PyTorch深度学习开发医学影像端到端判别项目-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
[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: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
[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

PyTorch深度学习开发医学影像端到端判别项目

本站所有课程资源均为用户上传,如有侵权,请联系邮箱提供相应材料,我们会尽快删除
免费资源网 » PyTorch深度学习开发医学影像端到端判别项目