PyTorch深度学习，全流程医学影像端到端判别实战项目(2023新版) 价值448元

本套课程PyTorch深度学习，综合应用完整企业级项目，课程官方售价448元，由荒川老师主讲，课程为2023年新课共分为11个章节。

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。

课程收获：

\1. 深度学习基本概念
\2. 实用的模型优化技巧
\3. PyTorch的多种基础操作
\4. 多种模型评估方法
\5. 数据挖掘实战思维
\6. 企业级的深度学习项目

PyTorch深度学习 视频截图

PyTorch深度学习 视频截图

课程文件目录：

V-4255：PyTorch深度学习开发医学影像端到端判别
├─ 第1章 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
├─ 第2章 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
├─ 第3章 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
├─ 第4章 PyTorch基础知识必备-张量
│    ├─ 4-10张量的底层实现逻辑二.mp4
│    ├─ 4-1什么是张量.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
├─ 第5章 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
│    ├─ 5-33D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
├─ 第6章 神经网络理念解决温度计转换
│    ├─ 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
│    ├─ 6-1常规模型训练的过程.mp4
│    ├─ 6-2温度计示数转换.mp4
│    ├─ 6-3神经网络重要概念-损失.mp4
│    ├─ 6-4PyTorch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
├─ 第7章 使用神经网络区分小鸟和飞机图像
│    ├─ 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
│    ├─ 7-1CIFAR-10数据集介绍.mp4
│    ├─ 7-20优化方案之增加模型深度-depth.mp4
│    ├─ 7-21本章小结.mp4
│    ├─ 7-2为数据集实现Dataset类.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
├─ 第8章 项目实战一：理解业务与数据
│    ├─ 8-10分割训练集和验证集.mp4
│    ├─ 8-11CT数据可视化实现一.mp4
│    ├─ 8-12CT数据可视化实现二.mp4
│    ├─ 8-13CT数据可视化实现三.mp4
│    ├─ 8-14本章小结.mp4
│    ├─ 8-1肺部癌症检测的项目简介.mp4
│    ├─ 8-2CT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
└─ 第9章 项目实战二：模型训练与优化
       ├─ 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
       ├─ 9-18U-Net模型介绍.mp4
       ├─ 9-19为图像分割进行数据预处理.mp4
       ├─ 9-1第一个模型结节分类.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
       ├─ 9-22Adam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
       ├─ 9-2定义模型训练框架.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
├─ 第10章 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
├─ 第11章 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

课程下载地址：

加入VIP 全站资源免费下，如下载链接失效，请在页面评论或邮件联系，第一时间修复下载链接。