PyTorch深度学习开发医学影像端到端判别

星***

PyTorch深度学习开发医学影像端到端判别
　 第6章 神经网络理念解决温度计转换
　 第9章 项目实战二：模型训练与优化
　 第2章 课程内容整体规划
　 第8章 项目实战一：理解业务与数据
　 第3章 PyTorch项目热身实践
　 第7章 使用神经网络区分小鸟和飞机图像
　 第5章 PyTorch如何处理真实数据
　 第10章 项目实战三：实现端到端的模型预测
　 第1章 课程导学
　 第4章 PyTorch基础知识必备-张量
　 第11章 课程总结与面试问题
　 说明【】.png
　　 6-1常规模型训练的过程【】.mp4
　　 6-14使用神经网络解决温度计示数转换问题【】.mp4
　　 6-6神经网络重要概念-学习率【】.mp4
　　 6-5神经网络重要概念-梯度【】.mp4
　　 6-9使用PyTorch自动计算梯度【】.mp4
　　 6-2温度计示数转换【】.mp4
　　 6-12用PyTorch的nn模块搭建神经网络【】.mp4
　　 6-4PyTorch中的广播机制【】.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
　　 6-3神经网络重要概念-损失【】.mp4
　　 6-11神经网络重要概念-激活函数【】.mp4
　　 6-10使用PyTorch提供的优化器【】.mp4
　　 6-13构建批量训练方法【】.mp4
　　 2-1环境安装与配置【】.mp4
　　 2-3使用预训练的ResNet网络给图片分类二【】.mp4
　　 2-2使用预训练的ResNet网络给图片分类一【】.mp4
　　 2-4使用预训练的GAN网络把马变成斑马【】.mp4
　　 8-7加载CT影像数据【】.mp4
　　 8-5原始数据是长什么样子的【】.mp4
　　 8-9编写Dataset方法【】.mp4
　　 8-4下载项目中的数据集【】.mp4
　　 8-3制定一个解决方案【】.mp4
　　 8-12CT数据可视化实现二【】.mp4
　　 8-10分割训练集和验证集【】.mp4
　　 8-2CT数据是什么样子【】.mp4
　　 8-6加载标注数据【】.mp4
　　 8-11CT数据可视化实现一【】.mp4
　　 8-14本章小结【】.mp4
　　 8-13CT数据可视化实现三【】.mp4
　　 8-8数据坐标系的转换【】.mp4
　　 8-1肺部癌症检测的项目简介【】.mp4
　　 9-12实现F1Score计算逻辑【】.mp4
　　 9-15数据增强的代码实现【】.mp4
　　 9-6定义损失计算和训练验证环节一【】.mp4
　　 9-19为图像分割进行数据预处理【】.mp4
　　 9-3初始化都包含什么内容【】.mp4
　　 9-22Adam优化器和Dice损失【】.mp4
　　 9-25分割模型训练及在TensorBoard中查看结果【】.mp4
　　 9-21构建训练Dataset和使用GPU进行数据增强【】.mp4
　　 9-8在日志中保存重要信息【】.mp4
　　 9-24模型存储图像存储代码介绍【】.mp4
　　 9-2定义模型训练框架【】.mp4
　　 9-10借助TensorBoard绘制指标曲线【】.mp4
　　 9-16第二个模型结节分割【】.mp4
　　 9-14数据重复采样的代码实现【】.mp4
　　 9-13数据优化方法【】.mp4
　　 9-18U-Net模型介绍【】.mp4
　　 9-20为图像分割构建Dataset类【】.mp4
　　 9-5实现模型的核心部分【】.mp4
　　 9-26本章小结【】.mp4
　　 9-11新的模型评估指标F1score【】.mp4
　　 9-7定义损失计算和训练验证环节二【】.mp4
　　 9-17图像分割的几种类型【】.mp4
　　 9-4编写数据加载器部分【】.mp4
　　 9-1第一个模型结节分类【】.mp4
　　 9-23构建训练流程【】.mp4
　　 9-9尝试训练第一个模型【】.mp4
　　 3-3课程重难点技能分布【】.mp4
　　 3-2工业级数据挖掘流程二【】.mp4
　　 3-1工业级数据挖掘流程一【】.mp4
　　 3-4课程实战项目简介【】.mp4
　　 10-3使用finetune方法构建肿瘤恶性判断模型【】.mp4
　　 10-2新的评价指标AUC-ROC曲线【】.mp4
　　 10-4完整的实现端到端肺部肿瘤检测【】.mp4
　　 10-1连接分割模型和分类模型【】.mp4
　　 10-7本章小结【】.mp4
　　 10-6使用合适的框架把模型部署上线二【】.mp4
　　 10-5使用合适的框架把模型部署上线一【】.mp4
　　 5-8本章小结【】.mp4
　　 5-7自然语言文本数据加载【】.mp4
　　 5-1普通二维图像的加载一【】.mp4
　　 5-4普通表格数据加载【】.mp4
　　 5-6连续值序列值分类值的处理【】.mp4
　　 5-2普通二维图像的加载二【】.mp4
　　 5-33D图像的加载【】.mp4
　　 5-5有时间序列的表格数据加载【】.mp4
　　 7-11借助下采样压缩数据【】.mp4
　　 7-7对全连接网络的改进之卷积网络【】.mp4
　　 7-17优化方案之数据正则化-normalization一【】.mp4
　　 7-2为数据集实现Dataset类【】.mp4
　　 7-5分类模型常用损失之交叉熵损失【】.mp4
　　 7-19优化方案之数据正则化-normalization三【】.mp4
　　 7-15该用GPU训练我们的模型【】.mp4
　　 7-14训练好的模型如何存储【】.mp4
　　 7-4借助softmax方法给出分类结果【】.mp4
　　 7-8借助PyTorch搭建卷积网络模型【】.mp4
　　 7-18优化方案之数据正则化-normalization二【】.mp4
　　 7-10使用卷积提取图像中的特定特征【】.mp4
　　 7-21本章小结【】.mp4
　　 7-9卷积中的数据填充方法padding【】.mp4
　　 7-6全连接网络实现图像分类【】.mp4
　　 7-3为模型准备训练集和验证集【】.mp4
　　 7-20优化方案之增加模型深度-depth【】.mp4
　　 7-13训练我们的分类模型【】.mp4
　　 7-12借助PyTorch搭建卷积网络【】.mp4
　　 7-1CIFAR-10数据集介绍【】.mp4
　　 7-16优化方案之增加模型宽度-width【】.mp4
　　 11-5持续学习的几个建议【】.mp4
　　 11-1肿瘤检测系统架构回顾【】.mp4
　　 11-4面试过程中可能遇到的问题【】.mp4
　　 11-3模型优化方法回顾【】.mp4
　　 11-2课程中的神经网络回顾【】.mp4
　　 4-5张量的基本操作二【】.mp4
　　 4-10张量的底层实现逻辑二【】.mp4
　　 4-3张量的获取与存储二【】.mp4
　　 4-6张量中的元素类型【】.mp4
　　 4-2张量的获取与存储一【】.mp4
　　 4-4张量的基本操作一【】.mp4
　　 4-7张量的命名【】.mp4
　　 4-9张量的底层实现逻辑一【】.mp4
　　 4-8把张量传递到GPU中进行运算【】.mp4
　　 4-1什么是张量【】.mp4
　　 1-2深度学习如何影响生活【】.mp4
　　 1-1课程导学【】.mp4
　　 1-3常用深度学习框架【】.mp4

下载地址:

游客，如果您要查看本帖隐藏内容请回复