资源名称：PyTorch深度学习开发医学影像端到端判别项目
网盘类型：夸克网盘
分享链接：https://pan.quark.cn/s/a15af7dcab76
资源统计：12 个文件夹，112 个文件，2.73 GB
目录结构
└── 📁 PyTorch深度学习开发医学影像端到端判别项目
├── 📁 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
├── 📁 第4章 PyTorch基础知识必备-张量
│ ├── 📄 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
│ └── 📄 4-10张量的底层实现逻辑二.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
│ ├── 📄 5-4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
│ └── 📄 5-33D图像的加载.mp4
├── 📁 第6章 神经网络理念解决温度计转换
│ ├── 📄 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
│ ├── 📄 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
├── 📁 第7章 使用神经网络区分小鸟和飞机图像
│ ├── 📄 7-1CIFAR-10数据集介绍.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
│ ├── 📄 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
│ ├── 📄 7-20优化方案之增加模型深度-depth.mp4
│ └── 📄 7-21本章小结.mp4
├── 📁 第8章 项目实战一：理解业务与数据
│ ├── 📄 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
│ ├── 📄 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
├── 📁 第9章 项目实战二：模型训练与优化
│ ├── 📄 9-1第一个模型结节分类.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
│ ├── 📄 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
│ ├── 📄 9-20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
├── 📁 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
评论 (0)