咕泡学院-人工智能深度学习系统班（第14期）

资源介绍

手机端访问

📂 资源目录273 个文件夹1622 个文件合计 115.7GB全部展开 | 全部收起

📁AA_0161——咕泡学院-人工智能深度学习系统班（第14期）272 个文件夹 · 1622 个文件

▶📁 01-【直播课】直播回放4 个文件

📄1.开班典礼：如何学好人工智能学科.mp4765.2MB

📄2.神经网络.mp41.2GB

📄3.卷积神经网络.mp41.2GB

📄4.transformer解读.mp4999.1MB

▶📁 02-【基础模块】Al课程所需安装软件教程5 个文件

📄1.AI课程所需安装软件教程.mp416.2MB

📄2.Python环境安装和搭建.mp448.1MB

📄3.Anaconda基础讲解和使用的教程.mp444.4MB

📄4.PyTorch框架与其他框架区别分析.mp439.3MB

📄5.CPU与GPU版本安装方法解读.mp458.2MB

▶📁 03-【基础模块】深度学习基础与框架5 个文件夹 · 20 个文件

▶📁 1.神经网络结构1 个文件

📄神经网络结构.mp4447.2MB

▶📁 2.PyTorch框架必备核心模块解读9 个文件

📄1-PyTorch实战课程简介.mp423.0MB

📄2-PyTorch框架发展趋势简介.mp426.6MB

📄3-框架安装方法（CPU与GPU版本）.mp413.2MB

📄4-PyTorch基本操作简介.mp428.0MB

📄5-自动求导机制.mp433.4MB

📄6-线性回归DEMO-数据与参数配置.mp422.7MB

📄7-线性回归DEMO-训练回归模型.mp439.4MB

📄8-补充：常见tensor格式.mp419.6MB

📄9-补充：Hub模块简介.mp453.1MB

▶📁 3.神经网络分类任务7 个文件

📄1-数据集与任务概述.mp431.7MB

📄2-基本模块应用测试.mp432.6MB

📄3-网络结构定义方法.mp439.5MB

📄4-数据源定义简介.mp427.2MB

📄5-损失与训练模块分析.mp430.9MB

📄6-训练一个基本的分类模型.mp433.8MB

📄7-参数对结果的影响.mp440.8MB

▶📁 4.神经网络回归：气温预测2 个文件

📄4.神经网络回归：气温预测必看.zip1.8MB

📄神经网络回归任务-气温预测.mp4136.4MB

▶📁 5.Pycharm环境配置与Debug演示1 个文件

📄Pycharm环境配置与Debug演示(没用过的同学必看).mp4125.4MB

▶📁 04-【基础模块】深度学习核心算法与实践9 个文件夹 · 39 个文件

▶📁 1.卷积神经网络深度解析1 个文件

📄卷积神经网络.mp41.3GB

▶📁 2.卷积网络参数分析与优化3 个文件

📄1-输入特征通道分析.mp428.3MB

📄2-卷积网络参数解读.mp420.9MB

📄3-卷积网络模型训练.mp437.9MB

▶📁 3.ResNet模型及其应用7 个文件

📄1-医学疾病数据集介绍.mp418.9MB

📄2-Resnet网络架构原理分析.mp424.8MB

📄3-dataloader加载数据集.mp464.8MB

📄4-Resnet网络前向传播.mp435.8MB

📄5-残差网络的shortcut操作.mp447.4MB

📄6-特征图升维与降采样操作.mp426.9MB

📄7-网络整体流程与训练演示.mp467.5MB

▶📁 4.图像识别模型与训练策略（重点）10 个文件

📄1-任务分析与图像数据基本处理.mp427.2MB

📄2-数据增强模块.mp427.0MB

📄3-数据集与模型选择.mp428.6MB

📄4-迁移学习方法解读.mp430.6MB

📄5-输出层与梯度设置.mp436.5MB

📄6-输出类别个数修改.mp431.9MB

📄7-优化器与学习率衰减.mp433.0MB

📄8-模型训练方法.mp435.7MB

📄9-重新训练全部模型.mp432.5MB

📄10-测试结果演示分析.mp486.6MB

▶📁 5.DataLoader自定义数据集制作4 个文件

📄1-Dataloader要完成的任务分析.mp424.3MB

📄2-图像数据与标签路径处理.mp430.1MB

📄3-Dataloader中需要实现的方法分析.mp432.9MB

📄4-实用Dataloader加载数据并训练模型.mp438.4MB

▶📁 6.RNN网络架构1 个文件

📄RNN网络架构.mp429.4MB

▶📁 7.LSTM网络架构1 个文件

📄LSTM网络架构.mp417.9MB

▶📁 8.LSTM文本分类9 个文件

📄1-数据集与任务目标分析.mp452.8MB

📄2-文本数据处理基本流程分析.mp456.0MB

📄3-命令行参数与DEBUG.mp436.5MB

📄4-训练模型所需基本配置参数分析.mp440.9MB

📄5-预料表与字符切分.mp432.0MB

📄6-字符预处理转换ID.mp434.4MB

📄7-LSTM网络结构基本定义.mp434.7MB

📄8-网络模型预测结果输出.mp439.1MB

📄9-模型训练任务与总结.mp445.2MB

▶📁 9.Transformer基础3 个文件

📄1-Transformer.mp4557.2MB

📄2-transformer-VIT源码解读.mp41.3GB

📄3-GITHUB开源项目使用方法.mp4407.2MB

▶📁 05-【方向A：CV方向】图像处理基础13 个文件夹 · 95 个文件

▶📁 1.课程介绍与环境配置3 个文件

📄1-课程简介.mp45.4MB

📄2-Python与Opencv配置安装.mp423.9MB

📄3-Notebook与IDE环境.mp453.2MB

▶📁 2.OpenCV图像常⽤处理⽅法实例13 个文件

📄1-计算机眼中的图像.mp421.4MB

📄2-视频的读取与处理.mp424.0MB

📄3-ROI区域.mp410.1MB

📄4-边界填充.mp415.7MB

📄5-数值计算.mp423.5MB

📄6-图像阈值.mp430.9MB

📄7-图像平滑处理.mp424.8MB

📄8-高斯与中值滤波.mp420.6MB

📄9-腐蚀操作.mp421.0MB

📄10-膨胀操作.mp412.3MB

📄11-开运算与闭运算.mp49.3MB

📄12-梯度计算.mp47.9MB

📄13-礼帽与黑帽.mp415.9MB

▶📁 3.OpenCV梯度计算与边缘检测实例6 个文件

📄1-Canny边缘检测流程.mp419.0MB

📄2-非极大值抑制.mp418.3MB

📄3-边缘检测效果.mp436.7MB

📄4-Sobel算子.mp427.0MB

📄5-梯度计算方法.mp430.3MB

📄6-scharr与lapkacian算子.mp427.4MB

▶📁 4.OpenCV轮廓检测与直⽅图13 个文件

📄1-图像金字塔定义.mp419.7MB

📄2-金字塔制作方法.mp425.5MB

📄3-轮廓检测方法.mp419.4MB

📄4-轮廓检测结果.mp434.5MB

📄5-轮廓特征与近似.mp437.7MB

📄6-模板匹配方法.mp447.5MB

📄7-匹配效果展示.mp421.2MB

📄8-直方图定义.mp423.7MB

📄9-均衡化原理.mp431.4MB

📄10-均衡化效果.mp427.2MB

📄11-傅里叶概述.mp422.3MB

📄12-频域变换结果.mp417.3MB

📄13-低通与高通滤波.mp421.4MB

▶📁 5.OpenCV角点检测5 个文件

📄1-角点检测基本原理.mp415.5MB

📄2-基本数学原理.mp430.6MB

📄3-求解化简.mp431.8MB

📄4-特征归属划分.mp443.3MB

📄5-opencv角点检测效果.mp431.1MB

▶📁 6.OpenCV尺度空间6 个文件

📄1-尺度空间定义.mp420.1MB

📄2-高斯差分金字塔.mp421.7MB

📄3-特征关键点定位.mp448.2MB

📄4-生成特征描述.mp424.7MB

📄5-特征向量生成.mp443.8MB

📄6-opencv中sift函数使用.mp428.8MB

▶📁 7.OpenCV高级图像处理技术15 个文件

📄1-特征匹配方法.mp428.6MB

📄2-RANSAC算法.mp434.5MB

📄3-图像拼接方法.mp445.0MB

📄4-流程解读.mp421.7MB

📄5-背景消除-帧差法.mp420.8MB

📄6-混合高斯模型.mp426.4MB

📄7-学习步骤.mp431.8MB

📄7.OpenCV高级图像处理技术文档.zip1.8MB

📄8-背景建模实战.mp451.2MB

📄9-基本概念.mp420.2MB

📄10-Lucas-Kanade算法.mp419.7MB

📄11-推导求解.mp426.0MB

📄12-光流估计实战.mp464.3MB

📄13-dnn模块.mp428.6MB

📄14-模型加载结果输出.mp440.5MB

▶📁 8.OpenCV项目实战-信用卡数字识别5 个文件

📄1-总体流程与方法讲解.mp420.7MB

📄2-环境配置与预处理.mp434.9MB

📄3-模板处理方法.mp423.7MB

📄4-输入数据处理方法.mp428.9MB

📄5-模板匹配得出识别结果.mp447.8MB

▶📁 9.OpenCV项目实战-文档扫描OCR识别6 个文件

📄1-整体流程演示.mp421.5MB

📄2-文档轮廓提取.mp427.8MB

📄3-原始与变换坐标计算.mp426.3MB

📄4-透视变换结果.mp432.9MB

📄5-tesseract-ocr安装配置.mp441.3MB

📄6-文档扫描识别效果.mp428.9MB

▶📁 10.OpenCV项目实战-停车场车位识别8 个文件

📄1-任务整体流程.mp471.4MB

📄2-所需数据介绍.mp434.3MB

📄3-图像数据预处理.mp456.8MB

📄4-车位直线检测.mp461.5MB

📄5-按列划分区域.mp454.7MB

📄6-车位区域划分.mp457.4MB

📄7-识别模型构建.mp441.2MB

📄8-基于视频的车位检测.mp4135.6MB

▶📁 11.OpenCV项目实战-答题卡识别判卷4 个文件

📄1-整体流程与效果概述.mp429.5MB

📄2-预处理操作.mp424.1MB

📄3-填涂轮廓检测.mp425.7MB

📄4-选项判断识别.mp457.2MB

▶📁 12.OpenCV项目实战-目标追踪6 个文件

📄1-目标追踪概述.mp449.8MB

📄2-多目标追踪实战.mp434.7MB

📄3-深度学习检测框架加载.mp443.7MB

📄4-基于dlib与ssd的追踪.mp473.1MB

📄5-多进程目标追踪.mp425.7MB

📄6-多进程效率提升对比.mp478.2MB

▶📁 13.OpenCV项目实战-疲劳检测5 个文件

📄1-关键点定位概述.mp428.5MB

📄2-获取人脸关键点.mp436.1MB

📄3-定位效果演示.mp445.5MB

📄4-闭眼检测.mp471.1MB

📄5-检测效果.mp440.6MB

▶📁 06-【方向A：CV方向】目标检测算法14 个文件夹 · 110 个文件

▶📁 1.物体检测评估指标1 个文件

📄物体检测评估指标.mp484.1MB

▶📁 2.YOLO系列大串讲(可刷这个快速过)1 个文件

📄YOLO系列大串讲(可刷这个快速过).mp4955.6MB

▶📁 3.经典物体检测算法3 个文件

📄1-半监督物体检测.mp4362.6MB

📄2-EfficientNet网络模型.mp4538.9MB

📄3-EfficientDet检测算法.mp4448.0MB

▶📁 4.YOLOv1检测算法深度解析5 个文件

📄1-YOLO算法整体思路解读.mp414.7MB

📄2-检测算法要得到的结果.mp413.6MB

📄3-整体网络架构解读.mp430.7MB

📄4-位置损失计算.mp419.0MB

📄5-置信度误差与优缺点分析.mp426.9MB

▶📁 5.YOLOv2检测算法深度解析8 个文件

📄1-V2版本细节升级概述.mp413.4MB

📄2-网络结构特点.mp415.7MB

📄3-架构细节解读.mp418.9MB

📄4-基于聚类来选择先验框尺寸.mp424.3MB

📄5-偏移量计算方法.mp427.6MB

📄6-坐标映射与还原.mp410.1MB

📄7-感受野的作用.mp428.2MB

📄8-特征融合改进.mp419.2MB

▶📁 6.YOLOv3检测算法深度解析23 个文件

📄1-V3版本改进概述.mp418.3MB

📄2-多scale方法改进与特征融合.mp417.1MB

📄3-经典变换方法对比分析.mp410.8MB

📄4-残差连接方法解读.mp418.7MB

📄5-整体网络模型架构分析.mp412.9MB

📄6-先验框设计改进.mp413.1MB

📄7-sotfmax层改进.mp410.6MB

📄8-数据与环境配置.mp465.6MB

📄9-训练参数设置.mp423.9MB

📄10-COCO图像数据读取与处理.mp442.5MB

📄11-标签文件读取与处理.mp427.5MB

📄12-debug模式介绍.mp427.3MB

📄13-基于配置文件构建网络模型.mp442.1MB

📄14-路由层与shortcut层的作用.mp433.7MB

📄15-YOLO层定义解析.mp461.1MB

📄16-预测结果计算.mp446.0MB

📄17-网格偏移计算.mp433.9MB

📄18-模型要计算的损失概述.mp423.2MB

📄19-标签值格式修改.mp428.3MB

📄20-坐标相对位置计算.mp432.8MB

📄21-完成所有损失函数所需计算指标.mp435.4MB

📄22-模型训练与总结.mp473.0MB

📄23-预测效果展示.mp434.5MB

▶📁 7.YOLO模型数据标注与训练8 个文件

📄1-Labelme工具安装.mp414.3MB

📄2-数据信息标注.mp432.1MB

📄3-完成标签制作.mp431.8MB

📄4-生成模型所需配置文件.mp436.7MB

📄5-json格式转换成yolo-v3所需输入.mp421.0MB

📄6-完成输入数据准备工作.mp440.1MB

📄7-训练代码与参数配置更改.mp444.3MB

📄8-训练模型并测试效果.mp438.5MB

▶📁 8.YOLOv4版本算法解读11 个文件

📄1-V4版本整体概述.mp415.1MB

📄2-V4版本贡献解读.mp410.1MB

📄3-数据增强策略分析.mp424.7MB

📄4-DropBlock与标签平滑方法.mp419.4MB

📄5-损失函数遇到的问题.mp414.3MB

📄6-CIOU损失函数定义.mp410.8MB

📄7-NMS细节改进.mp416.7MB

📄8PP与CP网络结构.mp414.8MB

📄9-SAM注意力机制模块.mp422.5MB

📄10-PAN模块解读.mp420.7MB

📄11-激活函数与整体架构总结.mp419.2MB

▶📁 9.YOLOv5检测算法深度解析25 个文件

📄1-整体项目概述.mp415.2MB

📄2-训练自己的数据集方法.mp421.6MB

📄3-训练数据参数配置.mp429.7MB

📄4-测试DEMO演示.mp421.5MB

📄5-数据源DEBUG流程解读.mp448.2MB

📄6-图像数据源配置.mp434.7MB

📄7-加载标签数据.mp426.4MB

📄8-Mosaic数据增强方法.mp428.2MB

📄9-数据四合一方法与流程演示.mp441.7MB

📄10-getItem构建batch.mp433.1MB

📄11-网络架构图可视化工具安装.mp423.4MB

📄12-V5网络配置文件解读.mp423.4MB

📄13-Focus模块流程分析.mp414.1MB

📄14-完成配置文件解析任务.mp458.8MB

📄15-前向传播计算.mp430.8MB

📄16-BottleneckCP层计算方法.mp433.8MB

📄17-SPP层计算细节分析.mp429.2MB

📄18-Head层流程解读.mp429.1MB

📄19-上采样与拼接操作.mp421.5MB

📄20-输出结果分析.mp441.7MB

📄21-超参数解读.mp435.0MB

📄22-命令行参数介绍.mp444.3MB

📄23-训练流程解读.mp446.8MB

📄24-各种训练策略概述.mp438.5MB

📄25-模型迭代过程.mp438.4MB

▶📁 10.YOLOv7检测算法深度解析20 个文件

📄1-YOLO系列（V7）算法解读.mp4259.6MB

📄2-命令行参数介绍.mp425.0MB

📄3-基本参数作用.mp440.8MB

📄4-EMA等训练技巧解读.mp449.3MB

📄5-网络结构配置文件解读.mp436.9MB

📄6-各模块操作细节分析.mp449.1MB

📄7-输出层与配置文件其他模块解读.mp460.9MB

📄8-标签分配策略准备操作.mp434.7MB

📄9-候选框偏移方法与find3p模块解读.mp433.7MB

📄10-得到偏移点所在网格位置.mp442.8MB

📄11-完成BuildTargets模块.mp451.4MB

📄12-候选框筛选流程分析.mp431.8MB

📄13-预测值各项指标获取与调整.mp447.0MB

📄14-GT匹配正样本数量计算.mp442.1MB

📄15-通过IOU与置信度分配正样本.mp460.4MB

📄16-损失函数计算方法.mp446.1MB

📄17-辅助头AUX网络结构配置文件解析.mp431.1MB

📄18-辅助头损失函数调整.mp439.3MB

📄19-BN与卷积权重参数融合方法.mp453.8MB

📄20-重参数化多分支合并加速.mp443.2MB

▶📁 11.YOLOv8检测算法深度解析2 个文件

📄11.YOLOv8检测算法深度解析资料.zip1.8MB

📄YOLO V8.mp4251.0MB

▶📁 12.YOLOv9检测算法深度解析1 个文件

📄YOLO V9.mp41.4GB

▶📁 13.YOLO-World 检测算法1 个文件

📄YOLO-World.mp41.5GB

▶📁 14.YOLOv12与YOLOv13最新检测算法1 个文件

📄YOLO V12与YOLO V13.mp41.5GB

▶📁 07-【方向A：CV方向】图像分割算法14 个文件夹 · 68 个文件

▶📁 1.图像分割与损失函数3 个文件

📄1-语义分割与实例分割概述.mp420.3MB

📄2-分割任务中的目标函数定义.mp420.0MB

📄3-MIOU评估标准.mp49.0MB

▶📁 2.Unet系列算法4 个文件

📄1-Unet网络编码与解码过程.mp418.3MB

📄2-网络计算流程.mp416.2MB

📄3-Unet升级版本改进.mp415.8MB

📄4-后续升级版本介绍.mp418.4MB

▶📁 3.Unet医学细胞分割实战6 个文件

📄1-医学细胞数据集介绍与参数配置.mp471.2MB

📄2-数据增强工具.mp461.5MB

📄3-Debug模式演示网络计算流程.mp441.4MB

📄4-特征融合方法演示.mp430.1MB

📄5-迭代完成整个模型计算任务.mp433.6MB

📄6-模型效果验证.mp447.3MB

▶📁 4.U2NET显著性检测实战5 个文件

📄1-任务目标与网络整体介绍.mp458.7MB

📄2-显著性检测任务与目标概述.mp454.0MB

📄3-编码器模块解读.mp443.7MB

📄4-解码器输出结果.mp427.9MB

📄5-损失函数与应用效果.mp434.4MB

▶📁 5.DeepLab 语义分割算法6 个文件

📄1-deeplab分割算法概述.mp413.8MB

📄2-空洞卷积的作用.mp416.8MB

📄3-感受野的意义.mp419.4MB

📄4-SPP层的作用.mp419.0MB

📄5-ASPP特征融合策略.mp413.5MB

📄6-deeplabV3Plus版本网络架构.mp424.1MB

▶📁 6.基于deeplabV3+版本进⾏VOC分割实战5 个文件

📄1-PascalVoc数据集介绍.mp470.2MB

📄2-项目参数与数据集读取.mp460.4MB

📄3-网络前向传播流程.mp433.1MB

📄4-ASPP层特征融合.mp451.2MB

📄5-分割模型训练.mp435.0MB

▶📁 7.基于deeplabV3⼼脏视频数据集分割建模实战6 个文件

📄1-数据集与任务概述.mp445.6MB

📄2-项目基本配置参数.mp433.3MB

📄3-任务流程解读.mp469.2MB

📄4-文献报告分析.mp4122.7MB

📄5-补充：视频数据源特征处理方法概述.mp426.4MB

📄6-补充：R(2plus1)D处理方法分析.mp418.9MB

▶📁 8.Mask R-CNN 实例分割算法3 个文件

📄1-Mask-Rcnn开源项目简介.mp488.2MB

📄2-开源项目数据集.mp442.5MB

📄3-开源项目数据集.mp497.9MB

▶📁 9.MaskRcnn网络框架源码详解12 个文件

📄1-FPN层特征提取原理解读.mp442.4MB

📄2-FPN网络架构实现解读.mp455.8MB

📄3-生成框比例设置.mp428.3MB

📄4-基于不同尺度特征图生成所有框.mp433.0MB

📄5-RPN层的作用与实现解读.mp430.9MB

📄6-候选框过滤方法.mp415.6MB

📄7-Proposal层实现方法.mp433.3MB

📄8-DetectionTarget层的作用.mp425.7MB

📄9-正负样本选择与标签定义.mp427.6MB

📄10-RoiPooling层的作用与目的.mp433.5MB

📄11-RorAlign操作的效果.mp425.7MB

📄12-整体框架回顾.mp428.9MB

▶📁 10.Mask R-CNN 训练自己的数据与任务6 个文件

📄1-Labelme工具安装.mp49.2MB

📄2-使用labelme进行数据与标签标注.mp426.3MB

📄3-完成训练数据准备工作.mp426.6MB

📄4-maskrcnn源码修改方法.mp463.6MB

📄5-基于标注数据训练所需任务.mp439.7MB

📄6-测试与展示模块.mp438.6MB

▶📁 11.SAM 图像分割算法9 个文件

📄1-DEMO效果演示.mp457.8MB

📄2-论文解读分析.mp474.5MB

📄3-完成的任务分析.mp431.2MB

📄4-数据闭环方法.mp445.7MB

📄5-预训练模型的作用.mp495.3MB

📄6-Decoder的作用与项目源码.mp449.0MB

📄7-分割任务模块设计.mp440.7MB

📄8-实现细节分析.mp427.8MB

📄9-总结分析.mp432.2MB

▶📁 12.SAM2视频分割1 个文件

📄SAM2视频分割.mp41.3GB

▶📁 13.EfficientSam分割算法1 个文件

📄Efficientam.mp41.4GB

▶📁 14.遥感图像处理与高光谱图像智能解译1 个文件

📄遥感图像处理与高光谱图像智能解译.mp41.5GB

▶📁 08-【方向A：CV方向】MMLAB框架与数据集制作实战9 个文件夹 · 55 个文件

▶📁 1.MMCV安装方法1 个文件

📄MMCV安装方法.mp455.8MB

▶📁 2.分类任务操作（分类）8 个文件

📄1-MMCLS问题修正.mp423.5MB

📄2-准备MMCLS项目.mp420.8MB

📄3-基本参数配置解读.mp434.5MB

📄4-各模块配置文件组成.mp435.8MB

📄5-生成完整配置文件.mp424.4MB

📄6-根据文件夹定义数据集.mp440.3MB

📄7-构建自己的数据集.mp436.3MB

📄8-训练自己的任务.mp439.3MB

▶📁 3.训练结果测试与验证（分类）9 个文件

📄1-测试DEMO效果.mp425.5MB

📄2-测试评估模型效果.mp427.6MB

📄3-MMCL中增加一个新的模块.mp462.6MB

📄4-修改配置文件中的参数.mp441.8MB

📄5-数据增强流程可视化展示.mp437.4MB

📄6-Grad-Cam可视化方法.mp441.2MB

📄7-可视化细节与效果分析.mp4124.2MB

📄8-MMCLS可视化模块应用.mp472.1MB

📄9-模型分析脚本使用.mp436.4MB

▶📁 4.模型源码调试（分类）5 个文件

📄1-VIT任务概述.mp430.0MB

📄2-数据增强模块概述分析.mp449.6MB

📄3-PatchEmbedding层.mp425.3MB

📄4-前向传播基本模块.mp438.9MB

📄5-CLS与输出模块.mp444.0MB

▶📁 5.分割模块自定义数据集训练（分割）5 个文件

📄1-项目配置基本介绍.mp435.8MB

📄2-数据集标注与制作方法.mp456.8MB

📄3-根据预测类别数修改配置文件.mp439.5MB

📄4-加载预训练模型开始训练.mp486.5MB

📄5-预测DEMO演示.mp421.9MB

▶📁 6.Unet策略修改（分割）8 个文件

📄1-配置文件解读.mp432.1MB

📄2-编码层模块.mp432.5MB

📄3-上采样与输出层.mp428.3MB

📄4-辅助层的作用.mp419.8MB

📄5-给Unet添加一个neck层.mp430.4MB

📄6-如何修改参数适配网络结构.mp421.7MB

📄7-将Unet特征提取模块替换成transformer.mp422.4MB

📄8-VIT模块源码分析.mp445.5MB

▶📁 7.分割任务CVPR最新Backbone设计及其应用（分割）10 个文件

📄1-注册自己的Backbone模块.mp434.3MB

📄2-配置文件指定.mp435.8MB

📄3-DEBUG解读Backbone设计.mp440.4MB

📄4-PatchEmbedding的作用与实现.mp444.9MB

📄5-卷积位置编码计算方法.mp453.9MB

📄6-近似Attention模块实现.mp479.5MB

📄7-完成特征提取与融合模块.mp455.7MB

📄8-分割输出模块.mp457.7MB

📄9-全局特征的作用与实现.mp456.3MB

📄10-汇总多层级特征进行输出.mp443.3MB

▶📁 8.MMDetection自定义数据训练（检测）8 个文件

📄1-数据集标注与标签获取.mp423.1MB

📄2-COCO数据标注格式.mp422.2MB

📄3-通过脚本生成COCO数据格式.mp423.9MB

📄4-配置文件数据增强策略分析.mp434.3MB

📄5-训练所需配置说明.mp438.0MB

📄6-模型训练与DEMO演示.mp425.4MB

📄7-模型测试与可视化分析模块.mp451.1MB

📄8-补充：评估指标.mp410.0MB

▶📁 9. MMAction自定义数据训练（行为识别）1 个文件

📄创建自己的行为识别标注数据集.mp4232.7MB

▶📁 09-【方向A：CV方向】Transformer与视觉应用18 个文件夹 · 107 个文件

▶📁 1.Vision Transformer算法原理解析1 个文件

📄Transformer算法解读.mp4457.5MB

▶📁 2.Vision Transformer算法源码解读1 个文件

📄视觉Transformer及其源码分析.mp4903.1MB

▶📁 3.视觉自监督BEIT算法解读3 个文件

📄1-建模流程分析与效果展示.mp4101.1MB

📄2-codebook模块的作用.mp481.3MB

📄3-任务总结分析.mp4114.4MB

▶📁 4.视觉自监督任务BEITv2论文解读5 个文件

📄1-BEITV2版本论文出发点解读.mp448.0MB

📄2-自监督任务中两大核心任务分析.mp456.2MB

📄3-整体网络架构图分析.mp444.0MB

📄4-框架实现细节流程分析.mp421.8MB

📄5-论文细节模块实现解读.mp499.3MB

▶📁 5.视觉自监督任务BEITv2源码解读3 个文件

📄1-mmselfup源码实现解读.mp442.0MB

📄2-网络结构搭建细节解读.mp449.2MB

📄3-源码实现流程总结.mp445.8MB

▶📁 6.SwinTransformer算法原理解析10 个文件

📄1-swintransformer整体概述.mp414.8MB

📄2-要解决的问题及其优势分析.mp422.3MB

📄3-一个block要完成的任务.mp417.4MB

📄4-获取各窗口输入特征.mp419.0MB

📄5-基于窗口的注意力机制解读.mp429.5MB

📄6-窗口偏移操作的实现.mp424.3MB

📄7-偏移细节分析及其计算量概述.mp420.4MB

📄8-整体网络架构整合.mp420.9MB

📄9-下采样操作实现方法.mp422.2MB

📄10-分层计算方法.mp421.7MB

▶📁 7.SwinTransformer算法源码解读8 个文件

📄1-数据与环境配置解读.mp459.6MB

📄2-图像数据patch编码.mp437.6MB

📄3-数据按window进行划分计算.mp431.5MB

📄4-基础attention计算模块.mp427.6MB

📄5-窗口位移模块细节分析.mp436.8MB

📄6-patchmerge下采样操作.mp425.2MB

📄7-各block计算方法解读.mp427.9MB

📄8-输出层概述.mp441.1MB

▶📁 8.DETR目标检测算法解析5 个文件

📄1-DETR目标检测基本思想解读.mp419.3MB

📄2-整体网络架构分析.mp431.6MB

📄3-位置信息初始化query向量.mp420.0MB

📄4-注意力机制的作用方法.mp420.9MB

📄5-训练过程的策略.mp428.4MB

▶📁 9.DETR目标检测源码解读9 个文件

📄1-项目环境配置解读.mp440.4MB

📄2-数据处理与dataloader.mp464.1MB

📄3-位置编码作用分析.mp447.9MB

📄4-backbone特征提取模块.mp435.6MB

📄5-mask与编码模块.mp434.8MB

📄6-编码层作用方法.mp442.9MB

📄7-Decoder层操作与计算.mp430.1MB

📄8-输出预测结果.mp441.3MB

📄9-损失函数与预测输出.mp441.2MB

▶📁 10.Deformable DETR 检测算法解析1 个文件

📄DeformableDetr算法解读.mp4730.4MB

▶📁 11.Deformable DETR 算法源码解读11 个文件

📄1-特征提取与位置编码.mp430.2MB

📄2-序列特征展开并叠加.mp451.1MB

📄3-得到相对位置点编码.mp421.5MB

📄4-准备Encoder编码层所需全部输入.mp427.9MB

📄5-编码层中的序列分析.mp429.7MB

📄6-偏移量offset计算.mp431.7MB

📄7-偏移量对齐操作.mp427.3MB

📄8-Encoder层完成特征对齐.mp437.4MB

📄9-Decoder要完成的操作.mp429.6MB

📄10-分类与回归输出模块.mp433.1MB

📄11-预测输出结果与标签匹配模块.mp433.8MB

▶📁 12.MedicalTransformer 分割算法解析6 个文件

📄1-论文整体分析.mp417.0MB

📄2-核心思想分析.mp434.4MB

📄3-网络结构计算流程概述.mp425.3MB

📄4-论文公式计算分析.mp427.4MB

📄5-位置编码的作用与效果.mp432.0MB

📄6-拓展应用分析.mp434.1MB

▶📁 13.MedicalTransformer 算法源码解读7 个文件

📄1-项目环境配置.mp425.3MB

📄2-医学数据介绍与分析.mp456.7MB

📄3-基本处理操作.mp425.8MB

📄4-AxialAttention实现过程.mp436.9MB

📄5-位置编码向量解读.mp427.8MB

📄6-注意力计算过程与方法.mp452.1MB

📄7-局部特征提取与计算.mp440.9MB

▶📁 14.Maskformer 分割算法源码解读1 个文件

📄分割模型Maskformer系列.mp4408.5MB

▶📁 15.Mask2former 分割算法码解读13 个文件

📄1-Backbone获取多层级特征.mp425.8MB

📄2-多层级采样点初始化构建.mp431.3MB

📄3-多层级输入特征序列创建方法.mp430.5MB

📄4-偏移量与权重计算并转换.mp436.6MB

📄5-Encoder特征构建方法实例.mp438.1MB

📄6-query要预测的任务解读.mp434.6MB

📄7-Decoder中的AttentionMask方法.mp437.9MB

📄8-损失模块输入参数分析.mp428.1MB

📄9-标签分配策略解读.mp429.9MB

📄10-正样本筛选损失计算.mp430.2MB

📄11-标签分类匹配结果分析.mp446.6MB

📄12-最终损失计算流程.mp436.9MB

📄13-汇总所有损失完成迭代.mp426.2MB

▶📁 16.BEVFormer 3D检测算法解析1 个文件

📄BEV特征空间.mp4339.5MB

▶📁 17.BEVFormer 算法源码解读12 个文件

📄1-环境配置方法解读.mp442.8MB

📄2-数据集下载与配置方法.mp453.6MB

📄3-特征提取以及BEV空间初始化.mp443.8MB

📄4-特征对齐与位置编码初始化.mp443.6MB

📄5-Reference初始点构建.mp437.3MB

📄6-BEV空间与图像空间位置对应.mp437.7MB

📄7-注意力机制模块计算方法.mp438.6MB

📄8-BEV特征构建.mp434.0MB

📄9-Decoder要完成的任务分析.mp433.9MB

📄10-获取当前BEV特征.mp435.9MB

📄11-Decoder级联校正模块.mp441.6MB

📄12-损失函数与预测可视化.mp449.5MB

▶📁 18.LoFTR特征匹配算法10 个文件

📄1-特征匹配的应用场景.mp421.1MB

📄2-特征匹配的基本流程分析.mp415.9MB

📄3-整体流程梳理分析.mp416.5MB

📄4-CrossAttention的作用与效果.mp415.7MB

📄5-transformer构建匹配特征.mp433.8MB

📄6-粗粒度匹配过程与作用.mp428.8MB

📄7-特征图拆解操作.mp414.3MB

📄8-细粒度匹配的作用与方法.mp419.9MB

📄9-基于期望预测最终位置.mp423.1MB

📄10-总结分析.mp439.4MB

▶📁 10-【方向A：CV方向】生成模型与图像生成技术13 个文件夹 · 88 个文件

▶📁 1-生成对抗网络架构原理5 个文件

📄1-对抗生成网络通俗解释.mp418.4MB

📄2-GAN网络组成.mp410.7MB

📄3-损失函数解释说明.mp439.9MB

📄4-数据读取模块.mp429.9MB

📄5-生成与判别网络定义.mp444.2MB

▶📁 2-基于 GAN 的图像补全实战9 个文件

📄1-论文概述.mp475.1MB

📄2-网络架构.mp430.8MB

📄3-细节设计.mp477.7MB

📄4-论文总结.mp467.3MB

📄5-数据与项目概述.mp445.9MB

📄6-参数基本设计.mp481.8MB

📄7-网络结构配置.mp471.6MB

📄8-网络迭代训练.mp492.9MB

📄9-测试模块.mp448.4MB

▶📁 3-基于 SRGAN图像超分辨率实战9 个文件

📄1-论文概述.mp446.8MB

📄2-网络架构.mp4106.9MB

📄3-数据与环境配置.mp426.9MB

📄4-数据加载与配置.mp439.1MB

📄5-生成模块.mp448.5MB

📄6-判别模块.mp444.6MB

📄7-VGG特征提取网络.mp435.9MB

📄8-损失函数与训练.mp489.0MB

📄9-测试模块.mp490.8MB

▶📁 4-CycleGAN图像转换技术10 个文件

📄1-CycleGan网络所需数据.mp437.6MB

📄2-CycleGan整体网络架构.mp421.4MB

📄3-PatchGan判别网络原理.mp411.5MB

📄4-Cycle开源项目简介.mp432.5MB

📄5-数据读取与预处理操作.mp457.9MB

📄6-生成网络模块构造.mp448.5MB

📄7-判别网络模块构造.mp419.8MB

📄8-损失函数：identity loss计算方法.mp437.2MB

📄9-生成与判别损失函数指定.mp454.7MB

📄10-额外补充：VISDOM可视化配置.mp438.7MB

▶📁 5-stargan论文架构解析9 个文件

📄1-stargan效果演示分析.mp428.0MB

📄2-网络架构整体思路解读.mp430.8MB

📄3-建模流程分析.mp442.5MB

📄4-V1版本存在的问题及后续改进思路.mp460.7MB

📄5-stargan论文架构解析资料.png493.5KB

📄5-V2版本在整体网络架构.mp463.7MB

📄6-编码器训练方法.mp453.5MB

📄7-损失函数公式解析.mp449.4MB

📄8-训练过程分析.mp434.2MB

▶📁 6-stargan项目实战及其源码解读10 个文件

📄1-测试模块效果与实验分析.mp430.0MB

📄2-项目配置与数据源下载.mp421.5MB

📄3-测试效果演示.mp435.0MB

📄4-项目参数解析.mp427.6MB

📄5-生成器模块源码解读.mp453.2MB

📄6-所有网络模块构建实例.mp446.5MB

📄7-数据读取模块分析.mp456.6MB

📄8-判别器损失计算.mp432.9MB

📄9-损失计算详细过程.mp445.8MB

📄10-生成模块损失计算.mp470.1MB

▶📁 7-StarGANv2变声器论文解析7 个文件

📄1-论文整体思路与架构解读.mp434.7MB

📄2-VCC2016输入数据.mp420.8MB

📄3-语音特征提取.mp430.6MB

📄4-生成器模型架构分析.mp415.8MB

📄5-InstanceNorm的作用解读.mp418.6MB

📄6-AdaIn的目的与效果.mp413.2MB

📄7-判别器模块分析.mp4114.0MB

▶📁 8-starganvc2变声器项目实战11 个文件

📄1-数据与项目文件解读.mp421.8MB

📄2-环境配置与工具包安装.mp437.1MB

📄3-数据预处理与声音特征提取.mp488.5MB

📄4-生成器构造模块解读.mp441.3MB

📄5-下采样与上采样操作.mp435.5MB

📄6-starganvc2版本标签输入分析.mp450.0MB

📄7-生成器前向传播维度变化.mp426.5MB

📄8-判别器模块解读.mp435.2MB

📄9-论文损失函数.mp4100.5MB

📄10-源码损失计算流程.mp434.8MB

📄11-测试模块-生成转换语音.mp447.2MB

▶📁 9-StyleGAN2高质量图像生成架构6 个文件

📄1-要完成的任务与基本思想概述.mp457.8MB

📄2-得到style特征编码.mp469.5MB

📄3-特征编码风格拼接.mp436.8MB

📄4-基础风格特征卷积模块.mp454.7MB

📄5-上采样得到输出结果.mp440.7MB

📄6-损失函数概述.mp426.6MB

▶📁 10-Diffusion模型架构2 个文件

📄1-Diffusion模型解读.mp4427.0MB

📄10-Diffusion模型架构资料.zip1.8MB

▶📁 11-DALL-E 2论文解析4 个文件

📄1-论文基本思想与核心模块分析.mp442.1MB

📄2-不同模块对比分析.mp434.8MB

📄3-算法核心流程解读.mp462.8MB

📄4-各模块实现细节讲解.mp478.8MB

▶📁 12-DALL-E 2源码解读5 个文件

📄1-项目整体流程分析.mp432.2MB

📄2-源码实现细节分析.mp441.1MB

📄3-源码公式对应论文分析.mp447.6MB

📄4-Decoder模块实现细节解读.mp444.8MB

📄5-源码实现流程总结.mp456.5MB

▶📁 13-视频超分辨率重构1 个文件

📄1-KIE关键信息抽取与视频超分辨率重构.mp4916.1MB

▶📁 11-【方向A：CV方向】行为识别+姿态估计+目标追踪11 个文件夹 · 95 个文件

▶📁 1-SlowFast 行为识别算法解析5 个文件

📄1-slowfast核心思想解读.mp474.9MB

📄2-核心网络结构模块分析.mp421.0MB

📄3-数据采样曾的作用.mp418.3MB

📄4-模型网络结构设计.mp419.3MB

📄5-特征融合模块与总结分析.mp439.3MB

▶📁 2-SlowFast 算法环境配置8 个文件

📄1-环境基本配置解读.mp426.5MB

📄2-目录各文件分析.mp426.3MB

📄3-配置文件作用解读.mp450.9MB

📄4-测试DEMO演示.mp466.8MB

📄5-训练所需标签文件说明.mp432.5MB

📄6-训练所需视频数据准备.mp447.4MB

📄7-视频数据集切分操作.mp439.7MB

📄8-完成视频分帧操作.mp422.4MB

▶📁 3-slowfast算法源码详细解读10 个文件

📄1-模型所需配置文件参数读取.mp433.2MB

📄2-数据处理概述.mp449.7MB

📄3-dataloader数据遍历方法.mp456.9MB

📄4-数据与标签读取实例.mp452.2MB

📄5-图像数据所需预处理方法.mp466.8MB

📄6-slow与fast分别执行采样操作.mp466.3MB

📄7-分别计算特征图输出结果.mp456.6MB

📄8-slow与fast特征图拼接操作.mp449.7MB

📄9-resnetBolock操作.mp453.6MB

📄10-RoiAlign与输出层.mp478.9MB

▶📁 4-3D卷积视频分析7 个文件

📄1-3D卷积原理解读.mp420.6MB

📄2-UCF101动作识别数据集简介.mp451.7MB

📄3-测试效果与项目配置.mp455.6MB

📄4-视频数据预处理方法.mp432.3MB

📄5-数据Batch制作方法.mp446.7MB

📄6-3D卷积网络所涉及模块.mp437.8MB

📄7-训练网络模型.mp438.8MB

▶📁 5- 视频异常检测算法与元学习7 个文件

📄1-异常检测要解决的问题与数据集介绍.mp421.5MB

📄2-基本思想与流程分析.mp424.3MB

📄3-预测与常见问题.mp426.6MB

📄4-Meta-Learn要解决的问题.mp423.9MB

📄5-学习能力与参数定义.mp414.2MB

📄6-如何找到合适的初始化参数.mp417.4MB

📄7-MAML算法流程解读.mp429.0MB

▶📁 6- CVPR 异常检测算法论文解读7 个文件

📄1-论文概述.mp433.1MB

📄2-数据集配置与读取.mp438.7MB

📄3-模型编码与解码结构.mp433.4MB

📄4-注意力机制模块打造.mp461.1MB

📄5-损失函数的目的.mp458.0MB

📄6-特征图生成.mp438.0MB

📄7-MetaLearn与输出.mp429.8MB

▶📁 7-人体姿态估计OpenPose算法解析10 个文件

📄1-数据集与路径配置解读.mp418.4MB

📄2-读取图像与标注信息.mp423.5MB

📄3-关键点与躯干特征图初始化.mp422.8MB

📄4-根据关键点位置设计关键点标签.mp435.9MB

📄5-准备构建PAF躯干标签.mp420.1MB

📄6-各位置点归属判断.mp420.8MB

📄7-特征图各点累加向量计算.mp421.9MB

📄8-完成PAF特征图制作.mp422.9MB

📄9-网络模型一阶段输出.mp419.0MB

📄10-多阶段输出与预测.mp429.4MB

▶📁 8-OpenPose算法源码解读12 个文件

📄1-姿态估计要解决的问题分析.mp479.5MB

📄2-姿态估计应用领域概述.mp420.8MB

📄3-传统topdown方法的问题.mp437.9MB

📄4-要解决的两个问题分析.mp410.2MB

📄5-基于高斯分布预测关键点位置.mp424.8MB

📄6-各模块输出特征图解读.mp415.6MB

📄7-PAF向量登场.mp412.6MB

📄8-PAF标签设计方法.mp425.0MB

📄9-预测时PAF积分计算方法.mp434.9MB

📄10-匹配方法解读.mp414.2MB

📄11-CPM模型特点.mp421.9MB

📄12-算法流程与总结.mp450.3MB

▶📁 9-deepsort源码解读10 个文件

📄1-项目环境配置.mp437.3MB

📄2-参数与DEMO演示.mp442.2MB

📄3-针对检测结果初始化track.mp448.2MB

📄4-对track执行预测操作.mp438.3MB

📄5-状态量预测结果.mp436.0MB

📄6-IOU代价矩阵计算.mp432.9MB

📄7-参数更新操作.mp450.2MB

📄8-级联匹配模块.mp443.3MB

📄9-ReID特征代价矩阵计算.mp446.5MB

📄10-匹配结果与总结.mp476.9MB

▶📁 10-deepsort算法知识点解读12 个文件

📄1-卡尔曼滤波通俗解释.mp431.5MB

📄2-卡尔曼滤波要完成的任务.mp415.6MB

📄3-任务本质分析.mp419.1MB

📄4-基于观测值进行最优估计.mp417.1MB

📄5-预测与更新操作.mp424.0MB

📄6-追踪中的状态量.mp416.0MB

📄7-匈牙利匹配算法概述.mp419.2MB

📄8-匹配小例子分析.mp421.8MB

📄9-REID特征的作用.mp420.8MB

📄10-sort与deepsort建模流程分析.mp426.8MB

📄11-预测与匹配流程解读.mp426.2MB

📄12-追踪任务流程拆解.mp432.1MB

▶📁 11-多目标追踪算法源码解读7 个文件

📄1-获取检测结果与追踪初始化.mp431.2MB

📄2-初始时刻追踪器创建.mp434.0MB

📄3-追踪器记录信息概述.mp430.9MB

📄4-匹配过程细节分析.mp444.3MB

📄5-不同帧时刻追踪器状态更新方法.mp442.5MB

📄6-追踪器状态更新处理.mp450.7MB

📄7-追踪器迭代更新策略.mp443.2MB

▶📁 12-【方向A：CV方向】行人重识别技术7 个文件夹 · 64 个文件

▶📁 1-行人重识别基础理论6 个文件

📄1-行人重识别要解决的问题.mp417.3MB

📄2-挑战与困难分析.mp435.9MB

📄3-评估标准rank1指标.mp414.1MB

📄4-map值计算方法.mp415.7MB

📄5-triplet损失计算实例.mp425.2MB

📄6-Hard-Negative方法应用.mp427.3MB

▶📁 2-注意力机制ReID模型13 个文件

📄1-论文整体思想及注意力机制的作用解读.mp450.5MB

📄2-空间权重值计算流程分析.mp432.9MB

📄3-融合空间注意力所需特征.mp427.4MB

📄4-基于特征图的注意力计算.mp466.0MB

📄5-项目环境与数据集配置.mp449.8MB

📄6-参数配置与整体架构分析.mp465.4MB

📄7-进入debug模式解读网络计算流程.mp430.6MB

📄8-获得空间位置点之间的关系.mp443.1MB

📄9-组合关系特征图.mp439.7MB

📄10-计算得到位置权重值.mp438.0MB

📄11-基于特征图的权重计算.mp425.6MB

📄12-损失函数计算实例解读.mp460.4MB

📄13-训练与测试模块演示.mp475.7MB

▶📁 3-AAAI最新ReID算法6 个文件

📄1-论文整体框架概述.mp416.2MB

📄2-局部特征与全局关系计算方法.mp415.4MB

📄3-特征分组方法.mp415.1MB

📄4-GCP模块特征融合方法.mp428.5MB

📄5-oneVsReset方法实例.mp415.6MB

📄6-损失函数应用位置.mp416.8MB

▶📁 4-局部特征融合ReID实战12 个文件

📄1-项目配置与数据集介绍.mp467.7MB

📄2-数据源构建方法分析.mp441.2MB

📄3-dataloader加载顺序解读.mp428.0MB

📄4-debug模式解读.mp462.3MB

📄5-网络计算整体流程演示.mp430.5MB

📄6-特征序列构建.mp441.0MB

📄7-GCP全局特征提取.mp439.7MB

📄8-局部特征提取实例.mp452.4MB

📄9-特征组合汇总.mp449.3MB

📄10-得到所有分组特征结果.mp451.2MB

📄11-损失函数与训练过程演示.mp442.5MB

📄12-测试与验证模块.mp447.0MB

▶📁 5-旷视研究院图模型ReID算法7 个文件

📄1-关键点位置特征构建.mp422.4MB

📄2-图卷积与匹配的作用.mp424.4MB

📄3-局部特征热度图计算.mp424.8MB

📄4-基于图卷积构建人体拓扑关系.mp429.8MB

📄5-图卷积模块实现方法.mp427.5MB

📄6-图匹配在行人重识别中的作用.mp418.1MB

📄7-整体算法框架分析.mp424.1MB

▶📁 6-基于拓扑图的ReID实战10 个文件

📄1-数据集与环境配置概述.mp448.1MB

📄2-局部特征准备方法.mp447.7MB

📄3-得到一阶段热度图结果.mp442.1MB

📄4-阶段监督训练.mp478.6MB

📄5-初始化图卷积模型.mp434.8MB

📄6-mask矩阵的作用.mp440.1MB

📄7-邻接矩阵学习与更新.mp451.0MB

📄8-基于拓扑结构组合关键点特征.mp463.2MB

📄9-图匹配模块计算流程.mp467.6MB

📄10-整体项目总结.mp479.8MB

▶📁 7-行人搜索源码分析10 个文件

📄1-检测与搜索.mp4650.4MB

📄2-项目概述.mp426.2MB

📄3-配置文件修改方法.mp431.6MB

📄4-数据与标签读取模块.mp458.0MB

📄5-通过配置文件读取模型位置.mp438.0MB

📄6-BackBone位置与流程.mp452.3MB

📄7-Neck层操作方法.mp433.1MB

📄8-Head层预测模块.mp430.1MB

📄9-损失函数计算模块.mp441.9MB

📄10-总结概述.mp422.5MB

▶📁 13-【方向A：CV方向】自动化驾驶13 个文件夹 · 87 个文件

▶📁 1-深度估计算法解析10 个文件

📄1-深度估计效果与应用.mp498.5MB

📄2-kitti数据集介绍.mp459.4MB

📄3-使用backbone获取层级特征.mp422.2MB

📄4-差异特征计算边界信息.mp426.5MB

📄5-SPP层的作用.mp415.3MB

📄6-空洞卷积与ASPP.mp418.9MB

📄7-特征拼接方法分析.mp421.2MB

📄8-网络coarse-to-fine过程.mp426.5MB

📄9-权重参数预处理.mp427.5MB

📄10-损失计算.mp430.5MB

▶📁 2-深度估计实战11 个文件

📄1-项目环境配置解读.mp452.9MB

📄2-数据与标签定义方法.mp474.3MB

📄3-数据集dataloader制作.mp436.8MB

📄4-使用backbone进行特征提取.mp442.4MB

📄5-计算差异特征.mp430.7MB

📄6-权重参数标准化操作.mp442.6MB

📄7-网络结构ASPP层.mp447.3MB

📄8-特征拼接方法解读.mp447.6MB

📄9-输出深度估计结果.mp425.4MB

📄10-损失函数通俗解读.mp465.8MB

📄11-模型DEMO输出结果.mp480.6MB

▶📁 3-车道线检测算法解析5 个文件

📄1-数据标签与任务分析.mp484.5MB

📄2-网络整体框架分析.mp428.9MB

📄3-输出结果分析.mp418.1MB

📄4-损失函数计算方法.mp427.3MB

📄5-论文概述分析.mp444.2MB

▶📁 4-车道线检测实战11 个文件

📄1-车道数据与标签解读.mp465.6MB

📄2-项目环境配置演示.mp430.0MB

📄3-制作数据集dataloader.mp454.6MB

📄4-车道线标签数据处理.mp434.2MB

📄5-四条车道线标签位置矩阵.mp422.3MB

📄6-grid设置方法.mp441.7MB

📄7-完成数据与标签制作.mp424.6MB

📄8-算法网络结构解读.mp459.9MB

📄9-损失函数计算模块分析.mp445.7MB

📄10-车道线规则损失函数限制.mp444.6MB

📄11-DEMO制作与配置.mp440.3MB

▶📁 5-三维重建与坐标系9 个文件

📄1-三维重建概述分析.mp466.8MB

📄2-三维重建应用领域概述.mp417.0MB

📄3-成像方法概述.mp416.3MB

📄4-相机坐标系.mp417.2MB

📄5-三维重建与坐标系说明.png493.5KB

📄5-坐标系转换方法解读.mp420.9MB

📄6-相机内外参.mp417.0MB

📄7-通过内外参数进行坐标变换.mp418.8MB

📄8-相机标定简介.mp45.9MB

▶📁 6-三维重建 NeuralRecon算法解析5 个文件

📄1-任务流程分析.mp424.3MB

📄2-基本框架熟悉.mp427.4MB

📄3-特征映射方法解读.mp434.7MB

📄4-片段融合思想.mp416.7MB

📄5-整体架构重构方法.mp423.0MB

▶📁 7-三维重建 NeuralRecon算法环境配置5 个文件

📄1-数据集下载与配置方法.mp452.4MB

📄2cannet数据集内容概述.mp437.3MB

📄3-TSDF标签生成方法.mp455.3MB

📄4-ISSUE的作用.mp449.2MB

📄5-完成依赖环境配置.mp457.1MB

▶📁 8-三维重建 NeuralRecon算法源码解读8 个文件

📄1-Backbone得到特征图.mp436.0MB

📄2-初始化体素位置.mp441.5MB

📄3-坐标映射方法实现.mp426.7MB

📄4-得到体素所对应特征图.mp450.7MB

📄5-插值得到对应特征向量.mp432.4MB

📄6-得到一阶段输出结果.mp438.1MB

📄7-完成三个阶段预测结果.mp445.8MB

📄8-项目总结.mp4108.4MB

▶📁 9-三维重建 TSDF算法解析6 个文件

📄1-TSDF整体概述分析.mp423.2MB

📄2-合成过程DEMO演示.mp427.6MB

📄3-布局初始化操作.mp412.7MB

📄4-TDF计算基本流程解读.mp423.9MB

📄5-坐标转换流程分析.mp431.1MB

📄6-输出结果融合更新.mp434.2MB

▶📁 10-三维重建 TSDF算法实战3 个文件

📄1-环境配置概述.mp432.7MB

📄2-初始化与数据读取.mp421.3MB

📄3-计算得到TSDF输出.mp444.1MB

▶📁 11-轨迹估计VectorNet 算法论文解读8 个文件

📄1-数据集与标注信息解读.mp457.5MB

📄2-整体三大模块分析.mp471.8MB

📄3-特征工程的作用与效果.mp441.7MB

📄4-传统方法与现在向量空间对比.mp451.8MB

📄5-输入细节分析.mp450.0MB

📄6-子图模块构建方法.mp442.5MB

📄7-特征融合模块分析.mp447.7MB

📄8-VectorNet输出层分析.mp485.5MB

▶📁 12-VectorNet 算法实战5 个文件

📄1-数据与环境配置.mp435.4MB

📄2-训练数据准备.mp427.7MB

📄3-Agent特征提取方法.mp438.0MB

📄4-DataLoader构建图结构.mp428.7MB

📄5-SubGraph与Attention模型流程.mp434.6MB

▶📁 13-特斯拉无人驾驶解读1 个文件

📄1-特斯拉无人驾驶解读.mp4392.5MB

▶📁 14-【方向A：CV方向】3D点云处理7 个文件夹 · 51 个文件

▶📁 1-3D点云应用领域介绍6 个文件

📄1-点云数据概述.mp449.5MB

📄2-点云应用领域与发展分析.mp482.2MB

📄3-点云分割任务.mp452.0MB

📄4-点云补全任务.mp429.2MB

📄5-点云检测与配准任务.mp459.6MB

📄6-点云数据特征提取概述与预告.mp422.7MB

▶📁 2-3D点云PointNet 算法解析5 个文件

📄1-3D数据应用领域与点云介绍.mp440.1MB

📄2-点云数据可视化展示.mp440.1MB

📄3-点云数据特性和及要解决的问题.mp433.1MB

📄4-PointNet算法出发点解读.mp417.5MB

📄5-PointNet算法网络架构解读.mp431.0MB

▶📁 3-3D点云PointNet++算法解析6 个文件

📄1-PointNet升级版算法要解决的问题.mp422.1MB

📄2-最远点采样方法.mp421.0MB

📄3-分组Group方法原理解读.mp432.8MB

📄4-整体流程概述分析.mp416.4MB

📄5-分类与分割问题解决方案.mp421.7MB

📄6-遇到的问题及改进方法分析.mp413.4MB

▶📁 4-Pointnet++项目实战13 个文件

📄1-项目文件概述.mp429.0MB

📄2-数据读取模块配置.mp439.2MB

📄3-DEBUG解读网络模型架构.mp424.2MB

📄4-最远点采样介绍.mp419.5MB

📄5-采样得到中心点.mp431.8MB

📄6-组区域划分方法.mp424.9MB

📄7-实现group操作得到各中心簇.mp435.0MB

📄8-特征提取模块整体流程.mp440.0MB

📄9-预测结果输出模块.mp438.7MB

📄10-分类任务总结.mp419.7MB

📄11-分割任务数据与配置概述.mp451.3MB

📄12-分割需要解决的任务概述.mp433.9MB

📄13-上采样完成分割任务.mp444.7MB

▶📁 5-点云补全PF-Net 算法解析5 个文件

📄1-点云补全要解决的问题.mp423.1MB

📄2-基本解决方案概述.mp417.4MB

📄3-整体网络概述.mp420.6MB

📄4-网络计算流程.mp425.5MB

📄5-输入与计算结果.mp465.0MB

▶📁 6-PF-Net 算法实战7 个文件

📄1-数据与项目配置解读.mp441.9MB

📄2-待补全数据准备方法.mp429.3MB

📄3-整体框架概述.mp449.1MB

📄4-MRE特征提取模块.mp440.4MB

📄5-分层预测输出模块.mp431.0MB

📄6-补全点云数据.mp435.2MB

📄7-判别模块.mp448.6MB

▶📁 7-点云配准技术9 个文件

📄1-点云配准任务概述.mp420.0MB

📄2-配准要完成的目标解读.mp417.6MB

📄3-训练数据构建.mp423.4MB

📄4-任务基本流程.mp415.6MB

📄5-数据源配置方法.mp445.4MB

📄6-参数计算模块解读.mp421.9MB

📄7-基于模型预测输出参数.mp424.9MB

📄8-特征构建方法分析.mp434.6MB

📄9-任务总结.mp433.3MB

▶📁 15-【方向A：CV方向】工业与医学视觉应用9 个文件夹 · 56 个文件

▶📁 1-钢材缺陷检测7 个文件

📄1-任务需求与项目概述.mp49.0MB

📄2-数据与标签配置方法.mp423.5MB

📄3-标签转换格式脚本制作.mp422.7MB

📄4-各版本模型介绍分析.mp420.1MB

📄5-项目参数配置.mp416.3MB

📄6-缺陷检测模型训练.mp417.0MB

📄7-输出结果与项目总结.mp427.4MB

▶📁 2-半监督布料缺陷检测5 个文件

📄1-任务目标与流程概述.mp430.5MB

📄2-论文思想与模型分析.mp449.2MB

📄3-项目配置解读.mp444.1MB

📄4-网络流程分析.mp419.5MB

📄5-输出结果展示.mp428.8MB

▶📁 3-基于OpenCV的缺陷检测实战5 个文件

📄1-任务需求与环境配置.mp410.1MB

📄2-数据读取与基本处理.mp417.6MB

📄3-缺陷形态学操作.mp419.4MB

📄4-整体流程解读.mp415.7MB

📄5-缺陷检测效果演示.mp429.9MB

▶📁 4-基于OpenCV的视频缺陷检测7 个文件

📄1-数据与任务概述.mp413.2MB

📄2-视频数据读取与轮廓检测.mp412.7MB

📄3-目标质心计算.mp421.3MB

📄4-视频数据遍历方法.mp422.4MB

📄5-缺陷区域提取.mp424.0MB

📄6-不同类型的缺陷检测方法.mp426.2MB

📄7-检测效果演示.mp419.6MB

▶📁 5-Deeplab铁质材料缺陷检测与开源项⽬应⽤流程8 个文件

📄1-数据集与任务概述.mp418.2MB

📄2-开源项目应用方法.mp420.5MB

📄3-github与kaggle中需要注意的点.mp426.9MB

📄4-源码的利用方法.mp475.2MB

📄5-数据集制作方法.mp449.7MB

📄6-数据路径配置.mp428.2MB

📄7-训练模型.mp423.5MB

📄8-任务总结.mp427.3MB

▶📁 6-医学图像分类7 个文件

📄1-医学疾病数据集介绍.mp418.8MB

📄2-Resnet网络架构原理分析.mp424.8MB

📄3-dataloader加载数据集.mp464.8MB

📄4-Resnet网络前向传播.mp435.8MB

📄5-残差网络的shortcut操作.mp447.3MB

📄6-特征图升维与降采样操作.mp426.9MB

📄7-网络整体流程与训练演示.mp467.4MB

▶📁 7-医学细胞分割6 个文件

📄1-医学细胞数据集介绍与参数配置.mp471.2MB

📄2-数据增强工具.mp461.5MB

📄3-Debug模式演示网络计算流程.mp441.4MB

📄4-特征融合方法演示.mp430.0MB

📄5-迭代完成整个模型计算任务.mp433.5MB

📄6-模型效果验证.mp447.3MB

▶📁 8-医学视频诊断6 个文件

📄1-数据集与任务概述.mp445.5MB

📄2-项目基本配置参数.mp433.3MB

📄3-任务流程解读.mp469.1MB

📄4-文献报告分析.mp4122.7MB

📄5-补充：视频数据源特征处理方法概述.mp426.3MB

📄6-补充：R(2plus1)D处理方法分析.mp418.9MB

▶📁 9-医学细胞检测5 个文件

📄1-任务与细胞数据集介绍.mp449.8MB

📄2-模型与算法配置参数解读.mp442.5MB

📄3-网络训练流程演示.mp442.3MB

📄4-效果评估与展示.mp432.7MB

📄5-细胞检测效果演示.mp443.2MB

▶📁 16-【方向A：CV方向】文字检测与识别5 个文件夹 · 25 个文件

▶📁 1-DBNET文字检测5 个文件

📄1-文字检测数据概述与配置文件.mp431.8MB

📄2-配置文件参数设置.mp438.7MB

📄3-Neck层特征组合.mp432.0MB

📄4-损失函数模块概述.mp443.1MB

📄5-损失计算方法.mp459.3MB

▶📁 2-ANINET文字识别8 个文件

📄1-数据集与环境概述.mp455.6MB

📄2-配置文件修改方法.mp452.5MB

📄3-Bakbone模块得到特征.mp442.1MB

📄4-视觉Transformer模块的作用.mp446.0MB

📄5-视觉模型中的编码与解码的效果.mp454.5MB

📄6-文本模型中的结构分析.mp438.7MB

📄7-迭代修正模块.mp438.1MB

📄8-输出层与损失计算.mp452.8MB

▶📁 3-OCR算法解读1 个文件

📄1-OCR算法解读.mp41.7GB

▶📁 4-项目实战-文档扫描OCR识别6 个文件

📄1-整体流程演示.mp421.5MB

📄2-文档轮廓提取.mp427.8MB

📄3-原始与变换坐标计算.mp426.2MB

📄4-透视变换结果.mp432.9MB

📄5-tesseract-ocr安装配置.mp441.2MB

📄6-文档扫描识别效果.mp428.9MB

▶📁 5-项目实战-信用卡数字识别5 个文件

📄1-总体流程与方法讲解.mp420.7MB

📄2-环境配置与预处理.mp434.8MB

📄3-模板处理方法.mp423.7MB

📄4-输入数据处理方法.mp428.9MB

📄5-模板匹配得出识别结果.mp447.7MB

▶📁 17-【方向B：NLP方向】自然语言处理基础技术6 个文件夹 · 71 个文件

▶📁 1-NLP常用工具包实战14 个文件

📄1-Python字符串处理.mp441.3MB

📄2-正则表达式基本语法.mp431.0MB

📄3-正则常用符号.mp437.1MB

📄4-常用函数介绍.mp440.1MB

📄5-NLTK工具包简介.mp432.3MB

📄6-停用词过滤.mp427.6MB

📄7-词性标注.mp435.9MB

📄8-数据清洗实例.mp441.4MB

📄9-Spacy工具包.mp447.1MB

📄10-名字实体匹配.mp421.4MB

📄11-恐怖袭击分析.mp440.5MB

📄12-统计分析结果.mp447.7MB

📄13-结巴分词器.mp428.1MB

📄14-词云展示.mp487.6MB

▶📁 2-自然语言处理项目流程实例14 个文件

📄1-Python字符串处理.mp441.3MB

📄2-正则表达式基本语法.mp431.0MB

📄3-正则常用符号.mp437.1MB

📄4-常用函数介绍.mp440.1MB

📄5-NLTK工具包简介.mp432.3MB

📄6-停用词过滤.mp427.6MB

📄7-词性标注.mp435.9MB

📄8-数据清洗实例.mp441.4MB

📄9pacy工具包.mp447.1MB

📄10-名字实体匹配.mp421.4MB

📄11-恐怖袭击分析.mp440.5MB

📄12-统计分析结果.mp447.7MB

📄13-结巴分词器.mp428.1MB

📄14-词云展示.mp487.6MB

▶📁 3-商品信息可视化与文本分析8 个文件

📄1-在线商城商品数据信息概述.mp432.3MB

📄2-商品类别划分方式.mp437.3MB

📄3-商品类别可视化展示.mp441.3MB

📄4-商品描述长度对价格的影响分析.mp433.7MB

📄5-关键词的词云可视化展示.mp451.9MB

📄6-基于tf-idf提取关键词信息.mp435.3MB

📄7-通过降维进行可视化展示.mp439.1MB

📄8-聚类分析与主题模型展示.mp457.0MB

▶📁 4-贝叶斯算法分析与实战11 个文件

📄1-贝叶斯算法概述.mp411.3MB

📄2-贝叶斯推导实例.mp411.9MB

📄3-贝叶斯拼写纠错实例.mp418.6MB

📄4-垃圾邮件过滤实例.mp422.8MB

📄5-贝叶斯实现拼写检查器.mp443.7MB

📄6-文本分析与关键词提取.mp419.4MB

📄7-相似度计算.mp419.5MB

📄8-新闻数据与任务简介.mp428.6MB

📄9-TF-IDF关键词提取.mp439.0MB

📄10-LDA建模.mp420.5MB

📄11-基于贝叶斯算法进行新闻分类.mp438.1MB

▶📁 5-N-gram 语言模型10 个文件

📄1-开篇.mp48.5MB

📄2-语言模型.mp48.8MB

📄3-N-gram模型.mp413.6MB

📄4-词向量.mp413.5MB

📄5-神经网络模型.mp415.9MB

📄6-Hierarchical Softmax.mp415.2MB

📄7-CBOW模型实例.mp418.5MB

📄8-CBOW求解目标.mp48.7MB

📄9-锑度上升求解.mp415.9MB

📄10-负采样模型.mp410.5MB

▶📁 6-HMM隐马尔科夫模型14 个文件

📄1-马尔科夫模型.mp417.5MB

📄2-隐马尔科夫模型基本出发点.mp418.7MB

📄3-组成与要解决的问题.mp414.9MB

📄4-暴力求解方法.mp428.0MB

📄5-复杂度计算.mp415.3MB

📄6-前向算法.mp436.1MB

📄7-前向算法求解实例.mp433.3MB

📄8-Baum-Welch算法.mp426.9MB

📄9-参数求解.mp417.2MB

📄10-维特比算法.mp443.1MB

📄11-hmmlearn工具包.mp419.6MB

📄12-工具包使用方法.mp455.6MB

📄13-中文分词任务.mp413.4MB

📄14-实现中文分词.mp435.8MB

▶📁 18-【方向B：NLP方向】词向量与文本表示学习7 个文件夹 · 53 个文件

▶📁 1-Word2Vec模型解读与构建6 个文件

📄1-词向量模型通俗解释.mp421.7MB

📄2-模型整体框架.mp428.2MB

📄3-训练数据构建.mp415.9MB

📄4-CBOW与Skip-gram模型.mp423.8MB

📄5-负采样方案.mp429.5MB

📄6-word2vec词向量模型.mp454.4MB

▶📁 2-基于word2vec的实战项目14 个文件

📄1-数据与任务流程.mp445.7MB

📄2-数据清洗.mp427.6MB

📄3-batch数据制作.mp451.5MB

📄4-网络训练.mp449.1MB

📄5-可视化展示.mp449.6MB

📄6-RNN网络架构.mp429.4MB

📄7-LSTM网络架构.mp417.8MB

📄8-案例：使用LSTM进行情感分类.mp439.6MB

📄9-情感数据集处理.mp441.9MB

📄10-基于word2vec的LSTM模型.mp442.7MB

📄11-影评情感分类.mp439.6MB

📄12-基于词袋模型训练分类器.mp433.5MB

📄13-准备word2vec输入数据.mp433.9MB

📄14-使用gensim构建word2vec词向量（新）.mp451.0MB

▶📁 3-文本特征方法对比6 个文件

📄1-任务概述.mp437.5MB

📄2-词袋模型.mp428.1MB

📄3-词袋模型分析.mp463.6MB

📄4-TFIDF模型.mp447.6MB

📄5-word2vec词向量模型.mp454.4MB

📄6-深度学习模型.mp439.3MB

▶📁 4-文本相似度模型7 个文件

📄1-任务概述.mp413.2MB

📄2-数据展示.mp422.7MB

📄3-正负样本制作.mp438.0MB

📄4-数据预处理.mp436.1MB

📄5-网络模型定义.mp455.9MB

📄6-基于字符的训练.mp458.9MB

📄7-基于句子的相似度训练.mp442.4MB

▶📁 5-NLP实战项目-机器人写唐诗8 个文件

📄1-任务概述与环境配置.mp48.1MB

📄2-参数配置.mp436.1MB

📄3-数据预处理模块.mp435.2MB

📄4-batch数据制作.mp434.8MB

📄5-RNN模型定义.mp425.7MB

📄6-完成训练模块.mp441.5MB

📄7-训练唐诗生成模型.mp414.5MB

📄8-测试唐诗生成效果.mp429.4MB

▶📁 6-NLP实战项目-对话机器人6 个文件

📄1-效果演示.mp430.6MB

📄2-参数配置与数据加载.mp451.0MB

📄3-数据处理.mp442.0MB

📄4-词向量与投影.mp438.2MB

📄5-seq网络.mp430.7MB

📄6-网络训练.mp438.0MB

▶📁 7-NLP实战项目-医学糖尿病数据命名实体识别6 个文件

📄1-数据与任务介绍.mp422.7MB

📄2-整体模型架构.mp415.0MB

📄3-数据-标签-语料库处理.mp440.0MB

📄4-训练网络模型.mp440.4MB

📄5-医疗数据集（糖尿病）实体识别.mp481.4MB

📄6-输入样本填充补齐.mp436.2MB

▶📁 19-【方向B：NLP方向】Transformer与预训练语言模型15 个文件夹 · 71 个文件

▶📁 1-Huggingface与NLP介绍1 个文件

📄1-Huggingface与NLP介绍解读.mp4163.6MB

▶📁 2-Huggingface数据集制作方法实例3 个文件

📄1-数据结构分析.mp447.9MB

📄2-Huggingface中的预处理实例.mp472.6MB

📄3-数据处理基本流程.mp472.6MB

▶📁 3-Transformer工具包实战9 个文件

📄1-工具包与任务整体介绍.mp433.4MB

📄2-NLP任务常规流程分析.mp429.2MB

📄3-文本切分方法实例解读.mp442.7MB

📄4-AttentionMask配套使用方法.mp435.3MB

📄5-数据集与模型.mp443.0MB

📄6-数据Dataloader封装.mp450.2MB

📄7-模型训练所需配置参数.mp436.9MB

📄8-模型训练DEMO.mp458.7MB

📄9-transformer原理解读.mp4367.6MB

▶📁 4-预训练语言模型 BERT 原理解析11 个文件

📄1-BERT课程简介.mp429.8MB

📄2-BERT任务目标概述.mp411.5MB

📄3-传统解决方案遇到的问题.mp422.7MB

📄4-注意力机制的作用.mp414.8MB

📄5-self-attention计算方法.mp423.8MB

📄6-特征分配与softmax机制.mp421.3MB

📄7-Multi-head的作用.mp419.4MB

📄8-位置编码与多层堆叠.mp416.8MB

📄9-transformer整体架构梳理.mp422.3MB

📄10-BERT模型训练方法.mp420.7MB

📄11-训练实例.mp424.2MB

▶📁 5-预训练语言模型 BERT 源码解读12 个文件

📄1-BERT开源项目简介.mp441.3MB

📄2-项目参数配置.mp4106.8MB

📄3-数据读取模块.mp454.3MB

📄4-数据预处理模块.mp440.1MB

📄5-tfrecord数据源制作.mp451.5MB

📄6-Embedding层的作用.mp431.0MB

📄7-加入额外编码特征.mp442.4MB

📄8-加入位置编码特征.mp423.6MB

📄9-mask机制的作用.mp436.8MB

📄10-构建QKV矩阵.mp450.8MB

📄11-完成Transformer模块构建.mp440.8MB

📄12-训练BERT模型.mp454.7MB

▶📁 6-预训练语言模型 BERT 变体原理解析5 个文件

📄1-BERT模型训练方法解读.mp423.9MB

📄2-ALBERT基本定义.mp438.6MB

📄3-ALBERT中的简化方法解读.mp443.4MB

📄4-RoBerta模型训练方法解读.mp428.4MB

📄5-DistilBert模型解读.mp416.1MB

▶📁 7-BERT应用实战-中文情感分析3 个文件

📄1-中文分类数据与任务概述.mp483.5MB

📄2-读取处理自己的数据集.mp453.1MB

📄3-训练BERT中文分类模型.mp472.3MB

▶📁 8-BERT应用实战-中文命名实体识别3 个文件夹 · 6 个文件

▶📁 1-命名实体识别数据分析与任务目标2 个文件

📄meta.json23.7KB

📄raw.m3u89.0KB

▶📁 2-NER标注数据处理与读取2 个文件

📄meta.json27.7KB

📄raw.m3u810.5KB

▶📁 3-构建BERT与CRF模型2 个文件

📄meta.json26.3KB

📄raw.m3u810.0KB

▶📁 9-文本标注与NER6 个文件

📄1-文本标注工具Doccano配置方法.mp433.0MB

📄2-命名实体识别任务标注方法实例.mp439.3MB

📄3-标注导出与BIO处理.mp439.4MB

📄4-标签处理并完成对齐操作.mp438.6MB

📄5-预训练模型加载与参数配置.mp441.5MB

📄6-模型训练与输出结果预测.mp443.1MB

▶📁 10-文本预训练构建3 个文件

📄1-预训练模型效果分析.mp432.0MB

📄2-文本数据截断处理.mp445.8MB

📄3-预训练模型自定义训练.mp497.9MB

▶📁 11-文本预训练模型构建实例4 个文件

📄1-中文商城评价数据处理方法.mp466.4MB

📄2-模型训练与测试结果.mp4108.1MB

📄3-文本摘要数据标注方法.mp455.9MB

📄4-训练自己标注的数据并测试.mp427.7MB

▶📁 12-知识图谱抽取实战8 个文件

📄1-应用场景概述分析.mp492.0MB

📄2-数据标注格式样例分析.mp470.0MB

📄3-数据处理与读取模块.mp439.1MB

📄4-实体抽取模块分析.mp444.3MB

📄5-标签与数据结构定义方法.mp449.7MB

📄6-模型构建与计算流程.mp443.1MB

📄7-网络模型前向计算方法.mp432.9MB

📄8-关系抽取模型训练.mp442.2MB

▶📁 25-【方向D时序与GNN方向】时间序列预测算法与实战7 个文件夹 · 33 个文件

▶📁 1.RNN网络架构1 个文件

📄RNN网络架构.mp429.4MB

▶📁 2.LSTM网络架构1 个文件

📄LSTM网络架构.mp417.9MB

▶📁 3.Informer算法7 个文件

📄1-时间序列预测要完成的任务.mp433.3MB

📄2-常用模块分析.mp424.2MB

📄3-论文要解决的问题分析.mp430.5MB

📄4-Query采样方法解读.mp423.1MB

📄5-probAttention计算流程.mp431.4MB

📄6-编码器全部计算流程.mp427.2MB

📄7-解码器流程分析.mp424.9MB

▶📁 4.Informer源码13 个文件

📄1-项目使用说明.mp463.9MB

📄2-数据集解读.mp460.6MB

📄3-模型训练所需参数解读.mp437.4MB

📄4-数据集构建与读取方式.mp444.5MB

📄5-数据处理相关模块.mp444.6MB

📄6-时间相关特征提取方法.mp440.0MB

📄7-dataloader构建实例.mp441.0MB

📄8-整体架构分析.mp436.9MB

📄9-编码器模块实现.mp439.2MB

📄10-核心采样计算方法.mp450.1MB

📄11-完成注意力机制计算模块.mp428.4MB

📄12-平均向量的作用.mp433.7MB

📄13-解码器预测输出.mp474.5MB

▶📁 5.TimesNet时序预测9 个文件

📄1-时序预测故事背景.mp481.9MB

📄2-论文核心思想解读.mp464.3MB

📄3-时序特征周期拆解.mp472.5MB

📄4-计算公式流程拆解.mp452.9MB

📄5-全部计算流程解读.mp466.5MB

📄6-周期间特征分析.mp474.1MB

📄7-源码流程解读.mp454.1MB

📄8-傅里叶变换流程.mp434.0MB

📄9-整体计算流程.mp451.2MB

▶📁 6.基于图模型的时间序列预测1 个文件

📄1-基于图模型的时间序列预测 .mp4798.5MB

▶📁 7.time-llm大模型多模态预测任务1 个文件

📄1-time-llm大模型多模态预测任务.mp41.4GB

▶📁 26-【方向D时序与GNN方向】图神经网络实战8 个文件夹 · 63 个文件

▶📁 1.图神经网络基础6 个文件

📄1-图神经网络应用领域分析.mp426.4MB

📄2-图基本模块定义.mp410.5MB

📄3-邻接矩阵的定义.mp416.1MB

📄4-GNN中常见任务.mp419.2MB

📄5-消息传递计算方法.mp414.2MB

📄6-多层GCN的作用.mp413.0MB

▶📁 2.图卷积（GCN）模型4 个文件

📄1-GCN基本模型概述.mp413.2MB

📄2-图卷积的基本计算方法.mp412.6MB

📄3-邻接的矩阵的变换.mp418.4MB

📄4-GCN变换原理解读.mp421.1MB

▶📁 3.PyTorch Geometric配置与实战14 个文件

📄1-PyTorch Geometric工具包安装与配置方法.mp445.1MB

📄2-数据集与邻接矩阵格式.mp451.9MB

📄3-模型定义与训练方法.mp441.9MB

📄3.PyTorch Geometric配置与实战资料.zip1.8MB

📄4-文献引用数据集分类案例实战.mp447.7MB

📄5-构建数据集基本方法.mp413.5MB

📄6-数据集与任务背景概述.mp421.6MB

📄7-数据集基本预处理.mp431.5MB

📄8-用户行为图结构创建.mp436.7MB

📄9-数据集创建函数介绍.mp434.9MB

📄10-网络结构定义模块.mp436.9MB

📄11-TopkPooling进行下采样任务.mp431.3MB

📄12-获取全局特征.mp425.7MB

📄13-模型训练与总结.mp435.8MB

▶📁 4.图注意力与序列模型4 个文件

📄1-图注意力机制的作用与方法.mp416.5MB

📄2-邻接矩阵计算图Attention.mp421.4MB

📄3-序列图神经网络CN应用.mp412.6MB

📄4-序列图神经网络细节.mp423.7MB

▶📁 5.图相似度论文分析14 个文件

📄1-要完成的任务分析.mp447.8MB

📄2-基本方法概述解读.mp452.7MB

📄3-图模型提取全局与局部特征.mp447.4MB

📄4-NTN模块的作用与效果.mp441.1MB

📄5-点之间的对应关系计算.mp451.2MB

📄5.图相似度论文分析必看.zip1.8MB

📄6-结果输出与总结.mp471.2MB

📄7-数据集与任务概述.mp418.1MB

📄8-图卷积特征提取模块.mp455.9MB

📄9-分别计算不同Batch点的分布.mp431.7MB

📄10-获得直方图特征结果.mp421.1MB

📄11-图的全局特征构建.mp431.4MB

📄12-NTN图相似特征提取.mp439.2MB

📄13-预测得到相似度结果.mp418.6MB

▶📁 6.图模型轨迹估计13 个文件

📄1-数据集与标注信息解读.mp457.5MB

📄2-整体三大模块分析.mp471.8MB

📄3-特征工程的作用与效果.mp441.7MB

📄4-传统方法与现在向量空间对比.mp451.8MB

📄5-输入细节分析.mp450.0MB

📄6-子图模块构建方法.mp442.5MB

📄7-特征融合模块分析.mp447.7MB

📄8-VectorNet输出层分析.mp485.5MB

📄9-数据与环境配置.mp435.4MB

📄10-训练数据准备.mp427.7MB

📄11-Agent特征提取方法.mp437.9MB

📄12-DataLoader构建图结构.mp428.6MB

📄13-SubGraph与Attention模型流程.mp434.6MB

▶📁 7.异构图神经网络

▶📁 8.KIE关键信息抽取8 个文件

📄1-配置文件以及要完成的任务解读.mp451.6MB

📄2-KIE数据集格式调整方法.mp469.5MB

📄3-配置文件与标签要进行处理操作.mp447.8MB

📄4-边框要计算的特征分析.mp435.6MB

📄5-标签数据处理与关系特征提取.mp456.5MB

📄6-特征合并处理.mp443.7MB

📄7-准备拼接边与点特征.mp441.4MB

📄8-整合得到图模型输入特征.mp472.0MB

▶📁 27-【方向E强化学习】强化学习基础算法与实战8 个文件夹 · 46 个文件

▶📁 1.强化学习简介及其应用6 个文件

📄1-一张图通俗解释强化学习.mp417.7MB

📄2-强化学习的指导依据.mp420.2MB

📄3-强化学习AI游戏DEMO.mp420.4MB

📄4-应用领域简介.mp417.4MB

📄5-强化学习工作流程.mp414.8MB

📄6-计算机眼中的状态与行为.mp420.1MB

▶📁 2.PPO算法与公式推导8 个文件

📄1-基本情况介绍.mp428.1MB

📄2-与环境交互得到所需数据.mp423.2MB

📄3-要完成的目标分析.mp424.5MB

📄4-策略梯度推导.mp421.8MB

📄5-baseline方法.mp418.4MB

📄6-OnPolicy与OffPolicy策略.mp420.8MB

📄7-importance sampling的作用.mp423.2MB

📄8-PPO算法整体思路解析.mp426.6MB

▶📁 3.PPO实战-月球登陆器训练实例6 个文件

📄1-Critic的作用与效果.mp440.1MB

📄2-PPO2版本公式解读.mp431.7MB

📄3-参数与网络结构定义.mp433.7MB

📄4-得到动作结果.mp429.0MB

📄5-奖励获得与计算.mp436.3MB

📄6-参数迭代与更新.mp449.3MB

▶📁 4.Q-learning与DQN算法9 个文件

📄1-整体任务流程演示.mp423.9MB

📄2-探索与action获取.mp428.4MB

📄3-计算target值.mp422.5MB

📄4-训练与更新.mp434.2MB

📄5-算法原理通俗解读.mp426.0MB

📄6-目标函数与公式解析.mp425.6MB

📄7-Qlearning算法实例解读.mp416.7MB

📄8-Q值迭代求解.mp422.5MB

📄9-DQN简介.mp415.4MB

▶📁 5.DQN改进与应用技巧5 个文件

📄1-DoubleDqn要解决的问题.mp422.4MB

📄2-DuelingDqn改进方法.mp419.1MB

📄3-Dueling整体网络架构分析.mp421.8MB

📄4-MultiSetp策略.mp48.7MB

📄5-连续动作处理方法.mp422.3MB

▶📁 6.Actor-Critic算法分析（A3C）5 个文件

📄1-AC算法回顾与知识点总结.mp417.3MB

📄2-优势函数解读与分析.mp419.9MB

📄3-计算流程实例.mp417.6MB

📄4-A3C整体架构分析.mp416.4MB

📄5-损失函数整理.mp422.4MB

▶📁 7.用A3C玩转超级马里奥6 个文件

📄1-整体流程与环境配置.mp427.0MB

📄2-启动游戏环境.mp432.2MB

📄3-要计算的指标回顾.mp437.0MB

📄4-初始化局部模型并加载参数.mp432.3MB

📄5-与环境交互得到训练数据.mp439.3MB

📄6-训练网络模型.mp444.3MB

▶📁 8.强化学习-拓展1 个文件

📄强化学习的基础原理与应用等.mp4375.4MB

▶📁 28-【方向E强化学习】人形机器人高级学习与控制方法

▶📁 29-【方向F智能应用】知识图谱技术与构建6 个文件夹 · 51 个文件

▶📁 1.知识图谱分析与应用11 个文件

📄1-知识图谱通俗解读.mp419.9MB

📄2-知识图谱在搜索引擎中的应用.mp426.6MB

📄3-知识图谱在医疗领域应用实例.mp4102.9MB

📄4-金融与推荐领域的应用.mp420.4MB

📄5-数据获取分析.mp436.0MB

📄6-数据关系抽取分析.mp427.3MB

📄7-常用NLP技术点分析.mp422.1MB

📄8-graph-embedding的作用与效果.mp426.2MB

📄9-金融领域图编码实例.mp412.8MB

📄10-视觉领域图编码实例.mp421.0MB

📄11-图谱知识融合与总结分析.mp424.0MB

▶📁 2.Neo4j图数据库实战9 个文件

📄1-Neo4j图数据库介绍.mp463.5MB

📄2-Neo4j数据库安装流程演示.mp427.7MB

📄3-可视化例子演示.mp443.6MB

📄4-创建与删除操作演示.mp425.3MB

📄5-数据库更改查询操作演示.mp427.2MB

📄6-使用Py2neo建立连接.mp447.6MB

📄7-提取所需的指标信息.mp453.2MB

📄8-在图中创建实体.mp443.9MB

📄9-根据给定实体创建关系.mp451.1MB

▶📁 3.基于知识图谱的医药问答系统实战10 个文件

📄1-项目概述与整体架构分析.mp437.1MB

📄2-医疗数据介绍及其各字段含义.mp462.7MB

📄3-任务流程概述.mp439.8MB

📄4-环境配置与所需工具包安装.mp436.4MB

📄5-提取数据中的关键字段信息.mp461.4MB

📄6-创建关系边.mp439.4MB

📄7-打造医疗知识图谱模型.mp459.2MB

📄8-加载所有实体数据.mp442.5MB

📄9-实体关键词字典制作.mp431.9MB

📄10-完成对话系统构建.mp439.5MB

▶📁 4.文本关系抽取实践8 个文件

📄1-关系抽取要完成的任务演示与分析.mp418.6MB

📄2-LTP工具包概述介绍.mp446.5MB

📄3-pyltp安装与流程演示.mp441.8MB

📄4-得到分词与词性标注结果.mp447.2MB

📄5-依存句法概述.mp430.9MB

📄6-句法分析结果整理.mp439.1MB

📄7-语义角色构建与分析.mp454.2MB

📄8-设计规则完成关系抽取.mp452.5MB

▶📁 5.金融平台风控模型实践7 个文件

📄1-竞赛任务目标.mp423.8MB

📄2-图模型信息提取.mp427.8MB

📄3-节点权重特征提取(PageRank).mp435.6MB

📄4-deepwalk构建图顶点特征.mp453.5MB

📄5-各项统计特征.mp456.1MB

📄6-app安装特征.mp437.4MB

📄7-图中联系人特征.mp470.3MB

▶📁 6.医学糖尿病数据命名实体识别6 个文件

📄1-数据与任务介绍.mp422.8MB

📄2-整体模型架构.mp415.0MB

📄3-数据-标签-语料库处理.mp440.0MB

📄4-输入样本填充补齐.mp436.3MB

📄5-训练网络模型.mp440.4MB

📄6-医疗数据集（糖尿病）实体识别.mp481.5MB

▶📁 30-【方向F智能应用】语音识别7 个文件夹 · 59 个文件

▶📁 1.seq2seq序列网络模型6 个文件

📄1-序列网络模型概述分析.mp417.3MB

📄2-工作原理概述.mp49.0MB

📄3-注意力机制的作用.mp414.9MB

📄4-加入attention的序列模型整体架构.mp420.6MB

📄5-TeacherForcing的作用与训练策略.mp416.6MB

📄6-额外补充-RNN网络模型解读.mp423.8MB

▶📁 2.LAS模型语音识别实战9 个文件

📄1-数据源与环境配置.mp432.3MB

📄2-语料表制作方法.mp425.5MB

📄3-制作json标注数据.mp437.9MB

📄4-声音数据处理模块解读.mp462.9MB

📄5-Pack与Pad操作解析.mp436.0MB

📄6-编码器模块整体流程.mp431.5MB

📄7-加入注意力机制.mp433.3MB

📄8-计算得到每个输出的attention得分.mp436.5MB

📄9-解码器与训练过程演示.mp443.8MB

▶📁 3.starganvc2变声器论文原理解读7 个文件

📄1-论文整体思路与架构解读.mp434.7MB

📄2-VCC2016输入数据.mp420.8MB

📄3-语音特征提取.mp430.6MB

📄4-生成器模型架构分析.mp415.8MB

📄5-InstanceNorm的作用解读.mp418.6MB

📄6-AdaIn的目的与效果.mp413.2MB

📄7-判别器模块分析.mp4114.1MB

▶📁 4.staeganvc2变声器源码实战11 个文件

📄1-数据与项目文件解读.mp421.8MB

📄2-环境配置与工具包安装.mp437.1MB

📄3-数据预处理与声音特征提取.mp488.5MB

📄4-生成器构造模块解读.mp441.4MB

📄5-下采样与上采样操作.mp435.5MB

📄6-starganvc2版本标签输入分析.mp450.0MB

📄7-生成器前向传播维度变化.mp426.5MB

📄8-判别器模块解读.mp435.2MB

📄9-论文损失函数.mp4100.5MB

📄10-源码损失计算流程.mp434.8MB

📄11-测试模块-生成转换语音.mp447.2MB

▶📁 5.语音分离ConvTasnet模型6 个文件

📄1-语音分离任务分析.mp49.2MB

📄2-经典语音分离模型概述.mp418.1MB

📄3-DeepClustering论文解读.mp416.3MB

📄4-TasNet编码器结构分析.mp441.7MB

📄5-DW卷积的作用与效果.mp410.2MB

📄6-基于Mask得到分离结果.mp419.3MB

▶📁 6.ConvTasnet语音分离实战8 个文件

📄1-数据准备与环境配置.mp478.0MB

📄2-训练任务所需参数介绍.mp427.7MB

📄3-DataLoader定义.mp438.0MB

📄4-采样数据特征编码.mp437.7MB

📄5-编码器特征提取.mp455.0MB

📄6-构建更大的感受区域.mp453.5MB

📄7-解码得到分离后的语音.mp452.6MB

📄8-测试模块所需参数.mp442.4MB

▶📁 7.语音合成tacotron最新版实战12 个文件

📄1-语音合成项目所需环境配置.mp444.6MB

📄2-所需数据集介绍.mp452.7MB

📄3-路径配置与整体流程解读.mp470.2MB

📄4-Dataloader构建数据与标签.mp466.7MB

📄5-编码层要完成的任务.mp446.4MB

📄6-得到编码特征向量.mp428.6MB

📄7-解码器输入准备.mp434.6MB

📄8-解码器流程梳理.mp441.4MB

📄9-注意力机制应用方法.mp443.7MB

📄10-得到加权的编码向量.mp455.9MB

📄11-模型输出结果.mp453.3MB

📄12-损失函数与预测.mp448.0MB

▶📁 31-【方向F智能应用】现代推荐系统与实战10 个文件夹 · 81 个文件

▶📁 1.协同过滤与矩阵分解8 个文件

📄1-协同过滤与矩阵分解简介.mp411.3MB

📄2-基于用户与商品的协同过滤.mp418.5MB

📄3-相似度计算与推荐实例.mp415.2MB

📄4-矩阵分解的目的与效果.mp420.7MB

📄5-矩阵分解中的隐向量.mp425.1MB

📄6-目标函数简介.mp413.8MB

📄7-隐式情况分析.mp414.1MB

📄8-Embedding的作用.mp411.1MB

▶📁 2.推荐系统介绍及其应用6 个文件

📄1-推荐系统通俗解读.mp417.3MB

📄2-推荐系统发展简介.mp423.3MB

📄3-应用领域与多方位评估指标.mp426.5MB

📄4-任务流程与挑战概述.mp426.8MB

📄5-常用技术点分析.mp416.5MB

📄6-与深度学习的结合.mp423.7MB

▶📁 3.音乐推荐系统实战6 个文件

📄1-音乐推荐任务概述.mp464.5MB

📄2-数据集整合.mp453.9MB

📄3-基于物品的协同过滤.mp463.1MB

📄4-物品相似度计算与推荐.mp463.4MB

📄5-SVD矩阵分解.mp430.9MB

📄6-基于矩阵分解的音乐推荐.mp483.2MB

▶📁 4.知识图谱与Neo4j数据库实例10 个文件

📄1-知识图谱通俗解读.mp419.9MB

📄2-知识图谱在搜索引擎中的应用.mp426.6MB

📄3-知识图谱在医疗领域应用实例.mp4102.9MB

📄4-金融与推荐领域的应用.mp420.4MB

📄5-数据获取分析.mp436.0MB

📄6-Neo4j图数据库介绍.mp463.5MB

📄7-Neo4j数据库安装流程演示.mp427.7MB

📄8-可视化例子演示.mp443.6MB

📄9-创建与删除操作演示.mp425.3MB

📄10-数据库更改查询操作演示.mp427.2MB

▶📁 5.基于知识图谱的电影推荐实战7 个文件

📄1-知识图谱推荐系统效果演示.mp423.7MB

📄2-kaggle电影数据集下载与配置.mp463.4MB

📄3-图谱需求与任务流程解读.mp426.6MB

📄4-项目所需环境配置安装.mp448.9MB

📄5-构建用户电影知识图谱.mp461.5MB

📄6-图谱查询与匹配操作.mp419.6MB

📄7-相似度计算与推荐引擎构建.mp439.2MB

▶📁 6.DeepFM算法解析与实战17 个文件

📄1-CTR估计及其经典方法概述.mp422.0MB

📄2-高维特征带来的问题.mp413.0MB

📄3-二项式特征的作用与挑战.mp411.8MB

📄4-二阶公式推导与化简.mp420.9MB

📄5-FM算法解析.mp419.9MB

📄6-DeepFm整体架构解读.mp415.2MB

📄7-输入层所需数据样例.mp414.1MB

📄8-Embedding层的作用与总结.mp421.5MB

📄9-数据集介绍与环境配置.mp457.8MB

📄10-广告点击数据预处理实例.mp449.2MB

📄11-数据处理模块Embedding层.mp434.4MB

📄12-Index与Value数据制作.mp429.3MB

📄13-一阶权重参数设计.mp433.6MB

📄14-二阶特征构建方法.mp428.9MB

📄15-特征组合方法实例分析.mp449.5MB

📄16-完成FM模块计算.mp424.6MB

📄17-DNN模块与训练过程.mp437.6MB

▶📁 7.推荐系统常用工具包演示5 个文件

📄1-环境配置与数据集介绍.mp435.7MB

📄2-电影数据集预处理分析.mp432.8MB

📄3-surprise工具包基本使用.mp436.1MB

📄4-模型测试集结果.mp430.7MB

📄5-评估指标概述.mp466.5MB

▶📁 8.基于文本数据的推荐实例7 个文件

📄1-数据与环境配置介绍.mp419.8MB

📄2-数据科学相关数据介绍.mp431.3MB

📄3-文本数据预处理.mp437.4MB

📄4-TFIDF构建特征矩阵.mp431.3MB

📄5-矩阵分解演示.mp429.0MB

📄6-LDA主题模型效果演示.mp453.1MB

📄7-推荐结果分析.mp443.0MB

▶📁 9.基本统计分析的电影推荐9 个文件

📄1-电影数据与环境配置.mp464.1MB

📄2-数据与关键词信息展示.mp461.3MB

📄3-关键词云与直方图展示.mp446.0MB

📄4-特征可视化.mp438.7MB

📄5-数据清洗概述.mp457.3MB

📄6-缺失值填充方法.mp437.2MB

📄7-推荐引擎构造.mp451.0MB

📄8-数据特征构造.mp436.2MB

📄9-得出推荐结果.mp451.9MB

▶📁 10.基于相似度的酒店推荐系统6 个文件

📄1-酒店数据与任务介绍.mp422.0MB

📄2-文本词频统计.mp431.4MB

📄3-ngram结果可视化展示.mp453.1MB

📄4-文本清洗.mp432.9MB

📄5-相似度计算.mp447.6MB

📄6-得出推荐结果.mp462.0MB

▶📁 32-【进阶模块】深度学习模型部署与实战7 个文件夹 · 42 个文件

▶📁 1.PyTorch Flask部署示例3 个文件

📄1-基本结构与训练好的模型加载.mp421.0MB

📄2-服务端处理与预测函数.mp440.9MB

📄3-基于Flask测试模型预测结果.mp446.3MB

▶📁 2.PyTorch Docker部署示例7 个文件

📄1-docker简介.mp416.0MB

📄2-docker安装与配置.mp448.6MB

📄3-阿里云镜像配置.mp427.0MB

📄4-基于docker配置pytorch环境.mp436.6MB

📄5-安装演示环境所需依赖.mp431.5MB

📄6-复制所需配置到容器中.mp428.2MB

📄7-上传与下载配置好的项目.mp445.5MB

▶📁 3.使用Docker实现TensorFlow-Serving部署实战5 个文件

📄1-tf-serving项目获取与配置.mp430.5MB

📄2-加载并启动模型服务.mp431.3MB

📄3-测试模型部署效果.mp443.4MB

📄4-fashion数据集获取.mp438.6MB

📄5-加载fashion模型启动服务.mp433.4MB

▶📁 4.AloT与Jetson Nano5 个文件

📄1-jetson nano 硬件介绍.mp422.1MB

📄2-jetson nano 刷机.mp4105.2MB

📄3-jetson nano 系统安装过程.mp484.6MB

📄4-感受nano的GPU算力.mp462.4MB

📄5-安装使用摄像头csi usb.mp443.2MB

▶📁 5.AloT实战应用7 个文件

📄1-jetson-inference 入门.mp432.0MB

📄2-docker 的安装使用.mp472.2MB

📄3-docker中运行分类模型.mp4105.5MB

📄4-训练自己的目标检测模型准备.mp436.4MB

📄5-训练出自己目标识别模型a.mp4109.8MB

📄6-训练出自己目标识别模型b.mp441.2MB

📄7-转换出onnx模型，并使用.mp431.2MB

▶📁 6.NVIDIA TAO训练工具7 个文件

📄1-NVIDIA TAO介绍和安装.mp474.4MB

📄2-NVIDIA TAO数据准备和环境设置.mp441.5MB

📄3-NVIDIA TAO数据转换.mp4103.7MB

📄4-NVIDIA TAO预训练模型和训练a.mp440.3MB

📄5-NVIDIA TAO预训练模型和训练b.mp418.7MB

📄6-NVIDIA TAO预训练模型和训练c.mp416.3MB

📄7-TAO 剪枝在训练推理验证.mp4127.8MB

▶📁 7.DeepStream应用8 个文件

📄1-deepstream 介绍安装.mp455.5MB

📄2-deepstream HelloWorld.mp445.0MB

📄3-GStreamer RTP和RTSP1.mp464.0MB

📄4-GStreamer RTP和RTSP2.mp478.5MB

📄5-python实现RTP和RTSP.mp487.5MB

📄6-deepstream推理.mp494.1MB

📄7-deepstream集成yolov4.mp486.6MB

📄7.DeepStream应用必看.zip1.8MB

▶📁 33-【进阶模块】深度学习模型优化与创新6 个文件夹 · 44 个文件

▶📁 1.通用创新点18 个文件

📄1-ACMIX（卷积与注意力融合）.mp486.0MB

📄2-GCnet（全局特征融合）.mp474.3MB

📄3-Coordinate_attention.mp474.9MB

📄4-SPD（可替换下采样）.mp445.0MB

📄5-SPP改进.mp417.0MB

📄6-mobileOne（加速）.mp445.3MB

📄7-Deformable（替换selfAttention）.mp444.9MB

📄8-ProbAttention（采样策略）.mp423.6MB

📄9-CrossAttention融合特征.mp420.5MB

📄10-Attention额外加入先验知识.mp47.4MB

📄11-结合GNN构建局部特征.mp425.9MB

📄12-损失函数约束项.mp48.4MB

📄13-自适应可学习参数.mp414.3MB

📄14-Coarse2Fine大框架.mp440.5MB

📄15-只能机器学习模型时凑工作量（特征工程）.mp46.0MB

📄16-自己数据集如何发的好（要开源）.mp445.1MB

📄17-可变形卷积加入方法.mp423.4MB

📄18-在源码中加入各种注意力机制方法.mp4122.5MB

▶📁 2.模型剪枝-Network Slimming算法分析5 个文件

📄1-论文算法核心框架概述.mp419.7MB

📄2-BatchNorm要解决的问题.mp418.5MB

📄3-BN的本质作用.mp422.6MB

📄4-额外的训练参数解读.mp420.1MB

📄5-稀疏化原理与效果.mp423.9MB

▶📁 3.模型剪枝-Network Slimming实战解读6 个文件

📄1-整体案例流程解读.mp432.4MB

📄2-加入L1正则化来进行更新.mp428.4MB

📄3-剪枝模块介绍.mp431.0MB

📄4-筛选需要的特征图.mp436.3MB

📄5-剪枝后模型参数赋值.mp449.5MB

📄6-微调完成剪枝模型.mp446.9MB

▶📁 4.Mobilenet三代网络模型架构13 个文件

📄1-模型剪枝分析.mp422.4MB

📄2-常见剪枝方法介绍.mp421.8MB

📄3-mobilenet简介.mp48.6MB

📄4-经典卷积计算量与参数量分析.mp413.2MB

📄5-深度可分离卷积的作用与效果.mp414.3MB

📄6-参数与计算量的比较.mp439.7MB

📄7-V1版本效果分析.mp425.0MB

📄8-V2版本改进以及Relu激活函数的问题.mp419.6MB

📄9-倒残差结构的作用.mp417.5MB

📄10-V2整体架构与效果分析.mp410.5MB

📄11-V3版本网络架构分析.mp411.6MB

📄12E模块作用与效果解读.mp432.0MB

📄13-代码实现mobilenetV3网络架构.mp468.9MB

▶📁 5.知识蒸馏1 个文件

📄知识蒸馏与简历相关.mp41.2GB

▶📁 6.拓展-模型部署与优化1 个文件

📄模型部署.mp4433.6MB

▶📁 34-【进阶模块】科研与职业发展4 个文件夹 · 10 个文件

▶📁 1.论文写作与科研方法论7 个文件

📄1-从0-1：论文写作.mp4975.6MB

📄2-论文要完成的核心架构分析.mp447.9MB

📄3-网络模型基本组件分析.mp475.2MB

📄4-流程概述分析.mp466.2MB

📄5-实验结果分析.mp468.8MB

📄6-源码实现细节解读.mp441.6MB

📄7-源码结果总结.mp435.2MB

▶📁 2.Deepseek辅助科研技能学习和科研探索1 个文件

📄Deepseek辅助科研技能学习和科研探索.mp4590.0MB

▶📁 3.AI时代职业规划1 个文件

📄AI浪潮之下的职业新机遇：如何武装自己，拿下未来岗位？.mp4701.8MB

▶📁 4.就业简历指导1 个文件

📄就业简历.mp4305.7MB

▶📁 35-14期直播课程4 个文件夹 · 29 个文件

▶📁 1-计算机视觉基础与工程落地8 个文件

📄1.CV的任务体系、发展历程及图像的数学基础.mp41.3GB

📄2.图像处理基础.mp41.4GB

📄3.图像特征提取与图像分类传统机器学习方法.mp41.4GB

📄4.神经网络发展历程与卷积神经网络的原理及训练方法.mp41.5GB

📄5.经典CNN结构：AlexNet →VGG →GoogLeNet→ResNet.mp41.4GB

📄6.深度学习训练技巧与模型优化方法.mp41.4GB

📄7.目标检测（一）两阶段检测方法.mp41.5GB

📄8.目标检测（二）单阶段检测方法.mp41.5GB

▶📁 2-计算机视觉行业落地综合实战8 个文件

📄1.MediaPipe面部关键点检测与追踪.mp4804.9MB

📄2.图像融合与美瞳试戴.mp4810.5MB

📄3.图像融合以及美瞳试戴2.mp4927.6MB

📄4.MediaPipe人体姿态检测与关键点提取.mp4887.6MB

📄5.AM3自动分割图像.mp4794.3MB

📄6.sam3视频分割与追踪.mp4913.8MB

📄7.YOLO目标检测和实例分割.mp4790.4MB

📄8.yolo实战古籍上色.mp4852.8MB

▶📁 3-自然语言处理基础与Transformer原理7 个文件

📄1.NLP基础任务体系与技术演进.mp4543.1MB

📄2.文本表示：从词袋模型到静态词向量.mp4405.9MB

📄3.RNN序列建模与LSTMGRU门控机制详解.mp4968.6MB

📄4.Attention原理与Self-Attention内部计算！.mp4221.4MB

📄5.预训练模型架构范式对比（BERT GPT T5）.mp4846.9MB

📄6.GPT 与 LLM 基础.mp41.0GB

📄7.LoRA、P-Tuning原理.mp41.1GB

▶📁 4-大模型算法原理与架构深度解析6 个文件

📄1.大模型架构生态论.mp4536.8MB

📄2.工程化落地实践.mp4515.6MB

📄3.链式思维（CoT）进阶.mp4590.6MB

📄4.慢思考模型解析.mp4509.1MB

📄5.稀疏激活机制详解.mp4496.7MB

📄6.SOTA模型架构精读.mp4329.6MB

推荐资源

官方客服