PyTorch深度学习开发医学影像端到端判别项目完结无密

 

PyTorch深度学习开发医学影像端到端判别项目
构建深度学习模型,综合应用完整企业级项目

越来越多的科研及企业项目,会把PyTorch作为首选的深度学习框架。它容易上手,功能完善,不管是新入门学习还是上手实战项目,PyTorch都是非常优秀的工具。本课程以实践为目的,把深度学习概念及基础学习贯穿在几个实践项目中,荒川老师将带领你们进入PyTorch深度学习的世界,使用PyTorch将其一一实现。

你将学会:

1. 深度学习基本概念
4. 实用的模型优化技巧
2. PyTorch的多种基础操作
5. 多种模型评估方法
3. 数据挖掘实战思维
6. 企业级的深度学习项目

适合人群
需要用深度学习进行研究的学生
要借助深度学习解决问题的工程师
想转行算法方向的研发人员
技术储备
python代码基础
高等数学知识/线性代数
环境参数
Python 3.7
PyTorch CUDA 11.3
TensorBoard 及Flask

 

试看链接:https://pan.baidu.com/s/19N5sBQprrl2ApZGQnfcqrg?pwd=d8g8

章节目录:

第1章 课程导学
3 节|54分钟
收起
视频:
1-1 课程导学
试看
22:49
视频:
1-2 深度学习如何影响生活
试看
13:33
视频:
1-3 常用深度学习框架
17:38
第2章 课程内容整体规划
4 节|56分钟
收起
视频:
2-1 环境安装与配置
13:19
视频:
2-2 使用预训练的ResNet网络给图片分类(一)
16:10
视频:
2-3 使用预训练的ResNet网络给图片分类(二)
08:45
视频:
2-4 使用预训练的GAN网络把马变成斑马
17:16
第3章 PyTorch项目热身实践
4 节|58分钟
收起
视频:
3-1 工业级数据挖掘流程(一)
试看
23:59
视频:
3-2 工业级数据挖掘流程(二)
21:30
视频:
3-3 课程重难点技能分布
05:15
视频:
3-4 课程实战项目简介
07:00
第4章 PyTorch基础知识必备-张量
10 节|126分钟
收起
视频:
4-1 什么是张量
14:07
视频:
4-2 张量的获取与存储(一)
16:35
视频:
4-3 张量的获取与存储(二)
15:40
视频:
4-4 张量的基本操作(一)
08:30
视频:
4-5 张量的基本操作(二)
16:04
视频:
4-6 张量中的元素类型
06:56
视频:
4-7 张量的命名
08:32
视频:
4-8 把张量传递到GPU中进行运算
06:07
视频:
4-9 张量的底层实现逻辑(一)
19:42
视频:
4-10 张量的底层实现逻辑(二)
13:35
第5章 PyTorch如何处理真实数据
8 节|104分钟
收起
视频:
5-1 普通二维图像的加载(一)
07:51
视频:
5-2 普通二维图像的加载(二)
12:59
视频:
5-3 3D图像的加载
12:30
视频:
5-4 普通表格数据加载
14:53
视频:
5-5 有时间序列的表格数据加载
16:50
视频:
5-6 连续值、序列值、分类值的处理
13:45
视频:
5-7 自然语言文本数据加载
19:45
视频:
5-8 本章小结
05:04
第6章 神经网络理念解决温度计转换
14 节|228分钟
收起
视频:
6-1 常规模型训练的过程
11:04
视频:
6-2 温度计示数转换
11:40
视频:
6-3 神经网络重要概念-损失
12:40
视频:
6-4 PyTorch中的广播机制
16:46
视频:
6-5 神经网络重要概念-梯度
18:11
视频:
6-6 神经网络重要概念-学习率
19:47
视频:
6-7 神经网络重要概念-归一化
26:20
视频:
6-8 使用超参数优化我们的模型效果
11:36
视频:
6-9 使用PyTorch自动计算梯度
15:56
视频:
6-10 使用PyTorch提供的优化器
15:32
视频:
6-11 神经网络重要概念-激活函数
15:50
视频:
6-12 用PyTorch的nn模块搭建神经网络
15:37
视频:
6-13 构建批量训练方法
14:53
视频:
6-14 使用神经网络解决温度计示数转换问题
21:23
第7章 使用神经网络区分小鸟和飞机图像
21 节|215分钟
收起
视频:
7-1 CIFAR-10数据集介绍
08:04
视频:
7-2 为数据集实现Dataset类
08:42
视频:
7-3 为模型准备训练集和验证集
11:00
视频:
7-4 借助softmax方法给出分类结果
10:57
视频:
7-5 分类模型常用损失之交叉熵损失
07:38
视频:
7-6 全连接网络实现图像分类
25:53
视频:
7-7 对全连接网络的改进之卷积网络
13:49
视频:
7-8 借助PyTorch搭建卷积网络模型
15:39
视频:
7-9 卷积中的数据填充方法padding
04:31
视频:
7-10 使用卷积提取图像中的特定特征
08:00
视频:
7-11 借助下采样压缩数据
07:53
视频:
7-12 借助PyTorch搭建卷积网络
10:12
视频:
7-13 训练我们的分类模型
10:05
视频:
7-14 训练好的模型如何存储
01:47
视频:
7-15 该用GPU训练我们的模型
08:59
视频:
7-16 优化方案之增加模型宽度-width
08:55
视频:
7-17 优化方案之数据正则化-normalization(一)
13:38
视频:
7-18 优化方案之数据正则化-normalization(二)
16:55
视频:
7-19 优化方案之数据正则化-normalization(三)
08:56
视频:
7-20 优化方案之增加模型深度-depth
06:41
视频:
7-21 本章小结
06:05
第8章 项目实战一:理解业务与数据
14 节|170分钟
收起
视频:
8-1 肺部癌症检测的项目简介
13:38
视频:
8-2 CT数据是什么样子
07:22
视频:
8-3 制定一个解决方案
08:40
视频:
8-4 下载项目中的数据集
09:32
视频:
8-5 原始数据是长什么样子的
08:22
视频:
8-6 加载标注数据
22:19
视频:
8-7 加载CT影像数据
07:51
视频:
8-8 数据坐标系的转换
23:26
视频:
8-9 编写Dataset方法
12:44
视频:
8-10 分割训练集和验证集
09:27
视频:
8-11 CT数据可视化实现(一)
16:43
视频:
8-12 CT数据可视化实现(二)
15:13
视频:
8-13 CT数据可视化实现(三)
09:43
视频:
8-14 本章小结
04:55
第9章 项目实战二:模型训练与优化
26 节|380分钟
收起
视频:
9-1 第一个模型:结节分类
15:40
视频:
9-2 定义模型训练框架
18:31
视频:
9-3 初始化都包含什么内容
09:13
视频:
9-4 编写数据加载器部分
07:02
视频:
9-5 实现模型的核心部分
18:27
视频:
9-6 定义损失计算和训练验证环节(一)
17:31
视频:
9-7 定义损失计算和训练验证环节(二)
09:20
视频:
9-8 在日志中保存重要信息
19:56
视频:
9-9 尝试训练第一个模型
16:50
视频:
9-10 借助TensorBoard绘制指标曲线
12:30
视频:
9-11 新的模型评估指标:F1score
17:51
视频:
9-12 实现F1Score计算逻辑
08:58
视频:
9-13 数据优化方法
11:36
视频:
9-14 数据重复采样的代码实现
15:49
视频:
9-15 数据增强的代码实现
19:37
视频:
9-16 第二个模型:结节分割
08:53
视频:
9-17 图像分割的几种类型
07:05
视频:
9-18 U-Net模型介绍
19:27
视频:
9-19 为图像分割进行数据预处理
25:01
视频:
9-20 为图像分割构建Dataset类
26:23
视频:
9-21 构建训练Dataset和使用GPU进行数据增强
11:16
视频:
9-22 Adam优化器和Dice损失
11:27
视频:
9-23 构建训练流程
18:26
视频:
9-24 模型存储、图像存储代码介绍
05:50
视频:
9-25 分割模型训练及在TensorBoard中查看结果
11:45
视频:
9-26 本章小结
15:11
第10章 项目实战三:实现端到端的模型预测
7 节|150分钟
收起
视频:
10-1 连接分割模型和分类模型
30:05
视频:
10-2 新的评价指标:AUC-ROC曲线
37:16
视频:
10-3 使用finetune方法构建肿瘤恶性判断模型
29:08
视频:
10-4 完整的实现端到端肺部肿瘤检测
17:31
视频:
10-5 使用合适的框架把模型部署上线(一)
14:46
视频:
10-6 使用合适的框架把模型部署上线(二)
12:06
视频:
10-7 本章小结
08:33
第11章 课程总结与面试问题
5 节|89分钟
收起
视频:
11-1 肿瘤检测系统架构回顾
15:12
视频:
11-2 课程中的神经网络回顾
13:27
视频:
11-3 模型优化方法回顾
10:20
视频:
11-4 面试过程中可能遇到的问题
22:09
视频:
11-5 持续学习的几个建议
27:48

声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。