免费资源网PyTorch深度学习开发医学影像端到端判别项目
【课程介绍】
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。
【课程目录】
第1章 课程导学
3 节｜54分钟
[url=]收起 [/url]
- 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
[url=]收起 [/url]
- 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
[url=]收起 [/url]
- 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
[url=]收起 [/url]
- 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
[url=]收起 [/url]
- 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
[url=]收起 [/url]
- 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
[url=]收起 [/url]
- 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padding04:31
- 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-width08:55
- 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-depth06:41
- 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
[url=]收起 [/url]
- 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
[url=]收起 [/url]
- 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：F1score17:51
- 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
[url=]收起 [/url]
- 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
[url=]收起 [/url]
- 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
![架构师训练营[完结]](https://image.baidu.com/search/down?thumburl=https://baidu.com&url=https://wx4.sinaimg.cn/large/006W7YwLly1htcvrrtjovj30gk08776q.jpg)