Python知识分享网 - 专业的Python学习网站 学Python,上Python222
人工智能深度学习 视频教程 下载
匿名网友发布于:2024-05-17 10:19:27
(侵权举报)
(假如点击没反应,多刷新两次就OK!)

人工智能深度学习 视频教程 下载 图1

 

 

资料目录:

 

├─01 直播课回放
│  ├─01 开班典礼
│  │      01 开班典礼.mp4
│  │      
│  ├─02 Pycharm环境配置与Debug演示(没用过的同学必看)
│  │      01 Pycharm环境配置与Debug演示(没用过的同学必看).mp4
│  │      
│  ├─03 直播1:深度学习核心算法-神经网络与卷积网络
│  │      01 深度学习核心算法-神经网络与卷积网络.mp4
│  │      
│  ├─04 直播2:卷积神经网络
│  │      01 卷积神经网络.mp4
│  │      
│  ├─05 直播3:Transformer架构
│  │      01 Transformer架构.mp4
│  │      
│  ├─06 直播4:Transfomer在视觉任务中的应用实例
│  │      01 Transfomer在视觉任务中的应用实例.mp4
│  │      
│  ├─07 直播5:YOLO系列(V7)算法解读
│  │      01 YOLO系列(V7)算法解读.mp4
│  │      
│  ├─08 直播6:分割模型Maskformer系列
│  │      01 分割模型Maskformer系列.mp4
│  │      
│  ├─09 补充:Mask2former源码解读
│  │      01 Backbone获取多层级特征.mp4
│  │      02 多层级采样点初始化构建.mp4
│  │      03 多层级输入特征序列创建方法.mp4
│  │      04 偏移量与权重计算并转换.mp4
│  │      05 Encoder特征构建方法实例.mp4
│  │      06 query要预测的任务解读.mp4
│  │      07 Decoder中的AttentionMask方法.mp4
│  │      08 损失模块输入参数分析.mp4
│  │      09 标签分配策略解读.mp4
│  │      10 正样本筛选损失计算.mp4
│  │      11 标签分类匹配结果分析.mp4
│  │      12 最终损失计算流程.mp4
│  │      13 汇总所有损失完成迭代.mp4
│  │      
│  ├─10 直播7:半监督物体检测
│  │      01 半监督物体检测.mp4
│  │      
│  ├─11 直播8:基于图模型的时间序列预测
│  │      01 基于图模型的时间序列预测.mp4
│  │      
│  ├─12 直播9:图像定位与检索
│  │      01 图像定位与检索.mp4
│  │      
│  ├─13 直播10:近期内容补充
│  │      01 近期内容补充.mp4
│  │      
│  ├─15 直播12:异构图神经网络
│  │      01 异构图神经网络.mp4
│  │      
│  ├─16 直播13:BEV特征空间
│  │      01 BEV特征空间.mp4
│  │      
│  ├─17 补充:BevFormer源码解读
│  │      01 环境配置方法解读.mp4
│  │      02 数据集下载与配置方法.mp4
│  │      03 特征提取以及BEV空间初始化.mp4
│  │      04 特征对齐与位置编码初始化.mp4
│  │      05 Reference初始点构建.mp4
│  │      06 BEV空间与图像空间位置对应.mp4
│  │      07 注意力机制模块计算方法.mp4
│  │      08 BEV空间特征构建.mp4
│  │      09 Decoder要完成的任务分析.mp4
│  │      10 获取当前BEV特征.mp4
│  │      11 Decoder级联校正模块.mp4
│  │      12 损失函数与预测可视化.mp4
│  │      
│  ├─18 直播14:知识蒸馏
│  │      01 知识蒸馏.mp4
│  │      
│  └─19 直播15:六期总结与论文简历
│          01 六期总结与论文简历.mp4
│         
├─02 深度学习必备核心算法
│  ├─01 神经网络算法解读
│  │      01 神经网络算法解读.mp4
│  │      
│  ├─02 卷积神经网络算法解读
│  │      01 卷积神经网络算法解读.mp4
│  │      
│  └─03 递归神经网络算法解读
│          01 递归神经网络算法解读.mp4
│         
├─03 深度学习核心框架PyTorch
│  ├─01 PyTorch框架介绍与配置安装
│  │      01 PyTorch框架与其他框架区别分析.mp4
│  │      02 CPU与GPU版本安装方法解读.mp4
│  │      
│  ├─02 使用神经网络进行分类任务
│  │      01 数据集与任务概述.mp4
│  │      02 基本模块应用测试.mp4
│  │      03 网络结构定义方法.mp4
│  │      04 数据源定义简介.mp4
│  │      05 损失与训练模块分析.mp4
│  │      06 训练一个基本的分类模型.mp4
│  │      07 参数对结果的影响.mp4
│  │      
│  ├─03 神经网络回归任务-气温预测
│  │      01 神经网络回归任务-气温预测.mp4
│  │      
│  ├─04 卷积网络参数解读分析
│  │      01 输入特征通道分析.mp4
│  │      02 卷积网络参数解读.mp4
│  │      03 卷积网络模型训练.mp4
│  │      
│  ├─05 图像识别模型与训练策略(重点)
│  │      01 任务分析与图像数据基本处理.mp4
│  │      02 数据增强模块.mp4
│  │      03 数据集与模型选择.mp4
│  │      04 迁移学习方法解读.mp4
│  │      05 输出层与梯度设置.mp4
│  │      06 输出类别个数修改.mp4
│  │      07 优化器与学习率衰减.mp4
│  │      08 模型训练方法.mp4
│  │      09 重新训练全部模型.mp4
│  │      10 测试结果演示分析.mp4
│  │      
│  ├─06 DataLoader自定义数据集制作
│  │      01 Dataloader要完成的任务分析.mp4
│  │      02 图像数据与标签路径处理.mp4
│  │      03 Dataloader中需要实现的方法分析.mp4
│  │      04 实用Dataloader加载数据并训练模型.mp4
│  │      
│  ├─07 LSTM文本分类实战
│  │      01 数据集与任务目标分析.mp4
│  │      02 文本数据处理基本流程分析.mp4
│  │      03 命令行参数与DEBUG.mp4
│  │      04 训练模型所需基本配置参数分析.mp4
│  │      05 预料表与字符切分.mp4
│  │      06 字符预处理转换ID.mp4
│  │      07 LSTM网络结构基本定义.mp4
│  │      08 网络模型预测结果输出.mp4
│  │      09 模型训练任务与总结.mp4
│  │      
│  └─08 PyTorch框架Flask部署例子
│          01 基本结构与训练好的模型加载.mp4
│          02 服务端处理与预测函数.mp4
│          03 基于Flask测试模型预测结果.mp4
│         
├─04 MMLAB实战系列
│  ├─01 MMCV安装方法
│  │      01 MMCV安装方法.mp4
│  │      
│  ├─02 第一模块:分类任务基本操作
│  │      01 MMCLS问题修正.mp4
│  │      02 准备MMCLS项目.mp4
│  │      03 基本参数配置解读.mp4
│  │      04 各模块配置文件组成.mp4
│  │      05 生成完整配置文件.mp4
│  │      06 根据文件夹定义数据集.mp4
│  │      07 构建自己的数据集.mp4
│  │      08 训练自己的任务.mp4
│  │      
│  ├─03 第一模块:训练结果测试与验证
│  │      01 测试DEMO效果.mp4
│  │      02 测试评估模型效果.mp4
│  │      03 MMCLS中增加一个新的模块.mp4
│  │      04 修改配置文件中的参数.mp4
│  │      05 数据增强流程可视化展示.mp4
│  │      06 Grad-Cam可视化方法.mp4
│  │      07 可视化细节与效果分析.mp4
│  │      08 MMCLS可视化模块应用.mp4
│  │      09 模型分析脚本使用.mp4
│  │      
│  ├─04 第一模块:模型源码DEBUG演示
│  │      01 VIT任务概述.mp4
│  │      02 数据增强模块概述分析.mp4
│  │      03 PatchEmbedding层.mp4
│  │      04 前向传播基本模块.mp4
│  │      05 CLS与输出模块.mp4
│  │      
│  ├─05 第二模块:使用分割模块训练自己的数据集
│  │      01 项目配置基本介绍.mp4
│  │      02 数据集标注与制作方法.mp4
│  │      03 根据预测类别数修改配置文件.mp4
│  │      04 加载预训练模型开始训练.mp4
│  │      05 预测DEMO演示.mp4
│  │      
│  ├─06 第二模块:基于Unet进行各种策略修改
│  │      01 配置文件解读.mp4
│  │      02 编码层模块.mp4
│  │      03 上采样与输出层.mp4
│  │      04 辅助层的作用.mp4
│  │      05 给Unet添加一个neck层.mp4
│  │      06 如何修改参数适配网络结构.mp4
│  │      07 将Unet特征提取模块替换成transformer.mp4
│  │      08 VIT模块源码分析.mp4
│  │      
│  ├─07 第二模块:分割任务CVPR最新Backbone设计及其应用
│  │      01 注册自己的Backbone模块.mp4
│  │      02 配置文件指定.mp4
│  │      03 DEBUG解读Backbone设计.mp4
│  │      04 PatchEmbedding的作用与实现.mp4
│  │      05 卷积位置编码计算方法.mp4
│  │      06 近似Attention模块实现.mp4
│  │      07 完成特征提取与融合模块.mp4
│  │      08 分割输出模块.mp4
│  │      09 全局特征的作用与实现.mp4
│  │      10 汇总多层级特征进行输出.mp4
│  │      
│  ├─08 第三模块:mmdet训练自己的数据任务
│  │      01 数据集标注与标签获取.mp4
│  │      02 COCO数据标注格式.mp4
│  │      03 通过脚本生成COCO数据格式.mp4
│  │      04 配置文件数据增强策略分析.mp4
│  │      05 训练所需配置说明.mp4
│  │      06 模型训练与DEMO演示.mp4
│  │      07 模型测试与可视化分析模块.mp4
│  │      08 补充:评估指标.mp4
│  │      
│  ├─09 第三模块:DeformableDetr物体检测源码分析
│  │      01 特征提取与位置编码.mp4
│  │      02 序列特征展开并叠加.mp4
│  │      03 得到相对位置点编码.mp4
│  │      04 准备Encoder编码层所需全部输入.mp4
│  │      05 编码层中的序列分析.mp4
│  │      06 偏移量offset计算.mp4
│  │      07 偏移量对齐操作.mp4
│  │      08 Encoder层完成特征对齐.mp4
│  │      09 Decoder要完成的操作.mp4
│  │      10 分类与回归输出模块.mp4
│  │      11 预测输出结果与标签匹配模块.mp4
│  │      
│  ├─11 第三模块:DeformableDetr算法解读
│  │      01 DeformableDetr算法解读.mp4
│  │      
│  ├─12 KIE关键信息抽取与视频超分辨率重构
│  │      01 KIE关键信息抽取与视频超分辨率重构.mp4
│  │      
│  ├─13 第四模块:DBNET文字检测
│  │      01 文字检测数据概述与配置文件.mp4
│  │      02 配置文件参数设置.mp4
│  │      03 Neck层特征组合.mp4
│  │      04 损失函数模块概述.mp4
│  │      05 损失计算方法.mp4
│  │      
│  ├─14 第四模块:ANINET文字识别
│  │      01 数据集与环境概述.mp4
│  │      02 配置文件修改方法.mp4
│  │      03 Bakbone模块得到特征.mp4
│  │      04 视觉Transformer模块的作用.mp4
│  │      05 视觉模型中的编码与解码的效果.mp4
│  │      06 文本模型中的结构分析.mp4
│  │      07 迭代修正模块.mp4
│  │      08 输出层与损失计算.mp4
│  │      
│  ├─15 第四模块:KIE基于图模型的关键信息抽取
│  │      01 配置文件以及要完成的任务解读.mp4
│  │      02 KIE数据集格式调整方法.mp4
│  │      03 配置文件与标签要进行处理操作.mp4
│  │      04 边框要计算的特征分析.mp4
│  │      05 标签数据处理与关系特征提取.mp4
│  │      06 特征合并处理.mp4
│  │      07 准备拼接边与点特征.mp4
│  │      08 整合得到图模型输入特征.mp4
│  │      
│  ├─16 第五模块:stylegan2源码解读
│  │      01 要完成的任务与基本思想概述.mp4
│  │      02 得到style特征编码.mp4
│  │      03 特征编码风格拼接.mp4
│  │      04 基础风格特征卷积模块.mp4
│  │      05 上采样得到输出结果.mp4
│  │      06 损失函数概述.mp4
│  │      
│  ├─17 第六模块:BasicVSR++视频超分辨重构源码解读
│  │      01 要完成的任务分析与配置文件.mp4
│  │      02 特征基础提取模块.mp4
│  │      03 光流估计网络模块.mp4
│  │      04 基于光流完成对齐操作.mp4
│  │      05 偏移量计算方法.mp4
│  │      06 双向计算特征对齐.mp4
│  │      07 提特征传递流程分析.mp4
│  │      08 序列传播计算.mp4
│  │      09 准备变形卷积模块的输入.mp4
│  │      10 传播流程整体完成一圈.mp4
│  │      11 完成输出结果.mp4
│  │      
│  ├─18 第七模块:多模态3D目标检测算法源码解读
│  │      01 环境配置与数据集概述.mp4
│  │      02 数据与标注文件介绍.mp4
│  │      03 基本流程梳理并进入debug模式.mp4
│  │      04 数据与图像特征提取模块.mp4
│  │      05 体素索引位置获取.mp4
│  │      06 体素特征提取方法解读.mp4
│  │      07 体素特征计算方法分析.mp4
│  │      08 全局体素特征提取.mp4
│  │      09 多模态特征融合.mp4
│  │      10 3D卷积特征融合.mp4
│  │      11 输出层预测结果.mp4
│  │      
│  ├─19 第八模块:模型蒸馏应用实例
│  │      01 任务概述与工具使用.mp4
│  │      02 Teacher与Student网络结构定义.mp4
│  │      03 训练T与S得到蒸馏模型.mp4
│  │      04 开始模型训练过程与问题修正.mp4
│  │      05 日志输出与模型分离.mp4
│  │      06 分别得到Teacher与Student模型.mp4
│  │      07 实际测试效果演示.mp4
│  │      
│  ├─20 第八模块:模型剪枝方法概述分析
│  │      01 SuperNet网络结构分析与剪枝概述.mp4
│  │      02 搜索匹配到符合计算量的模型并训练.mp4
│  │      
│  ├─21 第九模块:mmaction行为识别
│  │      01 创建自己的行为识别标注数据集.mp4
│  │      
│  └─22 OCR算法解读
│          01 OCR算法解读.mp4
│         
├─05 Opencv图像处理框架实战
│  ├─01 课程简介与环境配置
│  │      01 课程简介.mp4
│  │      02 Python与Opencv配置安装.mp4
│  │      03 Notebook与IDE环境.mp4
│  │      
│  ├─02 图像基本操作
│  │      01 计算机眼中的图像.mp4
│  │      02 视频的读取与处理.mp4
│  │      03 ROI区域.mp4
│  │      04 边界填充.mp4
│  │      05 数值计算.mp4
│  │      
│  ├─03 阈值与平滑处理
│  │      01 图像阈值.mp4
│  │      02 图像平滑处理.mp4
│  │      03 高斯与中值滤波.mp4
│  │      
│  ├─04 图像形态学操作
│  │      01 腐蚀操作.mp4
│  │      02 膨胀操作.mp4
│  │      03 开运算与闭运算.mp4
│  │      04 梯度计算.mp4
│  │      05 礼帽与黑帽.mp4
│  │      
│  ├─05 图像梯度计算
│  │      01 Sobel算子.mp4
│  │      02 梯度计算方法.mp4
│  │      03 scharr与lapkacian算子.mp4
│  │      
│  ├─06 边缘检测
│  │      01 Canny边缘检测流程.mp4
│  │      02 非极大值抑制.mp4
│  │      03 边缘检测效果.mp4
│  │      
│  ├─07 图像金字塔与轮廓检测
│  │      01 图像金字塔定义.mp4
│  │      02 金字塔制作方法.mp4
│  │      03 轮廓检测方法.mp4
│  │      04 轮廓检测结果.mp4
│  │      05 轮廓特征与近似.mp4
│  │      06 模板匹配方法.mp4
│  │      07 匹配效果展示.mp4
│  │      
│  ├─08 直方图与傅里叶变换
│  │      01 直方图定义.mp4
│  │      02 均衡化原理.mp4
│  │      03 均衡化效果.mp4
│  │      04 傅里叶概述.mp4
│  │      05 频域变换结果.mp4
│  │      06 低通与高通滤波.mp4
│  │      
│  ├─09 项目实战-信用卡数字识别
│  │      01 总体流程与方法讲解.mp4
│  │      02 环境配置与预处理.mp4
│  │      03 模板处理方法.mp4
│  │      04 输入数据处理方法.mp4
│  │      05 模板匹配得出识别结果.mp4
│  │      
│  ├─10 项目实战-文档扫描OCR识别
│  │      01 整体流程演示.mp4
│  │      02 文档轮廓提取.mp4
│  │      03 原始与变换坐标计算.mp4
│  │      04 透视变换结果.mp4
│  │      05 tesseract-ocr安装配置.mp4
│  │      06 文档扫描识别效果.mp4
│  │      
│  ├─11 图像特征-harris
│  │      01 角点检测基本原理.mp4
│  │      02 基本数学原理.mp4
│  │      03 求解化简.mp4
│  │      04 特征归属划分.mp4
│  │      05 opencv角点检测效果.mp4
│  │      
│  ├─12 图像特征-sift
│  │      01 尺度空间定义.mp4
│  │      02 高斯差分金字塔.mp4
│  │      03 特征关键点定位.mp4
│  │      04 生成特征描述.mp4
│  │      05 特征向量生成.mp4
│  │      06 opencv中sift函数使用.mp4
│  │      
│  ├─13 案例实战-全景图像拼接
│  │      01 特征匹配方法.mp4
│  │      02 RANSAC算法.mp4
│  │      03 图像拼接方法.mp4
│  │      04 流程解读.mp4
│  │      
│  ├─14 项目实战-停车场车位识别
│  │      01 任务整体流程.mp4
│  │      02 所需数据介绍.mp4
│  │      03 图像数据预处理.mp4
│  │      04 车位直线检测.mp4
│  │      05 按列划分区域.mp4
│  │      06 车位区域划分.mp4
│  │      07 识别模型构建.mp4
│  │      08 基于视频的车位检测.mp4
│  │      
│  ├─15 项目实战-答题卡识别判卷
│  │      01 整体流程与效果概述.mp4
│  │      02 预处理操作.mp4
│  │      03 填涂轮廓检测.mp4
│  │      04 选项判断识别.mp4
│  │      
│  ├─16 背景建模
│  │      01 背景消除-帧差法.mp4
│  │      02 混合高斯模型.mp4
│  │      03 学习步骤.mp4
│  │      04 背景建模实战.mp4
│  │      
│  ├─17 光流估计
│  │      01 基本概念.mp4
│  │      02 Lucas-Kanade算法.mp4
│  │      03 推导求解.mp4
│  │      04 光流估计实战.mp4
│  │      
│  ├─18 Opencv的DNN模块
│  │      01 dnn模块.mp4
│  │      02 模型加载结果输出.mp4
│  │      
│  ├─19 项目实战-目标追踪
│  │      01 目标追踪概述.mp4
│  │      02 多目标追踪实战.mp4
│  │      03 深度学习检测框架加载.mp4
│  │      04 基于dlib与ssd的追踪.mp4
│  │      05 多进程目标追踪.mp4
│  │      06 多进程效率提升对比.mp4
│  │      
│  ├─20 卷积原理与操作
│  │      01 卷积神经网络的应用.mp4
│  │      02 卷积层解释.mp4
│  │      03 卷积计算过程.mp4
│  │      04 pading与stride.mp4
│  │      05 卷积参数共享.mp4
│  │      06 池化层原理.mp4
│  │      07 卷积效果演示.mp4
│  │      08 卷积操作流程.mp4
│  │      
│  └─21 项目实战-疲劳检测
│          01 关键点定位概述.mp4
│          02 获取人脸关键点.mp4
│          03 定位效果演示.mp4
│          04 闭眼检测.mp4
│          05 检测效果.mp4
│         
├─06 综合项目-物体检测经典算法实战
│  ├─01 深度学习经典检测方法概述
│  │      02 不同阶段算法优缺点分析.mp4
│  │      
│  ├─02 YOLO-V1整体思想与网络架构
│  │      01 YOLO算法整体思路解读.mp4
│  │      
│  ├─03 YOLO-V2改进细节详解
│  │      01 V2版本细节升级概述.mp4
│  │      06 坐标映射与还原.mp4
│  │      
│  ├─04 YOLO-V3核心网络模型
│  │      03 经典变换方法对比分析.mp4
│  │      07 sotfmax层改进.mp4
│  │      
│  ├─05 项目实战-基于V3版本进行源码解读(建议直接跑V5版本)
│  │      01 数据与环境配置.mp4
│  │      02 训练参数设置.mp4
│  │      03 COCO图像数据读取与处理.mp4
│  │      04 标签文件读取与处理.mp4
│  │      05 debug模式介绍.mp4
│  │      06 基于配置文件构建网络模型.mp4
│  │      07 路由层与shortcut层的作用.mp4
│  │      08 YOLO层定义解析.mp4
│  │      09 预测结果计算.mp4
│  │      10 网格偏移计算.mp4
│  │      11 模型要计算的损失概述.mp4
│  │      12 标签值格式修改.mp4
│  │      13 坐标相对位置计算.mp4
│  │      14 完成所有损失函数所需计算指标.mp4
│  │      15 模型训练与总结.mp4
│  │      16 预测效果展示.mp4
│  │      
│  ├─06 基于YOLO-V3训练自己的数据集与任务(建议直接跑V5版本)
│  │      01 Labelme工具安装.mp4
│  │      02 数据信息标注.mp4
│  │      03 完成标签制作.mp4
│  │      04 生成模型所需配置文件.mp4
│  │      05 json格式转换成yolo-v3所需输入.mp4
│  │      06 完成输入数据准备工作.mp4
│  │      07 训练代码与参数配置更改.mp4
│  │      08 训练模型并测试效果.mp4
│  │      
│  ├─07 YOLO-V4版本算法解读
│  │      02 V4版本贡献解读.mp4
│  │      06 CIOU损失函数定义.mp4
│  │      
│  ├─08 V5版本项目配置
│  │      01 整体项目概述.mp4
│  │      02 训练自己的数据集方法.mp4
│  │      03 训练数据参数配置.mp4
│  │      04 测试DEMO演示.mp4
│  │      
│  ├─09 V5项目工程源码解读
│  │      01 数据源DEBUG流程解读.mp4
│  │      02 图像数据源配置.mp4
│  │      03 加载标签数据.mp4
│  │      04 Mosaic数据增强方法.mp4
│  │      05 数据四合一方法与流程演示.mp4
│  │      06 getItem构建batch.mp4
│  │      07 网络架构图可视化工具安装.mp4
│  │      08 V5网络配置文件解读.mp4
│  │      09 Focus模块流程分析.mp4
│  │      10 完成配置文件解析任务.mp4
│  │      11 前向传播计算.mp4
│  │      12 BottleneckCSP层计算方法.mp4
│  │      13 SPP层计算细节分析.mp4
│  │      14 Head层流程解读.mp4
│  │      15 上采样与拼接操作.mp4
│  │      16 输出结果分析.mp4
│  │      17 超参数解读.mp4
│  │      18 命令行参数介绍.mp4
│  │      19 训练流程解读.mp4
│  │      20 各种训练策略概述.mp4
│  │      21 模型迭代过程.mp4
│  │      
│  ├─10 V7源码解读
│  │      01 命令行参数介绍.mp4
│  │      02 基本参数作用.mp4
│  │      03 EMA等训练技巧解读.mp4
│  │      04 网络结构配置文件解读.mp4
│  │      05 各模块操作细节分析.mp4
│  │      06 输出层与配置文件其他模块解读.mp4
│  │      07 标签分配策略准备操作.mp4
│  │      08 候选框偏移方法与find3p模块解读.mp4
│  │      09 得到偏移点所在网格位置.mp4
│  │      10 完成BuildTargets模块.mp4
│  │      11 候选框筛选流程分析.mp4
│  │      12 预测值各项指标获取与调整.mp4
│  │      13 GT匹配正样本数量计算.mp4
│  │      14 通过IOU与置信度分配正样本.mp4
│  │      15 损失函数计算方法.mp4
│  │      16 辅助头AUX网络结构配置文件解析.mp4
│  │      17 辅助头损失函数调整.mp4
│  │      18 BN与卷积权重参数融合方法.mp4
│  │      19 重参数化多分支合并加速.mp4
│  │      
│  ├─11 EfficientNet网络
│  │      01 EfficientNet网络模型.mp4
│  │      
│  ├─12 EfficientDet检测算法
│  │      01 EfficientDet检测算法.mp4
│  │      
│  ├─13 基于Transformer的detr目标检测算法
│  │      01 DETR目标检测基本思想解读.mp4
│  │      02 整体网络架构分析.mp4
│  │      03 位置信息初始化query向量.mp4
│  │      04 注意力机制的作用方法.mp4
│  │      05 训练过程的策略.mp4
│  │      
│  └─14 detr目标检测源码解读
│          01 项目环境配置解读.mp4
│          02 数据处理与dataloader.mp4
│          03 位置编码作用分析.mp4
│          04 backbone特征提取模块.mp4
│          05 mask与编码模块.mp4
│          06 编码层作用方法.mp4
│          07 Decoder层操作与计算.mp4
│          08 输出预测结果.mp4
│          09 损失函数与预测输出.mp4
│         
├─07 图像分割实战
│  ├─01 图像分割及其损失函数概述
│  │      03 MIOU评估标准.mp4
│  │      
│  ├─05 U2NET显著性检测实战
│  │      01 任务目标与网络整体介绍.mp4
│  │      02 显著性检测任务与目标概述.mp4
│  │      03 编码器模块解读.mp4
│  │      04 解码器输出结果.mp4
│  │      05 损失函数与应用效果.mp4
│  │      
│  ├─09 物体检测框架-MaskRcnn项目介绍与配置
│  │      01 Mask-Rcnn开源项目简介.mp4
│  │      02 开源项目数据集.mp4
│  │      03 开源项目数据集.mp4
│  │      
│  ├─10 MaskRcnn网络框架源码详解
│  │      01 FPN层特征提取原理解读.mp4
│  │      02 FPN网络架构实现解读.mp4
│  │      03 生成框比例设置.mp4
│  │      04 基于不同尺度特征图生成所有框.mp4
│  │      05 RPN层的作用与实现解读.mp4
│  │      06 候选框过滤方法.mp4
│  │      07 Proposal层实现方法.mp4
│  │      08 DetectionTarget层的作用.mp4
│  │      09 正负样本选择与标签定义.mp4
│  │      10 RoiPooling层的作用与目的.mp4
│  │      11 RorAlign操作的效果.mp4
│  │      12 整体框架回顾.mp4
│  │      
│  └─11 基于MASK-RCNN框架训练自己的数据与任务
│          02 使用labelme进行数据与标签标注.mp4
│          03 完成训练数据准备工作.mp4
│          04 maskrcnn源码修改方法.mp4
│          05 基于标注数据训练所需任务.mp4
│          06 测试与展示模块.mp4
│         
├─08 行为识别实战
│  ├─01 slowfast算法知识点通俗解读
│  │      01 slowfast核心思想解读.mp4
│  │      02 核心网络结构模块分析.mp4
│  │      03 数据采样曾的作用.mp4
│  │      04 模型网络结构设计.mp4
│  │      05 特征融合模块与总结分析.mp4
│  │      
│  ├─02 slowfast项目环境配置与配置文件
│  │      01 环境基本配置解读.mp4
│  │      02 目录各文件分析.mp4
│  │      03 配置文件作用解读.mp4
│  │      04 测试DEMO演示.mp4
│  │      05 训练所需标签文件说明.mp4
│  │      06 训练所需视频数据准备.mp4
│  │      07 视频数据集切分操作.mp4
│  │      08 完成视频分帧操作.mp4
│  │      
│  ├─03 slowfast源码详细解读
│  │      01 模型所需配置文件参数读取.mp4
│  │      02 数据处理概述.mp4
│  │      03 dataloader数据遍历方法.mp4
│  │      04 数据与标签读取实例.mp4
│  │      05 图像数据所需预处理方法.mp4
│  │      06 slow与fast分别执行采样操作.mp4
│  │      07 分别计算特征图输出结果.mp4
│  │      08 slow与fast特征图拼接操作.mp4
│  │      09 resnetBolock操作.mp4
│  │      10 RoiAlign与输出层.mp4
│  │      
│  ├─04 基于3D卷积的视频分析与动作识别
│  │      01 3D卷积原理解读.mp4
│  │      02 UCF101动作识别数据集简介.mp4
│  │      03 测试效果与项目配置.mp4
│  │      04 视频数据预处理方法.mp4
│  │      05 数据Batch制作方法.mp4
│  │      06 3D卷积网络所涉及模块.mp4
│  │      07 训练网络模型.mp4
│  │      
│  ├─05 视频异常检测算法与元学习
│  │      01 异常检测要解决的问题与数据集介绍.mp4
│  │      02 基本思想与流程分析.mp4
│  │      03 预测与常见问题.mp4
│  │      04 Meta-Learn要解决的问题.mp4
│  │      05 学习能力与参数定义.mp4
│  │      06 如何找到合适的初始化参数.mp4
│  │      07 MAML算法流程解读.mp4
│  │      
│  └─06 视频异常检测CVPR2021论文及其源码解读
│          01 论文概述与环境配置.mp4
│          02 数据集配置与读取.mp4
│          03 模型编码与解码结构.mp4
│          04 注意力机制模块打造.mp4
│          05 损失函数的目的.mp4
│          06 特征图生成.mp4
│          07 MetaLearn与输出.mp4
│         
├─09 2022论文必备-Transformer实战系列
│  ├─01 课程介绍
│  │      01 课程介绍.mp4
│  │      
│  ├─02 自然语言处理通用框架BERT原理解读
│  │      01 BERT任务目标概述.mp4
│  │      02 传统解决方案遇到的问题.mp4
│  │      03 注意力机制的作用.mp4
│  │      04 self-attention计算方法.mp4
│  │      05 特征分配与softmax机制.mp4
│  │      06 Multi-head的作用.mp4
│  │      07 位置编码与多层堆叠.mp4
│  │      08 transformer整体架构梳理.mp4
│  │      09 BERT模型训练方法.mp4
│  │      10 训练实例.mp4
│  │      
│  ├─03 Transformer在视觉中的应用VIT算法
│  │      01 transformer发家史介绍.mp4
│  │      02 对图像数据构建patch序列.mp4
│  │      03 VIT整体架构解读.mp4
│  │      04 CNN遇到的问题与窘境.mp4
│  │      05 计算公式解读.mp4
│  │      06 位置编码与TNT模型.mp4
│  │      07 TNT模型细节分析.mp4
│  │      
│  ├─04 VIT算法模型源码解读
│  │      01 项目配置说明.mp4
│  │      02 输入序列构建方法解读.mp4
│  │      03 注意力机制计算.mp4
│  │      04 输出层计算结果.mp4
│  │      
│  ├─05 swintransformer算法原理解析
│  │      01 swintransformer整体概述.mp4
│  │      02 要解决的问题及其优势分析.mp4
│  │      03 一个block要完成的任务.mp4
│  │      04 获取各窗口输入特征.mp4
│  │      05 基于窗口的注意力机制解读.mp4
│  │      06 窗口偏移操作的实现.mp4
│  │      07 偏移细节分析及其计算量概述.mp4
│  │      08 整体网络架构整合.mp4
│  │      09 下采样操作实现方法.mp4
│  │      10 分层计算方法.mp4
│  │      
│  ├─06 swintransformer源码解读
│  │      01 数据与环境配置解读.mp4
│  │      02 图像数据patch编码.mp4
│  │      03 数据按window进行划分计算.mp4
│  │      04 基础attention计算模块.mp4
│  │      05 窗口位移模块细节分析.mp4
│  │      06 patchmerge下采样操作.mp4
│  │      07 各block计算方法解读.mp4
│  │      08 输出层概述.mp4
│  │      
│  ├─07 基于Transformer的detr目标检测算法
│  │      01 DETR目标检测基本思想解读.mp4
│  │      02 整体网络架构分析.mp4
│  │      03 位置信息初始化query向量.mp4
│  │      04 注意力机制的作用方法.mp4
│  │      05 训练过程的策略.mp4
│  │      
│  ├─08 detr目标检测源码解读
│  │      01 项目环境配置解读.mp4
│  │      02 数据处理与dataloader.mp4
│  │      03 位置编码作用分析.mp4
│  │      04 backbone特征提取模块.mp4
│  │      05 mask与编码模块.mp4
│  │      06 编码层作用方法.mp4
│  │      07 Decoder层操作与计算.mp4
│  │      08 输出预测结果.mp4
│  │      
│  ├─09 MedicalTrasnformer论文解读
│  │      01 论文整体分析.mp4
│  │      02 核心思想分析.mp4
│  │      03 网络结构计算流程概述.mp4
│  │      04 论文公式计算分析.mp4
│  │      05 位置编码的作用与效果.mp4
│  │      06 拓展应用分析.mp4
│  │      
│  ├─10 MedicalTransformer源码解读
│  │      01 项目环境配置.mp4
│  │      02 医学数据介绍与分析.mp4
│  │      03 基本处理操作.mp4
│  │      04 AxialAttention实现过程.mp4
│  │      05 位置编码向量解读.mp4
│  │      06 注意力计算过程与方法.mp4
│  │      07 局部特征提取与计算.mp4
│  │      
│  ├─11 商汤LoFTR算法解读
│  │      01 特征匹配的应用场景.mp4
│  │      02 特征匹配的基本流程分析.mp4
│  │      03 整体流程梳理分析.mp4
│  │      04 CrossAttention的作用与效果.mp4
│  │      05 transformer构建匹配特征.mp4
│  │      06 粗粒度匹配过程与作用.mp4
│  │      07 特征图拆解操作.mp4
│  │      08 细粒度匹配的作用与方法.mp4
│  │      09 基于期望预测最终位置.mp4
│  │      10 总结分析.mp4
│  │      
│  ├─12 局部特征关键点匹配实战
│  │      01 项目与参数配置解读.mp4
│  │      02 DEMO效果演示.mp4
│  │      03 backbone特征提取模块.mp4
│  │      04 注意力机制的作用与效果分析.mp4
│  │      05 特征融合模块实现方法.mp4
│  │      06 cross关系计算方法实例.mp4
│  │      07 粗粒度匹配过程.mp4
│  │      08 完成基础匹配模块.mp4
│  │      09 精细化调整方法与实例.mp4
│  │      10 得到精细化输出结果.mp4
│  │      11 通过期望计算最终输出.mp4
│  │      
│  ├─13 项目补充-谷歌开源项目BERT源码解读与应用实例
│  │      01 BERT开源项目简介.mp4
│  │      02 项目参数配置.mp4
│  │      03 数据读取模块.mp4
│  │      04 数据预处理模块.mp4
│  │      05 tfrecord制作.mp4
│  │      06 Embedding层的作用.mp4
│  │      07 加入额外编码特征.mp4
│  │      08 加入位置编码特征.mp4
│  │      09 mask机制的作用.mp4
│  │      10 构建QKV矩阵.mp4
│  │      11 完成Transformer模块构建.mp4
│  │      12 训练BERT模型.mp4
│  │      
│  └─14 项目补充-基于BERT的中文情感分析实战
│          01 中文分类数据与任务概述.mp4
│          02 读取处理自己的数据集.mp4
│          03 训练BERT中文分类模型.mp4
│         
├─10 图神经网络实战
│  ├─01 图神经网络基础
│  │      01 图神经网络应用领域分析.mp4
│  │      02 图基本模块定义.mp4
│  │      03 邻接矩阵的定义.mp4
│  │      04 GNN中常见任务.mp4
│  │      05 消息传递计算方法.mp4
│  │      06 多层GCN的作用.mp4
│  │      
│  ├─02 图卷积GCN模型
│  │      01 GCN基本模型概述.mp4
│  │      02 图卷积的基本计算方法.mp4
│  │      03 邻接的矩阵的变换.mp4
│  │      04 GCN变换原理解读.mp4
│  │      
│  ├─03 图模型必备神器PyTorch Geometric安装与使用
│  │      01 PyTorch Geometric工具包安装与配置方法.mp4
│  │      02 数据集与邻接矩阵格式.mp4
│  │      03 模型定义与训练方法.mp4
│  │      04 文献引用数据集分类案例实战.mp4
│  │      
│  ├─04 使用PyTorch Geometric构建自己的图数据集
│  │      01 构建数据集基本方法.mp4
│  │      02 数据集与任务背景概述.mp4
│  │      03 数据集基本预处理.mp4
│  │      04 用户行为图结构创建.mp4
│  │      05 数据集创建函数介绍.mp4
│  │      06 网络结构定义模块.mp4
│  │      07 TopkPooling进行下采样任务.mp4
│  │      08 获取全局特征.mp4
│  │      09 模型训练与总结.mp4
│  │      
│  ├─05 图注意力机制与序列图模型
│  │      01 图注意力机制的作用与方法.mp4
│  │      02 邻接矩阵计算图Attention.mp4
│  │      03 序列图神经网络TGCN应用.mp4
│  │      04 序列图神经网络细节.mp4
│  │      
│  ├─06 图相似度论文解读
│  │      01 要完成的任务分析.mp4
│  │      02 基本方法概述解读.mp4
│  │      03 图模型提取全局与局部特征.mp4
│  │      04 NTN模块的作用与效果.mp4
│  │      05 点之间的对应关系计算.mp4
│  │      06 结果输出与总结.mp4
│  │      
│  ├─07 图相似度计算实战
│  │      01 数据集与任务概述.mp4
│  │      02 图卷积特征提取模块.mp4
│  │      03 分别计算不同Batch点的分布.mp4
│  │      04 获得直方图特征结果.mp4
│  │      05 图的全局特征构建.mp4
│  │      06 NTN图相似特征提取.mp4
│  │      07 预测得到相似度结果.mp4
│  │      
│  ├─08 基于图模型的轨迹估计
│  │      01 数据集与标注信息解读.mp4
│  │      02 整体三大模块分析.mp4
│  │      03 特征工程的作用与效果.mp4
│  │      04 传统方法与现在向量空间对比.mp4
│  │      05 输入细节分析.mp4
│  │      06 子图模块构建方法.mp4
│  │      07 特征融合模块分析.mp4
│  │      08 VectorNet输出层分析.mp4
│  │      
│  └─09 图模型轨迹估计实战
│          01 数据与环境配置.mp4
│          02 训练数据准备.mp4
│          03 Agent特征提取方法.mp4
│          04 DataLoader构建图结构.mp4
│          05 SubGraph与Attention模型流程.mp4
│         
├─11 3D点云实战
│  ├─01 3D点云实战 3D点云应用领域分析
│  │      01 点云数据概述.mp4
│  │      02 点云应用领域与发展分析.mp4
│  │      03 点云分割任务.mp4
│  │      04 点云补全任务.mp4
│  │      05 点云检测与配准任务.mp4
│  │      06 点云数据特征提取概述与预告.mp4
│  │      
│  ├─02 3D点云PointNet算法
│  │      01 3D数据应用领域与点云介绍.mp4
│  │      02 点云数据可视化展示.mp4
│  │      03 点云数据特性和及要解决的问题.mp4
│  │      04 PointNet算法出发点解读.mp4
│  │      05 PointNet算法网络架构解读.mp4
│  │      
│  ├─03 PointNet++算法解读
│  │      01 PointNet升级版算法要解决的问题.mp4
│  │      02 最远点采样方法.mp4
│  │      03 分组Group方法原理解读.mp4
│  │      04 整体流程概述分析.mp4
│  │      05 分类与分割问题解决方案.mp4
│  │      06 遇到的问题及改进方法分析.mp4
│  │      
│  ├─04 Pointnet++项目实战
│  │      01 项目文件概述.mp4
│  │      02 数据读取模块配置.mp4
│  │      03 DEBUG解读网络模型架构.mp4
│  │      04 最远点采样介绍.mp4
│  │      05 采样得到中心点.mp4
│  │      06 组区域划分方法.mp4
│  │      07 实现group操作得到各中心簇.mp4
│  │      08 特征提取模块整体流程.mp4
│  │      09 预测结果输出模块.mp4
│  │      10 分类任务总结.mp4
│  │      11 分割任务数据与配置概述.mp4
│  │      12 分割需要解决的任务概述.mp4
│  │      13 上采样完成分割任务.mp4
│  │      
│  ├─05 点云补全PF-Net论文解读
│  │      01 点云补全要解决的问题.mp4
│  │      02 基本解决方案概述.mp4
│  │      03 整体网络概述.mp4
│  │      04 网络计算流程.mp4
│  │      05 输入与计算结果.mp4
│  │      
│  ├─06 点云补全实战解读
│  │      01 数据与项目配置解读.mp4
│  │      02 待补全数据准备方法.mp4
│  │      03 整体框架概述.mp4
│  │      04 MRE特征提取模块.mp4
│  │      05 分层预测输出模块.mp4
│  │      06 补全点云数据.mp4
│  │      07 判别模块.mp4
│  │      
│  ├─07 点云配准及其案例实战
│  │      01 点云配准任务概述.mp4
│  │      02 配准要完成的目标解读.mp4
│  │      03 训练数据构建.mp4
│  │      04 任务基本流程.mp4
│  │      05 数据源配置方法.mp4
│  │      06 参数计算模块解读.mp4
│  │      07 基于模型预测输出参数.mp4
│  │      08 特征构建方法分析.mp4
│  │      09 任务总结.mp4
│  │      
│  └─08 基础补充-对抗生成网络架构原理与实战解析
│          02 GAN网络组成.mp4
│         
├─12 目标追踪与姿态估计实战
│  ├─01 课程介绍
│  │      01 课程介绍.mp4
│  │      
│  ├─02 姿态估计OpenPose系列算法解读
│  │      01 姿态估计要解决的问题分析.mp4
│  │      02 姿态估计应用领域概述.mp4
│  │      03 传统topdown方法的问题.mp4
│  │      04 要解决的两个问题分析.mp4
│  │      05 基于高斯分布预测关键点位置.mp4
│  │      06 各模块输出特征图解读.mp4
│  │      07 PAF向量登场.mp4
│  │      08 PAF标签设计方法.mp4
│  │      09 预测时PAF积分计算方法.mp4
│  │      10 匹配方法解读.mp4
│  │      11 CPM模型特点.mp4
│  │      12 算法流程与总结.mp4
│  │      
│  ├─03 OpenPose算法源码分析
│  │      01 数据集与路径配置解读.mp4
│  │      02 读取图像与标注信息.mp4
│  │      03 关键点与躯干特征图初始化.mp4
│  │      04 根据关键点位置设计关键点标签.mp4
│  │      05 准备构建PAF躯干标签.mp4
│  │      06 各位置点归属判断.mp4
│  │      07 特征图各点累加向量计算.mp4
│  │      08 完成PAF特征图制作.mp4
│  │      09 网络模型一阶段输出.mp4
│  │      10 多阶段输出与预测.mp4
│  │      
│  ├─04 deepsort算法知识点解读
│  │      01 卡尔曼滤波通俗解释.mp4
│  │      02 卡尔曼滤波要完成的任务.mp4
│  │      03 任务本质分析.mp4
│  │      04 基于观测值进行最优估计.mp4
│  │      05 预测与更新操作.mp4
│  │      06 追踪中的状态量.mp4
│  │      07 匈牙利匹配算法概述.mp4
│  │      08 匹配小例子分析.mp4
│  │      09 REID特征的作用.mp4
│  │      10 sort与deepsort建模流程分析.mp4
│  │      11 预测与匹配流程解读.mp4
│  │      12 追踪任务流程拆解.mp4
│  │      
│  ├─05 deepsort源码解读
│  │      01 项目环境配置.mp4
│  │      02 参数与DEMO演示.mp4
│  │      03 针对检测结果初始化track.mp4
│  │      04 对track执行预测操作.mp4
│  │      05 状态量预测结果.mp4
│  │      06 IOU代价矩阵计算.mp4
│  │      07 参数更新操作.mp4
│  │      08 级联匹配模块.mp4
│  │      09 ReID特征代价矩阵计算.mp4
│  │      10 匹配结果与总结.mp4
│  │      
│  ├─06 YOLO-V4版本算法解读
│  │      02 V4版本贡献解读.mp4
│  │      06 CIOU损失函数定义.mp4
│  │      
│  └─08 V5项目工程源码解读
│          13 1-SPP层计算细节分析.mp4
│         
├─13 面向深度学习的无人驾驶实战
│  ├─01 深度估计算法原理解读
│  │      01 深度估计效果与应用.mp4
│  │      02 kitti数据集介绍.mp4
│  │      03 使用backbone获取层级特征.mp4
│  │      04 差异特征计算边界信息.mp4
│  │      05 SPP层的作用.mp4
│  │      06 空洞卷积与ASPP.mp4
│  │      07 特征拼接方法分析.mp4
│  │      08 网络coarse-to-fine过程.mp4
│  │      09 权重参数预处理.mp4
│  │      10 损失计算.mp4
│  │      
│  ├─02 深度估计项目实战
│  │      01 项目环境配置解读.mp4
│  │      02 数据与标签定义方法.mp4
│  │      03 数据集dataloader制作.mp4
│  │      04 使用backbone进行特征提取.mp4
│  │      05 计算差异特征.mp4
│  │      06 权重参数标准化操作.mp4
│  │      07 网络结构ASPP层.mp4
│  │      08 特征拼接方法解读.mp4
│  │      09 输出深度估计结果.mp4
│  │      10 损失函数通俗解读.mp4
│  │      11 模型DEMO输出结果.mp4
│  │      
│  ├─03 车道线检测算法与论文解读
│  │      01 数据标签与任务分析.mp4
│  │      02 网络整体框架分析.mp4
│  │      03 输出结果分析.mp4
│  │      04 损失函数计算方法.mp4
│  │      05 论文概述分析.mp4
│  │      
│  ├─04 基于深度学习的车道线检测项目实战
│  │      01 车道数据与标签解读.mp4
│  │      02 项目环境配置演示.mp4
│  │      03 制作数据集dataloader.mp4
│  │      04 车道线标签数据处理.mp4
│  │      05 四条车道线标签位置矩阵.mp4
│  │      06 grid设置方法.mp4
│  │      07 完成数据与标签制作.mp4
│  │      08 算法网络结构解读.mp4
│  │      09 损失函数计算模块分析.mp4
│  │      10 车道线规则损失函数限制.mp4
│  │      11 DEMO制作与配置.mp4
│  │      
│  ├─06 局部特征关键点匹配实战
│  │      02 DEMO效果演示.mp4
│  │      03 backbone特征提取模块.mp4
│  │      04 注意力机制的作用与效果分析.mp4
│  │      05 特征融合模块实现方法.mp4
│  │      06 cross关系计算方法实例.mp4
│  │      09 精细化调整方法与实例.mp4
│  │      10 得到精细化输出结果.mp4
│  │      
│  ├─07 三维重建应用与坐标系基础
│  │      01 三维重建概述分析.mp4
│  │      02 三维重建应用领域概述.mp4
│  │      03 成像方法概述.mp4
│  │      04 相机坐标系.mp4
│  │      05 坐标系转换方法解读.mp4
│  │      06 相机内外参.mp4
│  │      07 通过内外参数进行坐标变换.mp4
│  │      08 相机标定简介.mp4
│  │      
│  ├─08 NeuralRecon算法解读
│  │      01 任务流程分析.mp4
│  │      02 基本框架熟悉.mp4
│  │      03 特征映射方法解读.mp4
│  │      04 片段融合思想.mp4
│  │      05 整体架构重构方法.mp4
│  │      
│  ├─09 NeuralRecon项目环境配置
│  │      01 数据集下载与配置方法.mp4
│  │      02 Scannet数据集内容概述.mp4
│  │      03 TSDF标签生成方法.mp4
│  │      04 ISSUE的作用.mp4
│  │      05 完成依赖环境配置.mp4
│  │      
│  ├─10 NeuralRecon项目源码解读
│  │      01 Backbone得到特征图.mp4
│  │      02 初始化体素位置.mp4
│  │      03 坐标映射方法实现.mp4
│  │      04 得到体素所对应特征图.mp4
│  │      05 插值得到对应特征向量.mp4
│  │      06 得到一阶段输出结果.mp4
│  │      07 完成三个阶段预测结果.mp4
│  │      08 项目总结.mp4
│  │      
│  ├─11 TSDF算法与应用
│  │      01 TSDF整体概述分析.mp4
│  │      02 合成过程DEMO演示.mp4
│  │      03 布局初始化操作.mp4
│  │      04 TSDF计算基本流程解读.mp4
│  │      05 坐标转换流程分析.mp4
│  │      06 输出结果融合更新.mp4
│  │      
│  ├─12 TSDF实战案例
│  │      01 环境配置概述.mp4
│  │      02 初始化与数据读取.mp4
│  │      03 计算得到TSDF输出.mp4
│  │      
│  ├─14 轨迹估计预测实战
│  │      01 数据与环境配置.mp4
│  │      02 训练数据准备.mp4
│  │      03 Agent特征提取方法.mp4
│  │      04 DataLoader构建图结构.mp4
│  │      05 SubGraph与Attention模型流程.mp4
│  │      
│  └─15 特斯拉无人驾驶解读
│          01 特斯拉无人驾驶解读.mp4
│         
├─14 对比学习与多模态任务实战
│  ├─01 对比学习算法与实例
│  │      01 对比学习算法与实例.mp4
│  │      
│  └─04 多模态文字识别
│          01 多模态文字识别.mp4
│         
├─15 缺陷检测实战
│  ├─01 课程介绍
│  │      01 课程介绍.mp4
│  │      
│  ├─02 物体检框架YOLO-V4版本算法解读
│  │      01 源码【内有百度云地址,自取】.txt
│  │      02 V4版本贡献解读.mp4
│  │      06 CIOU损失函数定义.mp4
│  │      
│  ├─04 物体检测框架YOLOV5项目工程源码解读
│  │      14 Head层流程解读.mp4
│  │      
│  ├─05 基于YOLOV5的钢材缺陷检测实战
│  │      01 任务需求与项目概述.mp4
│  │      02 数据与标签配置方法.mp4
│  │      03 标签转换格式脚本制作.mp4
│  │      04 各版本模型介绍分析.mp4
│  │      05 项目参数配置.mp4
│  │      06 缺陷检测模型训练.mp4
│  │      07 输出结果与项目总结.mp4
│  │      
│  ├─06 Semi-supervised布料缺陷检测实战
│  │      01 任务目标与流程概述.mp4
│  │      02 论文思想与模型分析.mp4
│  │      03 项目配置解读.mp4
│  │      04 网络流程分析.mp4
│  │      05 输出结果展示.mp4
│  │      
│  ├─07 Opencv图像常用处理方法实例
│  │      06 图像阈值.mp4
│  │      07 图像平滑处理.mp4
│  │      08 高斯与中值滤波.mp4
│  │      10 膨胀操作.mp4
│  │      11 开运算与闭运算.mp4
│  │      12 梯度计算.mp4
│  │      
│  ├─09 Opencv轮廓检测与直方图
│  │      03 轮廓检测方法.mp4
│  │      04 轮廓检测结果.mp4
│  │      05 轮廓特征与近似.mp4
│  │      06 模板匹配方法.mp4
│  │      07 匹配效果展示.mp4
│  │      11 傅里叶概述.mp4
│  │      12 频域变换结果.mp4
│  │      13 低通与高通滤波.mp4
│  │      
│  ├─10 基于Opencv缺陷检测项目实战
│  │      01 任务需求与环境配置.mp4
│  │      02 数据读取与基本处理.mp4
│  │      03 缺陷形态学操作.mp4
│  │      04 整体流程解读.mp4
│  │      05 缺陷检测效果演示.mp4
│  │      
│  ├─11 基于视频流水线的Opencv缺陷检测项目
│  │      01 数据与任务概述.mp4
│  │      02 视频数据读取与轮廓检测.mp4
│  │      03 目标质心计算.mp4
│  │      04 视频数据遍历方法.mp4
│  │      05 缺陷区域提取.mp4
│  │      06 不同类型的缺陷检测方法.mp4
│  │      07 检测效果演示.mp4
│  │      
│  └─14 Deeplab铁质材料缺陷检测与开源项目应用流程
│          01 数据集与任务概述.mp4
│          02 开源项目应用方法.mp4
│          03 github与kaggle中需要注意的点.mp4
│          04 源码的利用方法.mp4
│          04 源码的利用方法_ev.mp4
│          05 数据集制作方法.mp4
│          06 数据路径配置.mp4
│          07 训练模型.mp4
│          08 任务总结.mp4
│         
├─16 行人重识别实战
│  ├─01 行人重识别原理及其应用
│  │      01 行人重识别要解决的问题.mp4
│  │      02 挑战与困难分析.mp4
│  │      03 评估标准rank1指标.mp4
│  │      04 map值计算方法.mp4
│  │      05 triplet损失计算实例.mp4
│  │      06 Hard-Negative方法应用.mp4
│  │      
│  ├─02 基于注意力机制的Reld模型论文解读
│  │      01 论文整体思想及注意力机制的作用解读.mp4
│  │      02 空间权重值计算流程分析.mp4
│  │      03 融合空间注意力所需特征.mp4
│  │      04 基于特征图的注意力计算.mp4
│  │      
│  ├─03 基于Attention的行人重识别项目实战
│  │      01 项目环境与数据集配置.mp4
│  │      02 参数配置与整体架构分析.mp4
│  │      03 进入debug模式解读网络计算流程.mp4
│  │      04 获得空间位置点之间的关系.mp4
│  │      05 组合关系特征图.mp4
│  │      06 计算得到位置权重值.mp4
│  │      07 基于特征图的权重计算.mp4
│  │      08 损失函数计算实例解读.mp4
│  │      09 训练与测试模块演示.mp4
│  │      
│  ├─04 AAAI2020顶会算法精讲
│  │      01 论文整体框架概述.mp4
│  │      02 局部特征与全局关系计算方法.mp4
│  │      03 特征分组方法.mp4
│  │      04 GCP模块特征融合方法.mp4
│  │      05 oneVsReset方法实例.mp4
│  │      06 损失函数应用位置.mp4
│  │      
│  ├─05 项目实战-基于行人局部特征融合的再识别实战
│  │      01 项目配置与数据集介绍.mp4
│  │      02 数据源构建方法分析.mp4
│  │      03 dataloader加载顺序解读.mp4
│  │      04 debug模式解读.mp4
│  │      05 网络计算整体流程演示.mp4
│  │      06 特征序列构建.mp4
│  │      07 GCP全局特征提取.mp4
│  │      08 局部特征提取实例.mp4
│  │      09 特征组合汇总.mp4
│  │      10 得到所有分组特征结果.mp4
│  │      11 损失函数与训练过程演示.mp4
│  │      12 测试与验证模块.mp4
│  │      
│  ├─06 旷视研究院最新算法解读(基于图模型)
│  │      01 关键点位置特征构建.mp4
│  │      02 图卷积与匹配的作用.mp4
│  │      03 局部特征热度图计算.mp4
│  │      04 基于图卷积构建人体拓扑关系.mp4
│  │      05 图卷积模块实现方法.mp4
│  │      06 图匹配在行人重识别中的作用.mp4
│  │      07 整体算法框架分析.mp4
│  │      
│  └─07 基于拓扑图的行人重识别项目实战
│          01 数据集与环境配置概述.mp4
│          02 局部特征准备方法.mp4
│          03 得到一阶段热度图结果.mp4
│          04 阶段监督训练.mp4
│          05 初始化图卷积模型.mp4
│          06 mask矩阵的作用.mp4
│          07 邻接矩阵学习与更新.mp4
│          08 基于拓扑结构组合关键点特征.mp4
│          09 图匹配模块计算流程.mp4
│          10 整体项目总结.mp4
│         
├─17 对抗生成网络实战
│  ├─01 课程介绍
│  │      01 课程介绍.mp4
│  │      
│  ├─02 对抗生成网络架构原理与实战解析
│  │      01 对抗生成网络通俗解释.mp4
│  │      02 GAN网络组成.mp4
│  │      03 损失函数解释说明.mp4
│  │      04 数据读取模块.mp4
│  │      05 生成与判别网络定义.mp4
│  │      
│  ├─03 基于CycleGan开源项目实战图像合成
│  │      01 CycleGan网络所需数据.mp4
│  │      02 CycleGan整体网络架构.mp4
│  │      03 PatchGan判别网络原理.mp4
│  │      04 Cycle开源项目简介.mp4
│  │      05 数据读取与预处理操作.mp4
│  │      06 生成网络模块构造.mp4
│  │      07 判别网络模块构造.mp4
│  │      08 损失函数:identity loss计算方法.mp4
│  │      09 生成与判别损失函数指定.mp4
│  │      10 额外补充:VISDOM可视化配置.mp4
│  │      
│  ├─04 stargan论文架构解析
│  │      01 stargan效果演示分析.mp4
│  │      02 网络架构整体思路解读.mp4
│  │      03 建模流程分析.mp4
│  │      04 V1版本存在的问题及后续改进思路.mp4
│  │      05 V2版本在整体网络架构.mp4
│  │      06 编码器训练方法.mp4
│  │      07 损失函数公式解析.mp4
│  │      08 训练过程分析.mp4
│  │      
│  ├─05 stargan项目实战及其源码解读
│  │      01 测试模块效果与实验分析.mp4
│  │      02 项目配置与数据源下载.mp4
│  │      03 测试效果演示.mp4
│  │      04 项目参数解析.mp4
│  │      05 生成器模块源码解读.mp4
│  │      06 所有网络模块构建实例.mp4
│  │      07 数据读取模块分析.mp4
│  │      08 判别器损失计算.mp4
│  │      09 损失计算详细过程.mp4
│  │      10 生成模块损失计算.mp4
│  │      
│  ├─06 基于starganvc2的变声器论文原理解读
│  │      01 论文整体思路与架构解读.mp4
│  │      02 VCC2016输入数据.mp4
│  │      03 语音特征提取.mp4
│  │      04 生成器模型架构分析.mp4
│  │      05 InstanceNorm的作用解读.mp4
│  │      06 AdaIn的目的与效果.mp4
│  │      07 判别器模块分析.mp4
│  │      
│  ├─07 starganvc2变声器项目实战及其源码解读
│  │      01 数据与项目文件解读.mp4
│  │      02 环境配置与工具包安装.mp4
│  │      03 数据预处理与声音特征提取.mp4
│  │      04 生成器构造模块解读.mp4
│  │      05 下采样与上采样操作.mp4
│  │      06 starganvc2版本标签输入分析.mp4
│  │      07 生成器前向传播维度变化.mp4
│  │      08 判别器模块解读.mp4
│  │      09 论文损失函数.mp4
│  │      10 源码损失计算流程.mp4
│  │      11 测试模块-生成转换语音.mp4
│  │      
│  ├─08 图像超分辨率重构实战
│  │      01 论文概述.mp4
│  │      02 网络架构.mp4
│  │      03 数据与环境配置.mp4
│  │      04 数据加载与配置.mp4
│  │      05 生成模块.mp4
│  │      06 判别模块.mp4
│  │      07 VGG特征提取网络.mp4
│  │      08 损失函数与训练.mp4
│  │      09 测试模块.mp4
│  │      
│  └─09 基于GAN的图像补全实战
│          01 论文概述.mp4
│          02 网络架构.mp4
│          03 细节设计.mp4
│          04 论文总结.mp4
│          05 数据与项目概述.mp4
│          06 参数基本设计.mp4
│          07 网络结构配置.mp4
│          08 网络迭代训练.mp4
│          09 测试模块.mp4
│         
├─18 强化学习实战系列
│  ├─01 强化学习简介及其应用
│  │      01 一张图通俗解释强化学习.mp4
│  │      02 强化学习的指导依据.mp4
│  │      03 强化学习AI游戏DEMO.mp4
│  │      04 应用领域简介.mp4
│  │      05 强化学习工作流程.mp4
│  │      06 计算机眼中的状态与行为.mp4
│  │      
│  ├─02 PPO算法与公式推导
│  │      01 基本情况介绍.mp4
│  │      02 与环境交互得到所需数据.mp4
│  │      03 要完成的目标分析.mp4
│  │      04 策略梯度推导.mp4
│  │      05 baseline方法.mp4
│  │      06 OnPolicy与OffPolicy策略.mp4
│  │      07 importance sampling的作用.mp4
│  │      08 PPO算法整体思路解析.mp4
│  │      
│  ├─03 PPO实战-月球登陆器训练实例
│  │      01 Critic的作用与效果.mp4
│  │      02 PPO2版本公式解读.mp4
│  │      03 参数与网络结构定义.mp4
│  │      04 得到动作结果.mp4
│  │      05 奖励获得与计算.mp4
│  │      06 参数迭代与更新.mp4
│  │      
│  ├─04 Q-learning与DQN算法
│  │      01 整体任务流程演示.mp4
│  │      02 探索与action获取.mp4
│  │      03 计算target值.mp4
│  │      04 训练与更新.mp4
│  │      05 算法原理通俗解读.mp4
│  │      06 目标函数与公式解析.mp4
│  │      07 Qlearning算法实例解读.mp4
│  │      08 Q值迭代求解.mp4
│  │      09 DQN简介.mp4
│  │      
│  ├─06 DQN改进与应用技巧
│  │      01 DoubleDqn要解决的问题.mp4
│  │      02 DuelingDqn改进方法.mp4
│  │      03 Dueling整体网络架构分析.mp4
│  │      04 MultiSetp策略.mp4
│  │      05 连续动作处理方法.mp4
│  │      
│  ├─07 Actor-Critic算法分析(A3C)
│  │      01 AC算法回顾与知识点总结.mp4
│  │      02 优势函数解读与分析.mp4
│  │      03 计算流程实例.mp4
│  │      04 A3C整体架构分析.mp4
│  │      05 损失函数整理.mp4
│  │      
│  └─08 用A3C玩转超级马里奥
│          01 整体流程与环境配置.mp4
│          02 启动游戏环境.mp4
│          03 要计算的指标回顾.mp4
│          04 初始化局部模型并加载参数.mp4
│          05 与环境交互得到训练数据.mp4
│          06 训练网络模型.mp4
│         
├─19 Openai顶级黑科技算法及其项目实战
│  ├─01 GPT系列生成模型
│  │      01 GPT系列.mp4
│  │      
│  ├─02 GPT建模与预测流程
│  │      01 生成模型可以完成的任务概述.mp4
│  │      02 数据样本生成方法.mp4
│  │      03 训练所需参数解读.mp4
│  │      04 模型训练过程.mp4
│  │      05 部署与网页预测展示.mp4
│  │      
│  ├─03 CLIP系列
│  │      01 CLIP系列.mp4
│  │      
│  ├─04 Diffusion模型解读
│  │      01 Diffusion模型解读.mp4
│  │      
│  ├─05 Dalle2及其源码解读
│  │      01 Dalle2源码解读.mp4
│  │      
│  └─06 ChatGPT
│          01 ChatGPT.mp4
│         
├─20 面向医学领域的深度学习实战
│  ├─01 卷积神经网络原理与参数解读
│  │      01 卷积神经网络应用领域.mp4
│  │      02 卷积的作用.mp4
│  │      03 卷积特征值计算方法.mp4
│  │      04 得到特征图表示.mp4
│  │      05 步长与卷积核大小对结果的影响.mp4
│  │      06 边缘填充方法.mp4
│  │      07 特征图尺寸计算与参数共享.mp4
│  │      08 池化层的作用.mp4
│  │      09 整体网络架构.mp4
│  │      10 VGG网络架构.mp4
│  │      11 残差网络Resnet.mp4
│  │      12 感受野的作用.mp4
│  │      
│  ├─02 PyTorch框架基本处理操作
│  │      01 PyTorch实战课程简介.mp4
│  │      02 PyTorch框架发展趋势简介.mp4
│  │      03 框架安装方法(CPU与GPU版本).mp4
│  │      04 PyTorch基本操作简介.mp4
│  │      05 自动求导机制.mp4
│  │      06 线性回归DEMO-数据与参数配置.mp4
│  │      07 线性回归DEMO-训练回归模型.mp4
│  │      08 补充:常见tensor格式.mp4
│  │      09 补充:Hub模块简介.mp4
│  │      
│  ├─03 PyTorch框架必备核心模块解读
│  │      01 卷积网络参数定义.mp4
│  │      02 网络流程解读.mp4
│  │      03 Vision模块功能解读.mp4
│  │      04 分类任务数据集定义与配置.mp4
│  │      05 图像增强的作用.mp4
│  │      06 数据预处理与数据增强模块.mp4
│  │      07 Batch数据制作.mp4
│  │      08 迁移学习的目标.mp4
│  │      09 迁移学习策略.mp4
│  │      10 加载训练好的网络模型.mp4
│  │      11 优化器模块配置.mp4
│  │      12 实现训练模块.mp4
│  │      13 训练结果与模型保存.mp4
│  │      14 加载模型对测试数据进行预测.mp4
│  │      15 额外补充-Resnet论文解读.mp4
│  │      16 额外补充-Resnet网络架构解读.mp4
│  │      
│  ├─04 基于Resnet的医学数据集分类实战
│  │      01 医学疾病数据集介绍.mp4
│  │      02 Resnet网络架构原理分析.mp4
│  │      03 dataloader加载数据集.mp4
│  │      04 Resnet网络前向传播.mp4
│  │      05 残差网络的shortcut操作.mp4
│  │      06 特征图升维与降采样操作.mp4
│  │      07 网络整体流程与训练演示.mp4
│  │      
│  ├─05 图像分割及其损失函数概述
│  │      01 语义分割与实例分割概述.mp4
│  │      02 分割任务中的目标函数定义.mp4
│  │      03 MIOU评估标准.mp4
│  │      
│  ├─06 Unet系列算法讲解
│  │      01 Unet网络编码与解码过程.mp4
│  │      02 网络计算流程.mp4
│  │      03 Unet升级版本改进.mp4
│  │      04 后续升级版本介绍.mp4
│  │      
│  ├─07 unet医学细胞分割实战
│  │      01 医学细胞数据集介绍与参数配置.mp4
│  │      02 数据增强工具.mp4
│  │      03 Debug模式演示网络计算流程.mp4
│  │      04 特征融合方法演示.mp4
│  │      05 迭代完成整个模型计算任务.mp4
│  │      06 模型效果验证.mp4
│  │      
│  ├─08 deeplab系列算法
│  │      01 deeplab分割算法概述.mp4
│  │      02 空洞卷积的作用.mp4
│  │      03 感受野的意义.mp4
│  │      04 SPP层的作用.mp4
│  │      05 ASPP特征融合策略.mp4
│  │      06 deeplabV3Plus版本网络架构.mp4
│  │      
│  ├─09 基于deeplabV3+版本进行VOC分割实战
│  │      01 PascalVoc数据集介绍.mp4
│  │      02 项目参数与数据集读取.mp4
│  │      03 网络前向传播流程.mp4
│  │      04 ASPP层特征融合.mp4
│  │      05 分割模型训练.mp4
│  │      
│  ├─10 基于deeplab的心脏视频数据诊断分析
│  │      01 数据集与任务概述.mp4
│  │      02 项目基本配置参数.mp4
│  │      03 任务流程解读.mp4
│  │      04 文献报告分析.mp4
│  │      05 补充:视频数据源特征处理方法概述.mp4
│  │      06 补充:R(2plus1)D处理方法分析.mp4
│  │      
│  ├─11 YOLO系列物体检测算法原理解读
│  │      01 检测任务中阶段的意义.mp4
│  │      02 不同阶段算法优缺点分析.mp4
│  │      03 IOU指标计算.mp4
│  │      04 评估所需参数计算.mp4
│  │      05 map指标计算.mp4
│  │      06 YOLO算法整体思路解读.mp4
│  │      07 检测算法要得到的结果.mp4
│  │      08 整体网络架构解读.mp4
│  │      09 位置损失计算.mp4
│  │      10 置信度误差与优缺点分析.mp4
│  │      11 V2版本细节升级概述.mp4
│  │      12 网络结构特点.mp4
│  │      13 架构细节解读.mp4
│  │      14 基于聚类来选择先验框尺寸.mp4
│  │      15 偏移量计算方法.mp4
│  │      16 坐标映射与还原.mp4
│  │      17 感受野的作用.mp4
│  │      18 特征融合改进.mp4
│  │      19 V3版本改进概述.mp4
│  │      20 多scale方法改进与特征融合.mp4
│  │      21 经典变换方法对比分析.mp4
│  │      22 残差连接方法解读.mp4
│  │      23 整体网络模型架构分析.mp4
│  │      24 先验框设计改进.mp4
│  │      25 sotfmax层改进.mp4
│  │      26 V4版本整体概述.mp4
│  │      27 V4版本贡献解读.mp4
│  │      28 数据增强策略分析.mp4
│  │      29 DropBlock与标签平滑方法.mp4
│  │      30 损失函数遇到的问题.mp4
│  │      31 CIOU损失函数定义.mp4
│  │      32 NMS细节改进.mp4
│  │      33 SPP与CSP网络结构.mp4
│  │      34 SAM注意力机制模块.mp4
│  │      35 PAN模块解读.mp4
│  │      36 激活函数与整体架构总结.mp4
│  │      
│  ├─12 基于YOLO5细胞检测实战
│  │      01 任务与细胞数据集介绍.mp4
│  │      02 模型与算法配置参数解读.mp4
│  │      03 网络训练流程演示.mp4
│  │      04 效果评估与展示.mp4
│  │      05 细胞检测效果演示.mp4
│  │      
│  ├─13 知识图谱原理解读
│  │      01 知识图谱通俗解读.mp4
│  │      02 知识图谱在搜索引擎中的应用.mp4
│  │      03 知识图谱在医疗领域应用实例.mp4
│  │      04 金融与推荐领域的应用.mp4
│  │      05 数据获取分析.mp4
│  │      06 数据关系抽取分析.mp4
│  │      07 常用NLP技术点分析.mp4
│  │      08 graph-embedding的作用与效果.mp4
│  │      09 金融领域图编码实例.mp4
│  │      10 视觉领域图编码实例.mp4
│  │      11 图谱知识融合与总结分析.mp4
│  │      
│  ├─14 Neo4j数据库实战
│  │      01 Neo4j图数据库介绍.mp4
│  │      02 Neo4j数据库安装流程演示.mp4
│  │      03 可视化例子演示.mp4
│  │      04 创建与删除操作演示.mp4
│  │      05 数据库更改查询操作演示.mp4
│  │      
│  ├─15 基于知识图谱的医药问答系统实战
│  │      01 项目概述与整体架构分析.mp4
│  │      02 医疗数据介绍及其各字段含义.mp4
│  │      03 任务流程概述.mp4
│  │      04 环境配置与所需工具包安装.mp4
│  │      05 提取数据中的关键字段信息.mp4
│  │      06 创建关系边.mp4
│  │      07 打造医疗知识图谱模型.mp4
│  │      08 加载所有实体数据.mp4
│  │      09 实体关键词字典制作.mp4
│  │      10 完成对话系统构建.mp4
│  │      
│  ├─16 词向量模型与RNN网络架构
│  │      01 词向量模型通俗解释.mp4
│  │      02 模型整体框架.mp4
│  │      03 训练数据构建.mp4
│  │      04 CBOW与Skip-gram模型.mp4
│  │      05 负采样方案.mp4
│  │      06 额外补充-RNN网络模型解读.mp4
│  │      
│  └─17 医学糖尿病数据命名实体识别
│          01 数据与任务介绍.mp4
│          02 整体模型架构.mp4
│          03 数据-标签-语料库处理.mp4
│          04 输入样本填充补齐.mp4
│          05 训练网络模型.mp4
│          06 医疗数据集(糖尿病)实体识别.mp4
│         
├─21 深度学习模型部署与剪枝优化实战
│  ├─01 AIoT人工智能物联网之认识 jetson nano
│  │      01 jetson nano 硬件介绍.mp4
│  │      02 jetson nano 刷机.mp4
│  │      03 jetson nano 系统安装过程.mp4
│  │      04 感受nano的GPU算力.mp4
│  │      05 安装使用摄像头csi usb.mp4
│  │      
│  ├─02 AIoT人工智能物联网之AI 实战
│  │      01 jetson-inference 入门.mp4
│  │      02 docker 的安装使用.mp4
│  │      03 docker中运行分类模型.mp4
│  │      04 训练自己的目标检测模型准备.mp4
│  │      05 训练出自己目标识别模型a.mp4
│  │      06 训练出自己目标识别模型b.mp4
│  │      07 转换出onnx模型,并使用.mp4
│  │      
│  ├─03 AIoT人工智能物联网之NVIDIA TAO 实用级的训练神器
│  │      01 NVIDIA TAO介绍和安装.mp4
│  │      02 NVIDIA TAO数据准备和环境设置.mp4
│  │      03 NVIDIA TAO数据转换.mp4
│  │      04 NVIDIA TAO预训练模型和训练a.mp4
│  │      05 NVIDIA TAO预训练模型和训练b.mp4
│  │      06 NVIDIA TAO预训练模型和训练c..mp4
│  │      07 TAO 剪枝在训练推理验证.mp4
│  │      
│  ├─04 AIoT人工智能物联网之deepstream
│  │      01 deepstream 介绍安装.mp4
│  │      02 deepstream HelloWorld.mp4
│  │      03 GStreamer RTP和RTSP1.mp4
│  │      04 GStreamer RTP和RTSP2.mp4
│  │      05 python实现RTP和RTSP.mp4
│  │      06 deepstream推理.mp4
│  │      07 deepstream集成yolov4.mp4
│  │      
│  ├─05 tensorRT视频
│  │      01 源码【内有百度云地址,自取】.txt
│  │      01 说在前面.mp4
│  │      02 学习工具环境的介绍,自动环境配置.mp4
│  │      03 cuda驱动API,课程概述和清单.mp4
│  │      04 cuda驱动API,初始化和检查的理解,CUDA错误检查习惯.mp4
│  │      05 cuda驱动API,上下文管理设置,以及其作用.mp4
│  │      06 cuda驱动API,使用驱动API进行内存分配.mp4
│  │      07 cuda运行时API,课程概述和清单.mp4
│  │      08 cuda运行时API,第一个运行时程序,hello-cuda.mp4
│  │      09 cuda运行时API,内存的学习,pinnedmemory,内存效率问题.mp4
│  │      10 cuda运行时API,流的学习,异步任务的管理.mp4
│  │      11 cuda运行时API,核函数的定义和使用.mp4
│  │      12 cuda运行时API,共享内存的学习.mp4
│  │      13 cuda运行时API,使用cuda核函数加速warpaffine.mp4
│  │      14 cuda运行时API,使用cuda核函数加速yolov5的后处理.mp4
│  │      15 cuda运行时API,错误处理的理解以及错误的传播特性.mp4
│  │      16 tensorRT基础,课程概述清单.mp4
│  │      17 tensorRT基础,第一个trt程序,实现模型编译的过程.mp4
│  │      18 tensorRT基础,实现模型的推理过程.mp4
│  │      19 tensorRT基础,模型推理时动态shape的具体实现要点.mp4
│  │      20 tensorRT基础,onnx文件及其结构的学习,编辑修改onnx.mkv.mp4
│  │      21 tensorRT基础,实际模型上onnx文件的各种操作.mp4
│  │      22 tensorRT基础,正确导出onnx的介绍,使得onnx问题尽量少.mp4
│  │      23 tensorRT基础,学习使用onnx解析器来读取onnx文件,使用onnx-tensorrt源代码.mp4
│  │      24 tensorRT基础,学习从下载onnx-tensorrt到配置好并运行起来全过程.mp4
│  │      25 tensorRT基础,学习第一个插件的编写.mp4
│  │      26 tensorRT基础,对插件过程进行封装,并实现更容易的插件开发.mp4
│  │      27 tensorRT基础,学习编译int8模型,对模型进行int8量化.mp4
│  │      28 tensorRT高级,课程概述和清单.mp4
│  │      29 tensorRT高级,第一个完整的分类器程序.mp4
│  │      30 tensorRT高级,学习yolov5目标检测项目的代码修改、模型导出、编译到推理过程,没有封装.mp4
│  │      31 tensorRT高级,学习UNet场景分割项目的代码修改、模型导出、编译到推理过程,没有封装.mp4
│  │      32 tensorRT高级,学习alphapose姿态检测项目的代码修改、模型导出、编译到推理过程,没有封装.mp4
│  │      33 tensorRT高级,学习如何处理mmdetection框架下yolox模型的导出,并使得正常推理出来.mp4
│  │      34 tensorRT高级,学习如何使用onnxruntime进行onnx的模型推理过程.mp4
│  │      35 tensorRT高级,学习如何使用openvino进行onnx的模型推理过程.mp4
│  │      36 tensorRT高级,学习深度学习中涉及的线程知识.mp4
│  │      37 tensorRT高级,学习模型部署时常用的生产者消费者模型,以及future、promise、condition_variable.mkv.mp4
│  │      38 tensorRT高级,学习使用RAII资源获取即初始化配合接口模式对代码进行有效封装.mp4
│  │      39 tensorRT高级,学习RAII 接口模式下的生产者消费者以及多Batch的实现.mp4
│  │      40 tensorRT高级,封装之,模型编译过程封装,简化模型编译代码.mp4
│  │      41 tensorRT高级,封装之,内存管理的封装,内存的复用.mp4
│  │      42 tensorRT高级,封装之,tensor张量的封装,索引计算,内存标记以及自动复制.mp4
│  │      43 tensorRT高级,封装之,infer推理的封装,输入输出tensor的关联.mp4
│  │      44 tensorRT高级,封装之,基于生产者消费者实现的yolov5封装.mp4
│  │      45 tensorRT高级,封装之,终极封装形态,以及考虑的问题.mp4
│  │      46 tensorRT高级,调试方法、思想讨论.mp4
│  │      47 tensorRT高级,自动驾驶案例项目self-driving-道路分割分析.mp4
│  │      48 tensorRT高级,自动驾驶案例项目self-driving-深度估计分析.mp4
│  │      49 tensorRT高级,自动驾驶案例项目self-driving-车道线检测分析.mp4
│  │      50 tensorRT高级,学习使用pybind11为python开发扩展模块.mp4
│  │      
│  ├─06 pyTorch框架部署实践
│  │      01 所需基本环境配置.mp4
│  │      02 模型加载与数据预处理.mp4
│  │      03 接收与预测模块实现.mp4
│  │      04 效果实例演示.mp4
│  │      05 源码【内有百度云地址,自取】.txt
│  │      05 课程简介.mp4
│  │      
│  ├─07 YOLO-V3物体检测部署实例
│  │      01 项目所需配置文件介绍.mp4
│  │      02 加载参数与模型权重.mp4
│  │      03 数据预处理.mp4
│  │      04 返回线性预测结果.mp4
│  │      
│  ├─08 docker实例演示
│  │      01 docker简介.mp4
│  │      02 docker安装与配置.mp4
│  │      03 阿里云镜像配置.mp4
│  │      04 基于docker配置pytorch环境.mp4
│  │      05 安装演示环境所需依赖.mp4
│  │      06 复制所需配置到容器中.mp4
│  │      07 上传与下载配置好的项目.mp4
│  │      
│  ├─09 tensorflow-serving实战
│  │      01 tf-serving项目获取与配置.mp4
│  │      02 加载并启动模型服务.mp4
│  │      03 测试模型部署效果.mp4
│  │      04 fashion数据集获取.mp4
│  │      05 加载fashion模型启动服务.mp4
│  │      
│  ├─10 模型剪枝-Network Slimming算法分析
│  │      01 论文算法核心框架概述.mp4
│  │      02 BatchNorm要解决的问题.mp4
│  │      03 BN的本质作用.mp4
│  │      04 额外的训练参数解读.mp4
│  │      05 稀疏化原理与效果.mp4
│  │      
│  ├─11 模型剪枝-Network Slimming实战解读
│  │      01 整体案例流程解读.mp4
│  │      02 加入L1正则化来进行更新.mp4
│  │      03 剪枝模块介绍.mp4
│  │      04 筛选需要的特征图.mp4
│  │      05 剪枝后模型参数赋值.mp4
│  │      06 微调完成剪枝模型.mp4
│  │      
│  └─12 Mobilenet三代网络模型架构
│          01 模型剪枝分析.mp4
│          02 常见剪枝方法介绍.mp4
│          03 mobilenet简介.mp4
│          04 经典卷积计算量与参数量分析.mp4
│          05 深度可分离卷积的作用与效果.mp4
│          06 参数与计算量的比较.mp4
│          07 V1版本效果分析.mp4
│          08 V2版本改进以及Relu激活函数的问题.mp4
│          09 倒残差结构的作用.mp4
│          10 V2整体架构与效果分析.mp4
│          11 V3版本网络架构分析.mp4
│          12 SE模块作用与效果解读.mp4
│          13 代码实现mobilenetV3网络架构.mp4
│         
├─22 自然语言处理必备神器Huggingface系列实战
│  ├─01 Huggingface与NLP介绍解读
│  │      01 Huggingface与NLP介绍解读.mp4
│  │      
│  ├─02 Transformer工具包基本操作实例解读
│  │      01 工具包与任务整体介绍.mp4
│  │      02 NLP任务常规流程分析.mp4
│  │      03 文本切分方法实例解读.mp4
│  │      04 AttentionMask配套使用方法.mp4
│  │      05 数据集与模型.mp4
│  │      06 数据Dataloader封装.mp4
│  │      07 模型训练所需配置参数.mp4
│  │      08 模型训练DEMO.mp4
│  │      
│  ├─03 transformer原理解读
│  │      01 transformer原理解读.mp4
│  │      
│  ├─04 BERT系列算法解读
│  │      01 BERT模型训练方法解读.mp4
│  │      02 ALBERT基本定义.mp4
│  │      03 ALBERT中的简化方法解读.mp4
│  │      04 RoBerta模型训练方法解读.mp4
│  │      05 DistilBert模型解读.mp4
│  │      
│  ├─05 文本标注工具与NER实例
│  │      01 文本标注工具Doccano配置方法.mp4
│  │      02 命名实体识别任务标注方法实例.mp4
│  │      03 标注导出与BIO处理.mp4
│  │      04 标签处理并完成对齐操作.mp4
│  │      05 预训练模型加载与参数配置.mp4
│  │      06 模型训练与输出结果预测.mp4
│  │      
│  ├─06 文本预训练模型构建实例
│  │      01 预训练模型效果分析.mp4
│  │      02 文本数据截断处理.mp4
│  │      03 预训练模型自定义训练.mp4
│  │      
│  ├─07 GPT系列算法
│  │      01 GPT系列算法概述.mp4
│  │      02 GPT三代版本分析.mp4
│  │      03 GPT初代版本要解决的问题.mp4
│  │      04 GPT第二代版本训练策略.mp4
│  │      05 采样策略与多样性.mp4
│  │      06 GPT3的提示与生成方法.mp4
│  │      07 应用场景CODEX分析.mp4
│  │      08 DEMO应用演示.mp4
│  │      
│  ├─08 GPT训练与预测部署流程
│  │      01 源码【内有百度云地址,自取】.txt
│  │      
│  ├─09 文本摘要建模
│  │      01 中文商城评价数据处理方法.mp4
│  │      01 源码【内有百度云地址,自取】.txt
│  │      02 模型训练与测试结果.mp4
│  │      03 文本摘要数据标注方法.mp4
│  │      04 训练自己标注的数据并测试.mp4
│  │      
│  ├─10 图谱知识抽取实战
│  │      01 应用场景概述分析.mp4
│  │      02 数据标注格式样例分析.mp4
│  │      03 数据处理与读取模块.mp4
│  │      04 实体抽取模块分析.mp4
│  │      05 标签与数据结构定义方法.mp4
│  │      06 模型构建与计算流程.mp4
│  │      07 网络模型前向计算方法.mp4
│  │      08 关系抽取模型训练.mp4
│  │      
│  └─11 补充Huggingface数据集制作方法实例
│          01 数据结构分析.mp4
│          02 Huggingface中的预处理实例.mp4
│          03 数据处理基本流程.mp4
│         
├─23 自然语言处理通用框架-BERT实战
│  ├─01 自然语言处理通用框架BERT原理解读
│  │      01 BERT课程简介.mp4
│  │      02 BERT任务目标概述.mp4
│  │      03 传统解决方案遇到的问题.mp4
│  │      04 注意力机制的作用.mp4
│  │      05 self-attention计算方法.mp4
│  │      06 特征分配与softmax机制.mp4
│  │      07 Multi-head的作用.mp4
│  │      08 位置编码与多层堆叠.mp4
│  │      09 transformer整体架构梳理.mp4
│  │      10 BERT模型训练方法.mp4
│  │      11 训练实例.mp4
│  │      
│  ├─02 谷歌开源项目BERT源码解读与应用实例
│  │      01 BERT开源项目简介.mp4
│  │      02 项目参数配置.mp4
│  │      03 数据读取模块.mp4
│  │      04 数据预处理模块.mp4
│  │      05 tfrecord数据源制作.mp4
│  │      06 Embedding层的作用.mp4
│  │      07 加入额外编码特征.mp4
│  │      08 加入位置编码特征.mp4
│  │      09 mask机制的作用.mp4
│  │      10 构建QKV矩阵.mp4
│  │      11 完成Transformer模块构建.mp4
│  │      12 训练BERT模型.mp4
│  │      
│  ├─03 项目实战-基于BERT的中文情感分析实战
│  │      01 中文分类数据与任务概述.mp4
│  │      02 读取处理自己的数据集.mp4
│  │      03 训练BERT中文分类模型.mp4
│  │      
│  ├─04 项目实战-基于BERT的中文命名实体识别识别实战
│  │      01 命名实体识别数据分析与任务目标.mp4
│  │      02 NER标注数据处理与读取.mp4
│  │      03 构建BERT与CRF模型.mp4
│  │      
│  ├─06 必备基础-掌握Tensorflow如何实现word2vec模型
│  │      01 数据与任务流程.mp4
│  │      02 数据清洗.mp4
│  │      03 batch数据制作.mp4
│  │      04 网络训练.mp4
│  │      05 可视化展示.mp4
│  │      
│  └─07 必备基础知识点-RNN网络架构与情感分析应用实例
│          02 NLP应用领域与任务简介.mp4
│          03 项目流程解读.mp4
│          04 加载词向量特征.mp4
│          05 正负样本数据读取.mp4
│          06 构建LSTM网络模型.mp4
│          07 训练与测试效果.mp4
│          08 LSTM情感分析.mp4
│         
├─24 自然语言处理经典案例实战
│  ├─01 NLP常用工具包实战
│  │      01 Python字符串处理.mp4
│  │      02 正则表达式基本语法.mp4
│  │      03 正则常用符号.mp4
│  │      04 常用函数介绍.mp4
│  │      05 NLTK工具包简介.mp4
│  │      06 停用词过滤.mp4
│  │      07 词性标注.mp4
│  │      08 数据清洗实例.mp4
│  │      09 Spacy工具包.mp4
│  │      10 名字实体匹配.mp4
│  │      11 恐怖袭击分析.mp4
│  │      12 统计分析结果.mp4
│  │      13 结巴分词器.mp4
│  │      14 词云展示.mp4
│  │      
│  ├─02 商品信息可视化与文本分析
│  │      01 在线商城商品数据信息概述.mp4
│  │      02 商品类别划分方式.mp4
│  │      03 商品类别可视化展示.mp4
│  │      04 商品描述长度对价格的影响分析.mp4
│  │      05 关键词的词云可视化展示.mp4
│  │      06 基于tf-idf提取关键词信息.mp4
│  │      07 通过降维进行可视化展示.mp4
│  │      08 聚类分析与主题模型展示.mp4
│  │      
│  ├─03 贝叶斯算法
│  │      01 贝叶斯算法概述.mp4
│  │      02 贝叶斯推导实例.mp4
│  │      03 贝叶斯拼写纠错实例.mp4
│  │      04 垃圾邮件过滤实例.mp4
│  │      05 贝叶斯实现拼写检查器.mp4
│  │      
│  ├─04 新闻分类任务实战
│  │      01 文本分析与关键词提取.mp4
│  │      02 相似度计算.mp4
│  │      03 新闻数据与任务简介.mp4
│  │      04 TF-IDF关键词提取.mp4
│  │      05 LDA建模.mp4
│  │      06 基于贝叶斯算法进行新闻分类.mp4
│  │      
│  ├─05 HMM隐马尔科夫模型
│  │      01 马尔科夫模型.mp4
│  │      02 隐马尔科夫模型基本出发点.mp4
│  │      03 组成与要解决的问题.mp4
│  │      04 暴力求解方法.mp4
│  │      05 复杂度计算.mp4
│  │      06 前向算法.mp4
│  │      07 前向算法求解实例.mp4
│  │      08 Baum-Welch算法.mp4
│  │      09 参数求解.mp4
│  │      10 维特比算法.mp4
│  │      
│  ├─06 HMM工具包实战
│  │      01 hmmlearn工具包.mp4
│  │      02 工具包使用方法.mp4
│  │      03 中文分词任务.mp4
│  │      04 实现中文分词.mp4
│  │      
│  ├─07 语言模型
│  │      01 开篇.mp4
│  │      02 语言模型.mp4
│  │      03 N-gram模型.mp4
│  │      04 词向量.mp4
│  │      05 神经网络模型.mp4
│  │      06 Hierarchical Softmax.mp4
│  │      07 CBOW模型实例.mp4
│  │      08 CBOW求解目标.mp4
│  │      09 锑度上升求解.mp4
│  │      10 负采样模型.mp4
│  │      
│  ├─08 使用Gemsim构建词向量
│  │      01 使用Gensim库构造词向量.mp4
│  │      02 维基百科中文数据处理.mp4
│  │      03 Gensim构造word2vec模型.mp4
│  │      04 测试模型相似度结果.mp4
│  │      
│  ├─09 基于word2vec的分类任务
│  │      01 影评情感分类.mp4
│  │      02 基于词袋模型训练分类器.mp4
│  │      03 准备word2vec输入数据.mp4
│  │      04 使用gensim构建word2vec词向量(新).mp4
│  │      
│  ├─10 NLP-文本特征方法对比
│  │      01 任务概述.mp4
│  │      02 词袋模型.mp4
│  │      03 词袋模型分析.mp4
│  │      04 TFIDF模型.mp4
│  │      05 word2vec词向量模型.mp4
│  │      06 深度学习模型.mp4
│  │      
│  ├─11 NLP-相似度模型
│  │      01 任务概述.mp4
│  │      02 数据展示.mp4
│  │      03 正负样本制作.mp4
│  │      04 数据预处理.mp4
│  │      05 网络模型定义.mp4
│  │      06 基于字符的训练.mp4
│  │      07 基于句子的相似度训练.mp4
│  │      
│  ├─12 LSTM情感分析
│  │      01 RNN网络架构.mp4
│  │      02 LSTM网络架构.mp4
│  │      03 案例:使用LSTM进行情感分类.mp4
│  │      04 情感数据集处理.mp4
│  │      05 基于word2vec的LSTM模型.mp4
│  │      
│  ├─13 机器人写唐诗
│  │      01 任务概述与环境配置.mp4
│  │      02 参数配置.mp4
│  │      03 数据预处理模块.mp4
│  │      04 batch数据制作.mp4
│  │      05 RNN模型定义.mp4
│  │      06 完成训练模块.mp4
│  │      07 训练唐诗生成模型.mp4
│  │      08 测试唐诗生成效果.mp4
│  │      
│  └─14 对话机器人
│          01 效果演示.mp4
│          02 参数配置与数据加载.mp4
│          03 数据处理.mp4
│          04 词向量与投影.mp4
│          05 seq网络.mp4
│          06 网络训练.mp4
│         
├─25 知识图谱实战系列
│  ├─04 使用python操作neo4j实例
│  │      01 使用Py2neo建立连接.mp4
│  │      02 提取所需的指标信息.mp4
│  │      03 在图中创建实体.mp4
│  │      04 根据给定实体创建关系.mp4
│  │      
│  ├─06 文本关系抽取实践
│  │      01 关系抽取要完成的任务演示与分析.mp4
│  │      02 LTP工具包概述介绍.mp4
│  │      03 pyltp安装与流程演示.mp4
│  │      04 得到分词与词性标注结果.mp4
│  │      05 依存句法概述.mp4
│  │      06 句法分析结果整理.mp4
│  │      07 语义角色构建与分析.mp4
│  │      08 设计规则完成关系抽取.mp4
│  │      
│  └─07 金融平台风控模型实践
│          01 竞赛任务目标.mp4
│          02 图模型信息提取.mp4
│          03 节点权重特征提取(PageRank).mp4
│          04 deepwalk构建图顶点特征.mp4
│          05 各项统计特征.mp4
│          06 app安装特征.mp4
│          07 图中联系人特征.mp4
│         
├─26 语音识别实战系列
│  ├─01 seq2seq序列网络模型
│  │      01 序列网络模型概述分析.mp4
│  │      02 工作原理概述.mp4
│  │      03 注意力机制的作用.mp4
│  │      04 加入attention的序列模型整体架构.mp4
│  │      05 TeacherForcing的作用与训练策略.mp4
│  │      
│  ├─02 LAS模型语音识别实战
│  │      01 数据源与环境配置.mp4
│  │      02 语料表制作方法.mp4
│  │      03 制作json标注数据.mp4
│  │      04 声音数据处理模块解读.mp4
│  │      05 Pack与Pad操作解析.mp4
│  │      06 编码器模块整体流程.mp4
│  │      07 加入注意力机制.mp4
│  │      08 计算得到每个输出的attention得分.mp4
│  │      09 解码器与训练过程演示.mp4
│  │      
│  ├─05 语音分离ConvTasnet模型
│  │      01 语音分离任务分析.mp4
│  │      02 经典语音分离模型概述.mp4
│  │      03 DeepClustering论文解读.mp4
│  │      04 TasNet编码器结构分析.mp4
│  │      05 DW卷积的作用与效果.mp4
│  │      06 基于Mask得到分离结果.mp4
│  │      
│  ├─06 ConvTasnet语音分离实战
│  │      01 数据准备与环境配置.mp4
│  │      02 训练任务所需参数介绍.mp4
│  │      03 DataLoader定义.mp4
│  │      04 采样数据特征编码.mp4
│  │      05 编码器特征提取.mp4
│  │      06 构建更大的感受区域.mp4
│  │      07 解码得到分离后的语音.mp4
│  │      08 测试模块所需参数.mp4
│  │      
│  └─07 语音合成tacotron最新版实战
│          01 语音合成项目所需环境配置.mp4
│          02 所需数据集介绍.mp4
│          03 路径配置与整体流程解读.mp4
│          04 Dataloader构建数据与标签.mp4
│          05 编码层要完成的任务.mp4
│          06 得到编码特征向量.mp4
│          07 解码器输入准备.mp4
│          08 解码器流程梳理.mp4
│          09 注意力机制应用方法.mp4
│          10 得到加权的编码向量.mp4
│          11 模型输出结果.mp4
│          12 损失函数与预测.mp4
│         
├─27 推荐系统实战系列
│  ├─01 推荐系统介绍及其应用
│  │      01 1-推荐系统通俗解读.mp4
│  │      02 2-推荐系统发展简介.mp4
│  │      03 3-应用领域与多方位评估指标.mp4
│  │      04 4-任务流程与挑战概述.mp4
│  │      05 5-常用技术点分析.mp4
│  │      06 6-与深度学习的结合.mp4
│  │      
│  ├─02 协同过滤与矩阵分解
│  │      01 1-协同过滤与矩阵分解简介.mp4
│  │      02 2-基于用户与商品的协同过滤.mp4
│  │      03 3-相似度计算与推荐实例.mp4
│  │      04 4-矩阵分解的目的与效果.mp4
│  │      05 5-矩阵分解中的隐向量.mp4
│  │      06 6-目标函数简介.mp4
│  │      07 7-隐式情况分析.mp4
│  │      08 8-Embedding的作用.mp4
│  │      
│  ├─03 音乐推荐系统实战
│  │      01 1-音乐推荐任务概述.mp4
│  │      02 2-数据集整合.mp4
│  │      03 3-基于物品的协同过滤.mp4
│  │      04 4-物品相似度计算与推荐.mp4
│  │      05 5-SVD矩阵分解.mp4
│  │      06 6-基于矩阵分解的音乐推荐.mp4
│  │      
│  ├─05 基于知识图谱的电影推荐实战
│  │      01 1-知识图谱推荐系统效果演示.mp4
│  │      02 2-kaggle电影数据集下载与配置.mp4
│  │      03 3-图谱需求与任务流程解读.mp4
│  │      04 4-项目所需环境配置安装.mp4
│  │      05 5-构建用户电影知识图谱.mp4
│  │      06 6-图谱查询与匹配操作.mp4
│  │      07 7-相似度计算与推荐引擎构建.mp4
│  │      
│  ├─06 点击率估计FM与DeepFM算法
│  │      01 1-CTR估计及其经典方法概述.mp4
│  │      02 2-高维特征带来的问题.mp4
│  │      03 3-二项式特征的作用与挑战.mp4
│  │      04 4-二阶公式推导与化简.mp4
│  │      05 5-FM算法解析.mp4
│  │      06 6-DeepFm整体架构解读.mp4
│  │      07 7-输入层所需数据样例.mp4
│  │      08 8-Embedding层的作用与总结.mp4
│  │      
│  ├─07 DeepFM算法实战
│  │      01 1-数据集介绍与环境配置.mp4
│  │      02 2-广告点击数据预处理实例.mp4
│  │      03 3-数据处理模块Embedding层.mp4
│  │      04 4-Index与Value数据制作.mp4
│  │      05 5-一阶权重参数设计.mp4
│  │      06 6-二阶特征构建方法.mp4
│  │      07 7-特征组合方法实例分析.mp4
│  │      08 8-完成FM模块计算.mp4
│  │      09 9-DNN模块与训练过程.mp4
│  │      
│  ├─08 推荐系统常用工具包演示
│  │      01 1-环境配置与数据集介绍.mp4
│  │      02 2-电影数据集预处理分析.mp4
│  │      03 3-surprise工具包基本使用.mp4
│  │      04 4-模型测试集结果.mp4
│  │      05 5-评估指标概述.mp4
│  │      
│  ├─09 基于文本数据的推荐实例
│  │      01 1-数据与环境配置介绍.mp4
│  │      02 2-数据科学相关数据介绍.mp4
│  │      03 3-文本数据预处理.mp4
│  │      04 4-TFIDF构建特征矩阵.mp4
│  │      05 5-矩阵分解演示.mp4
│  │      06 6-LDA主题模型效果演示.mp4
│  │      07 7-推荐结果分析.mp4
│  │      
│  ├─10 基本统计分析的电影推荐
│  │      01 1-电影数据与环境配置.mp4
│  │      02 2-数据与关键词信息展示.mp4
│  │      03 3-关键词云与直方图展示.mp4
│  │      04 4-特征可视化.mp4
│  │      05 5-数据清洗概述.mp4
│  │      06 6-缺失值填充方法.mp4
│  │      07 7-推荐引擎构造.mp4
│  │      08 8-数据特征构造.mp4
│  │      09 9-得出推荐结果.mp4
│  │      
│  └─11 补充-基于相似度的酒店推荐系统
│          01 1-酒店数据与任务介绍.mp4
│          02 2-文本词频统计.mp4
│          03 3-ngram结果可视化展示.mp4
│          04 4-文本清洗.mp4
│          05 5-相似度计算.mp4
│          06 6-得出推荐结果.mp4
│         
├─28 AI课程所需安装软件教程
│  └─01 AI课程所需安装软件教程
│          01 AI课程所需安装软件教程.mp4
│         
├─29 额外补充
│   └─01 通用创新点
│           01 ACMIX(卷积与注意力融合).mp4
│           02 GCnet(全局特征融合).mp4
│           03 Coordinate_attention.mp4
│           04 SPD(可替换下采样).mp4
│           05 SPP改进.mp4
│           06 mobileOne(加速).mp4
│           07 Deformable(替换selfAttention).mp4
│           08 ProbAttention(采样策略).mp4
│           09 CrossAttention融合特征.mp4
│           10 Attention额外加入先验知识.mp4
│           11 结合GNN构建局部特征.mp4
│           12 损失函数约束项.mp4
│           13 自适应可学习参数.mp4
│           14 Coarse2Fine大框架.mp4
│           15 只能机器学习模型时凑工作量(特征工程).mp4
│           16 自己数据集如何发的好(要开源).mp4
│           17 可变形卷积加入方法.mp4
│           18 在源码中加入各种注意力机制方法.mp4
└─资料.zip