓部署】13_实时摄像头画面显示.vep
16_【Pytorch安卓部署】14_实时识别.vep
17_【Pytorch安卓部署】15_使用不同模型进行实时识别.vep
18_【Pytorch安卓部署】16_创建登录界面.vep
19_【Pytorch安卓部署】17_限制游客部分功能.vep
1_模型部署基础.vep
20_【Pytorch安卓部署】18_软件名和app图标制作.vep
21_【Pytorch安卓部署】19_软件功能完善.vep
22_【Pytorch安卓部署】20_制作apk.vep
23_【通用模型部署】1_NCNN简介.vep
24_【通用模型部署】2_NCNN部署.vep
25_【嵌入式平台部署】1_Tengine简介.vep
26_【嵌入式平台部署】2_Tengine部署.vep
27_【微信小程序部署】1_服务端环境准备.vep
28_【微信小程序部署】2_服务端功能实现.vep
29_【微信小程序部署】3_前端功能实现.vep
2_【Pytorch安卓部署】课程介绍.vep
30_【MNN安卓部署】1.1_推理框架介绍.vep
31_【MNN安卓部署】1.2_模型转化与量化加速.vep
32_【MNN安卓部署】1.3_实践操作.vep
33_【TensorRT部署】1_入门介绍.vep
34_【TensorRT部署】2_环境配置与安装.vep
35_【TensorRT部署】3.1_网络加速ONNX实战.vep
36_【TensorRT部署】3.2_-网络加速Python实战.vep
37_【TensorRT部署】3.3_-网络C++加速实战.vep
38_【TensorRT部署】4_课程总结.vep
3_【Pytorch安卓部署】1_手机打开调试模式.vep
4_【Pytorch安卓部署】2_如何创建安卓虚拟机.vep
5_【Pytorch安卓部署】3_创建HelloWorld程序.vep
6_【Pytorch安卓部署】4_创建Button并进行布局.vep
7_【Pytorch安卓部署】5_按钮逻辑实现与Toast提示.vep
8_【Pytorch安卓部署】6_在界面中显示图片.vep
9_【Pytorch安卓部署】7_如何将模型转换为手机可读取的格式.vep
14、深度学习之Pytorch—入门及实战/
10_7-优化器及损失函数.vep
11_8.1-数据读取及增强（上）.vep
12_8.2-数据读取及增强（下）.vep
13_9-模型读取和加载.vep
14_10.1-从零完成表情识别（项目简介）.vep
15_10.2-从零完成表情识别（数据读取）.vep
16_10.3-从零完成表情识别（模型搭建与训练）.vep
17_10.4-从零完成表情识别（模型测试）.vep
1_0-课程介绍.vep
2_1-PyTorch简介.vep
3_2.1-Windows系统下配置PyTorch环境.vep
4_2.2-ubuntu系统下配置PyTorch环境.vep
5_3.1-张量（上）.vep
6_3.2-张量（下）.vep
7_4-层结构基本介绍.vep
8_5-网络结构搭建方法.vep
9_6-经典分类网络介绍.vep
15、OpenCV使用/
1_深度学习之图像基础-OpenCV篇.vep
16、深度学习之人脸图像检测与识别—理论与实践/
10_第3.4节-RetinaFace人脸检测实战_模型解读.vep
11_第3.5节-RetinaFace人脸检测实战_MultiBox损失函数.vep
12_第3.6节-RetinaFace人脸检测实战_测试与推理.vep
13_第4.1节-PFLD人脸关键点检测实战_项目背景.vep
14_第4.2节-PFLD人脸关键点检测实战_数据读取.vep
15_第4.3节-PFLD人脸关键点检测实战_模型搭建.vep
16_第4.4节-PFLD人脸关键点检测实战_模型训练.vep
17_第4.5节-PFLD人脸关键点检测实战_模型测试.vep
18_第5.1节-人脸识别核心算法（上）.vep
19_第5.2节-人脸识别核心算法（下）.vep
1_0_课程介绍.vep
21_第6.1节-MTCNN-VGG人脸识别项目背景.vep
22_第6.2节-MTCNN-VGG人脸识别数据预处理.vep
23_第6.3节-MTCNN-VGG人脸识别数据读取.vep
24_第6.4节-MTCNN-VGG人脸识别模型搭建.vep
25_第6.5节-MTCNN-VGG人脸识别模型训练.vep
26_第6.6节-MTCNN-VGG人脸识别模型测试.vep
27_第7.1节-人脸属性识别算法.vep
29_第8.1节-人脸表情识别项目背景.vep
2_第1.1节-人脸检测核心算法（上）.vep
30_第8.2节-人脸表情识别数据处理与读取.vep
31_第8.3节-人脸表情识别模型搭建与训练.vep
32_第8.4节-人脸表情识别模型测试.vep
3_第1.2节-人脸检测核心算法（下）.vep
5_第2.1节-人脸关键点检测核心算法.vep
7_第3.1节-RetinaFace人脸检测实战_人脸检测简介.vep
8_第3.2节-RetinaFace人脸检测实战-_常见人脸数据集.vep
9_第3.3节-RetinaFace人脸检测实战_数据集读取模块.vep
17、深度学习之视频分类—理论与实践/
10_3.5-3D卷积视频分类实战_模型测试.vep
11_4.1-双流模型_基础篇.vep
12_4.2-双流模型_采样策略篇.vep
14_5.1-双流模型视频分类实战_项目简介.vep
15_5.2-双流模型视频分类实战_数据处理.vep
16_5.3-双流模型视频分类实战_模型搭建.vep
17_5.4-双流模型视频分类实战_模型训练.vep
18_5.5-双流模型视频分类实战_模型测试.vep
19_6.1-时序模型.vep
1_0-课程介绍.vep
21_7.1-时序模型视频分类实战_项目简介.vep
22_7.2--时序模型视频分类实战_数据处理.vep
23_7.3--时序模型视频分类实战_模型搭建.vep
24_7.4-时序模型视频分类实战_模型训练.vep
25_7.5-时序模型视频分类实战_模型测试.vep
2_1-视频分类基础.vep
3_2.1-3D卷积模型_基础篇.vep
4_2.2-3D卷积模型_分解篇.vep
6_3.1-3D卷积视频分类实战_项目介绍.vep
7_3.2-3D卷积视频分类实战_数据处理.vep
8_3.3-3D卷积视频分类实战_模型搭建.vep
9_3.4-3D卷积视频分类实战_模型训练.vep
18、基于3DCNN的视频分类与行为识别实战/
1_第1节_项目介绍.vep
2_第2节_数据处理.vep
3_第3节_模型搭建.vep
4_第4节_模型训练.vep
5_第5节_模型测试.vep
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.vep
2_第2节_数据处理.vep
3_第3节_模型搭建.vep
4_第4节_模型训练.vep
5_第5节_模型测试.vep
1、深度学习之图像与视频生成GAN—理论与实践/
10_5.2-StyleGAN-v2详解.vep
11_6.1-StyleGAN-v1实战-模型解读.vep
12_6.2--StyleGAN-v1实战-模型测试.vep
13_7-数据增强与仿真GAN理论.vep
14_8.1-视频生成GAN（基础篇）.vep
15_8.2-视频生成GAN（内容运动解耦篇）.vep
1_0-课程介绍.vep
2_1-全卷积图像生成GAN理论.vep
3_2.1-DCGAN图像生成实战-项目解读.vep
4_2.2-DCGAN图像生成实战-模型搭建.vep
5_2.3-DCGAN图像生成实战-模型训练.vep
6_2.4-DCGAN图像生成实战-模型测试.vep
7_3-条件生成GAN理论.vep
8_4-多尺度生成GAN理论.vep
9_5.1-StyleGAN-v1详解.vep
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.vep
2_第2节_量化校准表生成.vep
3_第3节_ncnn框架简介.vep
4_第4节_ncnn模型转换.vep
5_第5节_ncnn量化推理.vep
2、深度学习之模型分析—理论与实践/
1_0-课程介绍.vep
2_1.1-模型可视化分析(结构篇）.vep
3_1.2-模型可视化分析(权重篇).vep
4_1.3-模型可视化分析(反卷积篇).vep
5_1.4-模型可视化分析实践(反卷积篇).vep
6_1.5-模型可视化分析(激活热图篇).vep
7_1.6-模型可视化分析实践(激活热图篇).vep
8_2-模型复杂度分析.vep
9_3-模型速度分析.vep
3、深度学习之人脸属性编辑—理论与实践/
10_3.1-StarGAN-v1原理.vep
11_3.2-StarGAN-v2原理.vep
12_3.3-StarGAN表情编辑实战-内容简介.vep
13_3.4-StarGAN表情编辑实战-数据读取.vep
14_3.5-StarGAN表情编辑实战-模型搭建.vep
15_3.6-StarGAN表情编辑实战-模型训练.vep
16_3.7-StarGAN表情编辑实战-模型测试.vep
17_4.1-人脸年龄编辑（基础篇）.vep
18_4.2人脸年龄编辑（进阶篇）.vep
19_5.1-人脸表情编辑（基础篇）.vep
1_课程介绍.vep
20_6.1-人脸姿态编辑（基础篇）.vep
21_7.1-人脸妆造编辑（基础篇）.vep
22_7.2-BeautyGAN人脸美妆实战-项目简介.vep
23_7.3-BeautyGAN人脸美妆实战-数据读取.vep
24_7.4-BeautyGAN人脸美妆实战-模型搭建.vep
25_7.5-BeautyGAN人脸美妆实战-模型训练.vep
26_7.6-BeautyGAN人脸美妆实战-模型测试.vep
2_1-人脸属性编辑基础.vep
3_2.1-StyleGAN人脸属性编辑原理.vep
4_2.2-StyleGAN人脸属性编辑实战-内容简介.vep
5_2.3-StyleGAN人脸属性编辑实战-人脸属性向量生成.vep
6_2.4-StyleGAN人脸属性编辑实战-人脸样式混合与插值.vep
7_2.5-StyleGAN人脸属性编辑实战-人脸属性方向向量生成.vep
8_2.6-StyleGAN人脸属性编辑实战-人脸表情、年龄、性别编辑.vep
9_2.7-StyleGAN人脸属性编辑实战-人脸表情添加与去除.vep
4、深度学习之图像翻译与风格化GAN—理论与实践/
10_5.1-多域图像翻译模型（上）.vep
11_5.2-多域图像翻译模型（下）.vep
12_6.1-StarGAN人脸表情编辑实战（项目简介与原理回顾）.vep
13_6.2-StarGAN人脸表情编辑实战（数据读取）.vep
14_6.3-StarGAN人脸表情编辑实战（模型搭建）.vep
15_6.4-StarGAN人脸表情编辑实战（模型训练）.vep
16_6.5-StarGAN人脸表情编辑实战（模型测试）.vep
17_7.1-BeautyGAN人脸美妆实战（项目简介）.vep
18_7.2-BeautyGAN人脸美妆实战（数据读取）.vep
19_7.3-BeautyGAN人脸美妆实战（模型搭建）.vep
1_0-课程介绍.vep
20_7.4-BeautyGAN人脸美妆实战（模型训练）.vep
21_7.5-BeautyGAN人脸美妆实战（模型测试）.vep
2_1-图像翻译与风格迁移基础.vep
3_2-有监督图像翻译模型.vep
4_3-无监督图像翻译模型.vep
5_4.1-Pix2Pix图像上色实战（项目简介与原理回顾）.vep
6_4.2-Pix2Pix图像上色实战（数据读取）.vep
7_4.3-Pix2Pix图像上色实战（模型搭建）.vep
8_4.4-Pix2Pix图像上色实战（模型训练）.vep
9_4.5-Pix2Pix图像上色实战（模型测试）.vep
5、深度学习之图像增强GAN—理论与实践/
10_第2.2节-色调映射（进阶篇）.vep
11_第2.3节-EnlightenGAN图像增强实战（项目介绍）.vep
12_第2.4节-EnlightenGAN图像增强实战（数据读取）.vep
13_第2.5节-EnlightenGAN图像增强实战（模型搭建）.vep
14_第2.6节-EnlightenGAN图像增强实战（模型训练）.vep
15_第2.7节-EnlightenGAN图像增强实战（模型测试）.vep
16_第3.1节-图像超分辨（基础篇）.vep
17_第3.2节-图像超分辨（进阶篇）.vep
18_第3.3节-SRGAN超分辨实战（项目简介）.vep
19_第3.4节-SRGAN超分辨实战（数据处理）.vep
1_课程介绍.vep
20_第3.5节-SRGAN超分辨实战（模型搭建与训练）.vep
21_第3.6节-SRGAN超分辨实战（模型测试）.vep
22_第4.1节-图像去模糊（基础篇）.vep
23_第4.2节-图像去模糊（进阶篇）.vep
24_第5.1节-图像修复（基础篇）.vep
25_第5.2节-图像修复（进阶篇）.vep
2_第1.1节-图像降噪（基础篇）.vep
3_第1.2节-图像降噪（进阶篇）.vep
4_第1.3节-DANet图像降噪实战（项目介绍）.vep
5_第1.4节-DANet图像降噪实战（数据读取）.vep
6_第1.5节-DANet图像降噪实战（模型搭建）.vep
7_第1.6节-DANet图像降噪实战（模型训练）.vep
8_第1.7节-DANet图像降噪实战（模型测试）.vep
9_第2.1节-色调映射（基础篇）.vep
6、深度学习之视觉Transformer—理论与实践/
10_6.1-DeepViT模型原理.vep
11_6.2-从零实现DeepViT模型.vep
12_7.1-CCT模型原理.vep
13_7.2-从零实现CCT模型.vep
14_8.1-Tokens-to-Token-ViT模型原理.vep
15_8.2-从零实现Tokens-to-Token-ViT模型.vep
16_9.1-MobileViT模型原理.vep
17_9.2-从零实现MobileViT模型.vep
18_10-ViT模型训练.vep
1_1-自注意力机制.vep
2_2.1-Transformer模型原理.vep
3_2.2-从零搭建Transformer模型.vep
4_3.1-Vision-Transformer原理.vep
5_3.2-从零实现Vision-Transformer.vep
6_4.1-DeiT模型原理.vep
7_4.2-从零实现DeiT模型.vep
8_5.1-CaiT模型原理.vep
9_5.2-从零实现CaiT模型.vep
7、深度学习之模型设计—理论与实践/
10_1.2.3_梯度问题与ResNet.vep
11_1.3.1_ResNet垃圾分类任务介绍.vep
12_1.3.2_ResNet垃圾分类数据集预处理.vep
13_1.3.3_ResNet垃圾分类数据读取.vep
14_1.3.4_ResNet垃圾分类模型训练.vep
15_1.3.5_ResNet垃圾分类模型测试.vep
16_1.3.6_ResNet垃圾分类模型调优.vep
17_2.1.0_经典模型的宽度设计思想_简介.vep
18_2.1.1_通道数量调整.vep
19_2.1.2_多分支网络结构.vep
1_0_课程介绍.vep
20_2.1.3_通道补偿技术.vep
21_2.2.0_网络宽度对模型性能影响_简介.vep
22_2.2.1_多通道的网络Inception-v1.vep
23_2.2.2_拓宽的残差网络ResNeXt.vep
24_2.3.1_InceptionNet花卉分类实战-项目简介.vep
25_2.3.2_InceptionNet花卉分类实战-模型搭建（Inception-V1）.vep
26_2.3.3_InceptionNet花卉分类实战-模型搭建（Inception-V2V3）.vep
27_2.3.4_InceptionNet花卉分类实战-模型搭建（Inception-V4）.vep
28_2.3.5_InceptionNet花卉分类实战-模型训练.vep
29_2.3.6_InceptionNet花卉分类实战-模型测试.vep
2_1.1.0_经典浅层卷积网络设计_简介.vep
31_3.1.1_STN.vep
32_3.1.2_DynamicCapacityNetworks.vep
33_3.1.3_Learn-to-Pay-Attention.vep
34_3.2.1_SENet.vep
35_3.2.2_SKNet.vep
36_3.2.3_ResNeSt.vep
37_3.3.1_CBAM.vep
38_3.3.2_BAM.vep
39_3.3.3_ResidualAttention.vep
3_1.1.1_Neocognitron.vep
40_3.3.4_Dual-Attention-Network.vep
41_3.4.1_基于SENet模型的人种分类-数据集介绍与读取.vep
42_3.4.2_基于SENet模型的人种分类-模型搭建通用模板.vep
43_3.4.3_基于SENet模型的人种分类-从零搭建ResNet模型.vep
44_3.4.4_基于SENet模型的人种分类-模型训练通用模板.vep
45_3.4.5_基于SENet模型的人种分类-SENet模型搭建与训练.vep
47_4.1.1_Xception理论介绍.vep
48_4.1.2_Xception代码讲解.vep
49_4.2.1_MobileNet-V1理论介绍.vep
4_1.1.2_TDNN.vep
50_4.2.2_MobileNet-V1代码讲解.vep
51_4.3.1_MobileNet-V2理论介绍.vep
52_4.3.2_MobileNet-V2代码讲解.vep
53_4.4.1_shufflenetv1_理论.vep
54_4.4.2_shufflenetv1_代码.vep
55_4.5.1_shufflenetv2理论.vep
56_4.5.2_shufflenetv2代码.vep
57_4.6.1_squeezenet理论.vep
58_4.6.2_squeezenet代码.vep
5_1.1.3_Cresceptron.vep
60_5.1.1_通用的分类任务训练代码.vep
61_5.1.2_利用Tensorboard监控训练速度.vep
62_5.1.3_通用的分类任务预测代码.vep
63_5.2.1_Pytorch模型格式转换与优化.vep
64_5.2.2_安卓部署单张图片识别app.vep
65_5.2.3_安卓部署实时识别app.vep
6_1.1.4_LeNet.vep
7_1.2.0_网络深度对分类模型的影响_简介.vep
8_1.2.1_经典的网络AlexNet.vep
9_1.2.2_更深的网络VGGNet.vep
8、深度学习之目标检测—理论与实践/
10_1.6-传统检测算法流程.vep
11_1.7-基于深度学习的目标检测流程和分类.vep
12_1.8-脑图时刻.vep
13_1.9-anchor-base算法结构.vep
14_2.1-RCNN详解.vep
15_2.2-SPPNet详解.vep
16_2.3-Fast-RCNN详解.vep
… 共 492 条