mksz612-Pytorch框架全流程开发医学影像端到端判别实战项目（11章完结）
mksz612Pytorch框架全流程开发医学影像端到端判别实战项目├── 1-课程导学
│ ├── 1-1 课程导学-.mp4
│ ├── 1-2 深度学习如何影响生活@.mp4
│ └── 1-3 常用深度学习框架-.mp4
├── 10-项目实战三：实现端到端的模型预测
│ ├── 10-1 连接分割模型和分类模型@.mp4
│ ├── 10-2 新的评价指标：AUC-ROC曲线@.mp4
│ ├── 10-3 使用finetune方法构建肿瘤恶性判断模型@.mp4
│ ├── 10-4 完整的实现端到端肺部肿瘤检测@.mp4
│ ├── 10-5 使用合适的框架把模型部署上线（一）-.mp4
│ ├── 10-6 使用合适的框架把模型部署上线（二）@.mp4
│ └── 10-7 本章小结@.mp4
├── 11-课程总结与面试问题
│ ├── 11-1 肿瘤检测系统架构回顾.mp4
│ ├── 11-2 课程中的神经网络回顾@.mp4
│ ├── 11-3 模型优化方法回顾@.mp4
│ ├── 11-4 面试过程中可能遇到的问题-.mp4
│ └── 11-5 持续学习的几个建议@.mp4
├── 2-课程内容整体规划
│ ├── 2-1 环境安装与配置-.mp4
│ ├── 2-2 使用预训练的ResNet网络给图片分类（一）.mp4
│ ├── 2-3 使用预训练的ResNet网络给图片分类（二）@.mp4
│ └── 2-4 使用预训练的GAN网络把马变成斑马-.mp4
├── 3-PyTorch项目热身实践
│ ├── 3-1 工业级数据挖掘流程（一）.mp4
│ ├── 3-2 工业级数据挖掘流程（二）.mp4
│ ├── 3-3 课程重难点技能分布.mp4
│ └── 3-4 课程实战项目简介-.mp4
├── 4-PyTorch基础知识必备-张量
│ ├── 4-1 什么是张量.mp4
│ ├── 4-10 张量的底层实现逻辑（二）@.mp4
│ ├── 4-2 张量的获取与存储（一）@.mp4
│ ├── 4-3 张量的获取与存储（二）.mp4
│ ├── 4-4 张量的基本操作（一）.mp4
│ ├── 4-5 张量的基本操作（二）@.mp4
│ ├── 4-6 张量中的元素类型@.mp4
│ ├── 4-7 张量的命名@.mp4
│ ├── 4-8 把张量传递到GPU中进行运算@.mp4
│ └── 4-9 张量的底层实现逻辑（一）@.mp4
├── 5-PyTorch如何处理真实数据
│ ├── 5-1 普通二维图像的加载（一）@.mp4
│ ├── 5-2 普通二维图像的加载（二）@.mp4
│ ├── 5-3 3D图像的加载-.mp4
│ ├── 5-4 普通表格数据加载@.mp4
│ ├── 5-5 有时间序列的表格数据加载@.mp4
│ ├── 5-6 连续值、序列值、分类值的处理.mp4
│ ├── 5-7 自然语言文本数据加载-.mp4
│ └── 5-8 本章小结@.mp4
├── 6-神经网络理念解决温度计转换
│ ├── 6-1 常规模型训练的过程@.mp4
│ ├── 6-10 使用PyTorch提供的优化器@.mp4
│ ├── 6-11 神经网络重要概念-激活函数.mp4
│ ├── 6-12 用PyTorch的nn模块搭建神经网络.mp4
│ ├── 6-13 构建批量训练方法@.mp4
│ ├── 6-14 使用神经网络解决温度计示数转换问题.mp4
│ ├── 6-2 温度计示数转换.mp4
│ ├── 6-3 神经网络重要概念-损失.mp4
│ ├── 6-4 PyTorch中的广播机制.mp4
│ ├── 6-5 神经网络重要概念-梯度.mp4
│ ├── 6-6 神经网络重要概念-学习率.mp4
│ ├── 6-7 神经网络重要概念-归一化@.mp4
│ ├── 6-8 使用超参数优化我们的模型效果@.mp4
│ └── 6-9 使用PyTorch自动计算梯度@.mp4
├── 7-使用神经网络区分小鸟和飞机图像
│ ├── 7-1 CIFAR-10数据集介绍.mp4
│ ├── 7-10 使用卷积提取图像中的特定特征@.mp4
│ ├── 7-11 借助下采样压缩数据-.mp4
│ ├── 7-12 借助PyTorch搭建卷积网络@.mp4
│ ├── 7-13 训练我们的分类模型@.mp4
│ ├── 7-14 训练好的模型如何存储.mp4
│ ├── 7-15 该用GPU训练我们的模型.mp4
│ ├── 7-16 优化方案之增加模型宽度-width.mp4
│ ├── 7-17 优化方案之数据正则化-normalization（一）-.mp4
│ ├── 7-18 优化方案之数据正则化-normalization（二）.mp4
│ ├── 7-19 优化方案之数据正则化-normalization（三）@.mp4
│ ├── 7-2 为数据集实现Dataset类.mp4
│ ├── 7-20 优化方案之增加模型深度-depth-.mp4
│ ├── 7-21 本章小结.mp4
│ ├── 7-3 为模型准备训练集和验证集@.mp4
│ ├── 7-4 借助softmax方法给出分类结果@.mp4
│ ├── 7-5 分类模型常用损失之交叉熵损失.mp4
│ ├── 7-6 全连接网络实现图像分类@.mp4
│ ├── 7-7 对全连接网络的改进之卷积网络-.mp4
│ ├── 7-8 借助PyTorch搭建卷积网络模型@.mp4
│ └── 7-9 卷积中的数据填充方法padding@.mp4
├── 8-项目实战一：理解业务与数据
│ ├── 8-1 肺部癌症检测的项目简介@.mp4
│ ├── 8-10 分割训练集和验证集.mp4
│ ├── 8-11 CT数据可视化实现（一）-.mp4
│ ├── 8-12 CT数据可视化实现（二）.mp4
│ ├── 8-13 CT数据可视化实现（三）@.mp4
│ ├── 8-14 本章小结@.mp4
│ ├── 8-2 CT数据是什么样子.mp4
│ ├── 8-3 制定一个解决方案.mp4
│ ├── 8-4 下载项目中的数据集-.mp4
│ ├── 8-5 原始数据是长什么样子的@.mp4
│ ├── 8-6 加载标注数据@.mp4
│ ├── 8-7 加载CT影像数据@.mp4
│ ├── 8-8 数据坐标系的转换.mp4
│ └── 8-9 编写Dataset方法.mp4
└── 9-项目实战二：模型训练与优化
├── 9-1 第一个模型：结节分类-.mp4
├── 9-10 借助TensorBoard绘制指标曲线@.mp4
├── 9-11 新的模型评估指标：F1score.mp4
├── 9-12 实现F1Score计算逻辑@.mp4
├── 9-13 数据优化方法.mp4
├── 9-14 数据重复采样的代码实现@.mp4
├── 9-15 数据增强的代码实现@.mp4
├── 9-16 第二个模型：结节分割-.mp4
├── 9-17 图像分割的几种类型.mp4
├── 9-18 U-Net模型介绍-.mp4
├── 9-19 为图像分割进行数据预处理@.mp4
├── 9-2 定义模型训练框架@.mp4
├── 9-20 为图像分割构建Dataset类-.mp4
├── 9-21 构建训练Dataset和使用GPU进行数据增强@.mp4
├── 9-22 Adam优化器和Dice损失@.mp4
├── 9-23 构建训练流程@.mp4
├── 9-24 模型存储、图像存储代码介绍@.mp4
├── 9-25 分割模型训练及在TensorBoard中查看结果-.mp4
├── 9-26 本章小结-.mp4
├── 9-3 初始化都包含什么内容-.mp4
├── 9-4 编写数据加载器部分-.mp4
├── 9-5 实现模型的核心部分.mp4
├── 9-6 定义损失计算和训练验证环节（一）@.mp4
├── 9-7 定义损失计算和训练验证环节（二）.mp4
├── 9-8 在日志中保存重要信息-.mp4
└── 9-9 尝试训练第一个模型@.mp4
下载地址:
**** Hidden Message ***** 男儿有志在四方，心中有痛不声张，星友们加油！！！ 你别说，你还真别说
页:
[1]