夸克网盘
5积分
PyTorch是一个学习框架，它提供了各种工具和功能来构建、训练和部署深度学习模型。相比其他深度学习框架，例如TensorFlow，PyTorch更加易于使用和灵活。在PyTorch中，我们可以使用（tensor）对象来存储和操作数据。这些张量对象非常类似于NumPy数组，但是PyTorch的张量支持GPU加速和自动求导功能，这使得我们可以更快地进行运算和优化模型。除此之外，PyTorch还提供了一些内置的神经网络层和损失函数，以及预训练模型的接口。这些工具和功能使得我们可以轻松地构建和训练深度学习模型，而不需要从头开始编写所有的代码。建议先收藏保存，不定时失效。
PyTorch深度学习开发医学影像2.82GB
238092.82GB
第1章 课程导学94.14MB
1-1课程导学.mp449.04MB1-2深度学习如何影响生活.mp420.25MB1-3常用深度学习框架.mp424.86MB第2章 课程内容整体规划127.44MB
2-1环境安装与配置.mp427.18MB2-2使用预训练的ResNet网络给图片分类一.mp431.88MB2-3使用预训练的ResNet网络给图片分类二.mp430.1MB2-4使用预训练的GAN网络把马变成斑马.mp438.28MB第3章 PyTorch项目热身实践92.3MB
3-1工业级数据挖掘流程一.mp441.06MB3-2工业级数据挖掘流程二.mp431.86MB3-3课程重难点技能分布.mp48.53MB3-4课程实战项目简介.mp410.85MB第4章 PyTorch基础知识必备-张量145.51MB
4-1什么是张量.mp416.6MB4-2张量的获取与存储一.mp417.69MB4-3张量的获取与存储二.mp415.24MB4-4张量的基本操作一.mp49.89MB4-5张量的基本操作二.mp423.13MB4-6张量中的元素类型.mp410.37MB4-7张量的命名.mp49.93MB4-8把张量传递到GPU中进行运算.mp47.26MB4-9张量的底层实现逻辑一.mp421.86MB4-10张量的底层实现逻辑二.mp413.55MB第5章 PyTorch如何处理真实数据191.64MB
5-1普通二维图像的加载一.mp421.21MB5-2普通二维图像的加载二.mp417.77MB5-4普通表格数据加载.mp428.4MB5-5有时间序列的表格数据加载.mp430.47MB5-6连续值序列值分类值的处理.mp423.59MB5-7自然语言文本数据加载.mp431.08MB5-8本章小结.mp47.07MB5-33D图像的加载.mp432.06MB第6章 神经网络理念解决温度计转换378.64MB
6-1常规模型训练的过程.mp419.12MB6-2温度计示数转换.mp415.56MB6-3神经网络重要概念-损失.mp418.61MB6-4PyTorch中的广播机制.mp427.49MB6-5神经网络重要概念-梯度.mp435.14MB6-6神经网络重要概念-学习率.mp436.69MB6-7神经网络重要概念-归一化.mp449.28MB6-8使用超参数优化我们的模型效果.mp421.93MB6-9使用PyTorch自动计算梯度.mp432.18MB6-10使用PyTorch提供的优化器.mp422.54MB6-11神经网络重要概念-激活函数.mp427.89MB6-12用PyTorch的nn模块搭建神经网络.mp416.75MB6-13构建批量训练方法.mp421.25MB6-14使用神经网络解决温度计示数转换问题.mp434.2MB第7章 使用神经网络区分小鸟和飞机图像381.93MB
7-1CIFAR-10数据集介绍.mp411.6MB7-2为数据集实现Dataset类.mp415.65MB7-3为模型准备训练集和验证集.mp419.59MB7-4借助softmax方法给出分类结果.mp415.55MB7-5分类模型常用损失之交叉熵损失.mp412.2MB7-6全连接网络实现图像分类.mp447.58MB7-7对全连接网络的改进之卷积网络.mp422.16MB7-8借助PyTorch搭建卷积网络模型.mp426.13MB7-9卷积中的数据填充方法padding.mp47.66MB7-10使用卷积提取图像中的特定特征.mp413.3MB7-11借助下采样压缩数据.mp412.38MB7-12借助PyTorch搭建卷积网络.mp414.77MB7-13训练我们的分类模型.mp417.48MB7-14训练好的模型如何存储.mp43.88MB7-15该用GPU训练我们的模型.mp416.57MB7-16优化方案之增加模型宽度-width.mp417.65MB7-17优化方案之数据正则化-normalization一.mp421.74MB7-18优化方案之数据正则化-normalization二.mp427.13MB7-19优化方案之数据正则化-normalization三.mp414.82MB7-20优化方案之增加模型深度-depth.mp435.25MB7-21本章小结.mp48.84MB第8章 项目实战一：理解业务与数据285.49MB
8-1肺部癌症检测的项目简介.mp423.35MB8-2CT数据是什么样子.mp414.53MB8-3制定一个解决方案.mp414.18MB8-4下载项目中的数据集.mp417.11MB8-5原始数据是长什么样子的.mp419.11MB8-6加载标注数据.mp429.35MB8-7加载CT影像数据.mp411.66MB8-8数据坐标系的转换.mp432.09MB8-9编写Dataset方法.mp416.44MB8-10分割训练集和验证集.mp413.25MB8-11CT数据可视化实现一.mp419.3MB8-12CT数据可视化实现二.mp438.78MB8-13CT数据可视化实现三.mp429.16MB8-14本章小结.mp47.16MB第9章 项目实战二：模型训练与优化742.29MB
9-1第一个模型结节分类.mp425.78MB9-2定义模型训练框架.mp425.58MB9-3初始化都包含什么内容.mp414.85MB9-4编写数据加载器部分.mp413.59MB9-5实现模型的核心部分.mp429.98MB9-6定义损失计算和训练验证环节一.mp431.25MB9-7定义损失计算和训练验证环节二.mp416.13MB9-8在日志中保存重要信息.mp436.12MB9-9尝试训练第一个模型.mp470.04MB9-10借助TensorBoard绘制指标曲线.mp438.84MB9-11新的模型评估指标F1score.mp426.92MB9-12实现F1Score计算逻辑.mp411.68MB9-13数据优化方法.mp421.66MB9-14数据重复采样的代码实现.mp424.45MB9-15数据增强的代码实现.mp432.63MB9-16第二个模型结节分割.mp420.08MB9-17图像分割的几种类型.mp421.48MB9-18U-Net模型介绍.mp442.58MB9-19为图像分割进行数据预处理.mp446.34MB9-20为图像分割构建Dataset类.mp435.16MB9-21构建训练Dataset和使用GPU进行数据增强.mp422.36MB9-22Adam优化器和Dice损失.mp417.53MB9-23构建训练流程.mp426.21MB9-24模型存储图像存储代码介绍.mp417.38MB9-25分割模型训练及在TensorBoard中查看结果.mp451.82MB9-26本章小结.mp421.86MB第10章 项目实战三：实现端到端的模型预测288.21MB
10-1连接分割模型和分类模型.mp444.29MB10-2新的评价指标AUC-ROC曲线.mp455.3MB10-3使用finetune方法构建肿瘤恶性判断模型.mp458.88MB10-4完整的实现端到端肺部肿瘤检测.mp450.39MB10-5使用合适的框架把模型部署上线一.mp429.12MB10-6使用合适的框架把模型部署上线二.mp437.87MB10-7本章小结.mp412.36MB第11章 课程总结与面试问题158.15MB
11-1肿瘤检测系统架构回顾.mp427.36MB11-2课程中的神经网络回顾.mp423.64MB11-3模型优化方法回顾.mp419.04MB11-4面试过程中可能遇到的问题.mp445.55MB11-5持续学习的几个建议.mp442.56MB网站声明：
1. 该网盘资源的安全性和完整性需要您自行判断，点击下载地址直接跳转到网盘官方页面。本站链接通过程序自动收集互联网公开分享链接，本站不储存、复制、传播任何网盘文件，也不提供下载服务。
2. 本站遵守相关法律法规，坚决杜绝一切违规不良信息，如您发现任何涉嫌违规的网盘信息，请立即向网盘官方网站举报，并及时反馈给我们进行屏蔽删除。
3. 本站高度重视知识产权保护和个人隐私保护，如有网盘链接侵犯您的合法权益，请立即向网盘官方网站举报，并参见本站《版权说明》提供书面材料联系我们屏蔽删改。
1. 该网盘资源的安全性和完整性需要您自行判断，点击下载地址直接跳转到网盘官方页面。本站链接通过程序自动收集互联网公开分享链接，本站不储存、复制、传播任何网盘文件，也不提供下载服务。
2. 本站遵守相关法律法规，坚决杜绝一切违规不良信息，如您发现任何涉嫌违规的网盘信息，请立即向网盘官方网站举报，并及时反馈给我们进行屏蔽删除。
3. 本站高度重视知识产权保护和个人隐私保护，如有网盘链接侵犯您的合法权益，请立即向网盘官方网站举报，并参见本站《版权说明》提供书面材料联系我们屏蔽删改。