PyTorch深度学习开发医学影像端到端判别项目

├─1-1课程导学2249.mp4            61.46MB
├─1-2深度学习如何影响生活1333.mp4            25.8MB
├─1-3常用深度学习框架1738.mp4            26.91MB
├─10-1连接分割模型和分类模型3005.mp4            60.47MB
├─10-2新的评价指标AUC-ROC曲线3716.mp4            79.33MB
├─10-3使用finetune方法构建肿瘤恶性判断模型2908.mp4            77.74MB
├─10-4完整的实现端到端肺部肿瘤检测1731.mp4            65.06MB
├─10-5使用合适的框架把模型部署上线一1446.mp4            36.83MB
├─10-6使用合适的框架把模型部署上线二1206.mp4            48.85MB
├─10-7本章小结0833.mp4            16.12MB
├─11-1肿瘤检测系统架构回顾1512.mp4            35.43MB
├─11-2课程中的神经网络回顾1327.mp4            30.21MB
├─11-3模型优化方法回顾1020.mp4            20.89MB
├─11-4面试过程中可能遇到的问题2209.mp4            62.98MB
├─11-5持续学习的几个建议2748.mp4            50.14MB
├─2-1环境安装与配置1319.mp4            32.13MB
├─2-2使用预训练的ResNet网络给图片分类一1610.mp4            41.23MB
├─2-3使用预训练的ResNet网络给图片分类二0845.mp4            38.3MB
├─2-4使用预训练的GAN网络把马变成斑马1716.mp4            48.23MB
├─3-1工业级数据挖掘流程一2359.mp4            51.27MB
├─3-2工业级数据挖掘流程二2130.mp4            40.81MB
├─3-3课程重难点技能分布0515.mp4            12.93MB
├─3-4课程实战项目简介0700.mp4            13.17MB
├─4-10张量的底层实现逻辑二1335.mp4            23.68MB
├─4-1什么是张量1407.mp4            26.66MB
├─4-2张量的获取与存储一1635.mp4            33.17MB
├─4-3张量的获取与存储二1540.mp4            29.16MB
├─4-4张量的基本操作一0830.mp4            17.94MB
├─4-5张量的基本操作二1604.mp4            37.52MB
├─4-6张量中的元素类型0656.mp4            16.98MB
├─4-7张量的命名0832.mp4            18.75MB
├─4-8把张量传递到GPU中进行运算0607.mp4            11.22MB
├─4-9张量的底层实现逻辑一1942.mp4            40.78MB
├─5-1普通二维图像的加载一0751.mp4            26.91MB
├─5-2普通二维图像的加载二1259.mp4            24.07MB
├─5-33D图像的加载1230.mp4            39.9MB
├─5-4普通表格数据加载1453.mp4            37.46MB
├─5-5有时间序列的表格数据加载1650.mp4            42.33MB
├─5-6连续值序列值分类值的处理1345.mp4            29.02MB
├─5-7自然语言文本数据加载1945.mp4            39.94MB
├─5-8本章小结0504.mp4            8.71MB
├─6-10使用PyTorch提供的优化器1532.mp4            31.3MB
├─6-11神经网络重要概念-激活函数1550.mp4            37.17MB
├─6-12用PyTorch的nn模块搭建神经网络1537.mp4            22MB
├─6-13构建批量训练方法1453.mp4            29.5MB
├─6-14使用神经网络解决温度计示数转换问题2123.mp4            47.48MB
├─6-1常规模型训练的过程1104.mp4            23.22MB
├─6-2温度计示数转换1140.mp4            18.97MB
├─6-3神经网络重要概念-损失1240.mp4            24.73MB
├─6-4PyTorch中的广播机制1646.mp4            38.46MB
├─6-5神经网络重要概念-梯度1811.mp4            42.23MB
├─6-6神经网络重要概念-学习率1947.mp4            47.49MB
├─6-7神经网络重要概念-归一化2620.mp4            66.04MB
├─6-8使用超参数优化我们的模型效果1136.mp4            27.67MB
├─6-9使用PyTorch自动计算梯度1556.mp4            41.08MB
├─7-10使用卷积提取图像中的特定特征0800.mp4            18.43MB
├─7-11借助下采样压缩数据0753.mp4            15.42MB
├─7-12借助PyTorch搭建卷积网络1012.mp4            21.93MB
├─7-13训练我们的分类模型1005.mp4            25.22MB
├─7-14训练好的模型如何存储0147.mp4            5.52MB
├─7-15该用GPU训练我们的模型0859.mp4            23.23MB
├─7-16优化方案之增加模型宽度-width0855.mp4            24.53MB
├─7-17优化方案之数据正则化-normalization一1338.mp4            31.38MB
├─7-18优化方案之数据正则化-normalization二1655.mp4            40.59MB
├─7-19优化方案之数据正则化-normalization三0856.mp4            20.95MB
├─7-1CIFAR-10数据集介绍0804.mp4            15.82MB
├─7-20优化方案之增加模型深度-depth0641.mp4            40.47MB
├─7-21本章小结0605.mp4            11.36MB
├─7-2为数据集实现Dataset类0842.mp4            21.46MB
├─7-3为模型准备训练集和验证集1100.mp4            25.01MB
├─7-4借助softmax方法给出分类结果1057.mp4            18.87MB
├─7-5分类模型常用损失之交叉熵损失0738.mp4            14.03MB
├─7-6全连接网络实现图像分类2553.mp4            60.27MB
├─7-7对全连接网络的改进之卷积网络1349.mp4            26.85MB
├─7-8借助PyTorch搭建卷积网络模型1539.mp4            35.65MB
├─7-9卷积中的数据填充方法padding0431.mp4            10.21MB
├─8-10分割训练集和验证集0927.mp4            21.32MB
├─8-11CT数据可视化实现一1643.mp4            27.21MB
├─8-12CT数据可视化实现二1513.mp4            51.74MB
├─8-13CT数据可视化实现三0943.mp4            35.42MB
├─8-14本章小结0455.mp4            8.84MB
├─8-1肺部癌症检测的项目简介1338.mp4            29.01MB
├─8-2CT数据是什么样子0722.mp4            18.88MB
├─8-3制定一个解决方案0840.mp4            20.71MB
├─8-4下载项目中的数据集0932.mp4            22.82MB
├─8-5原始数据是长什么样子的0822.mp4            26.3MB
├─8-6加载标注数据2219.mp4            39.24MB
├─8-7加载CT影像数据0751.mp4            17.9MB
├─8-8数据坐标系的转换2326.mp4            49.87MB
├─8-9编写Dataset方法1244.mp4            25.04MB
├─9-10借助TensorBoard绘制指标曲线1230.mp4            49.02MB
├─9-11新的模型评估指标F1score1751.mp4            36.62MB
├─9-12实现F1Score计算逻辑0858.mp4            17.37MB
├─9-13数据优化方法1136.mp4            28.8MB
├─9-14数据重复采样的代码实现1549.mp4            34.52MB
├─9-15数据增强的代码实现1937.mp4            47.67MB
├─9-16第二个模型结节分割0853.mp4            26.46MB
├─9-17图像分割的几种类型0705.mp4            26.8MB
├─9-18U-Net模型介绍1927.mp4            57.54MB
├─9-19为图像分割进行数据预处理2501.mp4            64.79MB
├─9-1第一个模型结节分类1540.mp4            34.11MB
├─9-20为图像分割构建Dataset类2623.mp4            56.42MB
├─9-21构建训练Dataset和使用GPU进行数据增强1116.mp4            31.22MB
├─9-22Adam优化器和Dice损失1127.mp4            25.18MB
├─9-23构建训练流程1826.mp4            41.76MB
├─9-24模型存储图像存储代码介绍0550.mp4            22.6MB
├─9-25分割模型训练及在TensorBoard中查看结果1145.mp4            65.55MB
├─9-26本章小结1511.mp4            25.95MB
├─9-2定义模型训练框架1831.mp4            36.51MB
├─9-3初始化都包含什么内容0913.mp4            21.05MB
├─9-4编写数据加载器部分0702.mp4            17.53MB
├─9-5实现模型的核心部分1827.mp4            41.81MB
├─9-6定义损失计算和训练验证环节一1731.mp4            45.07MB
├─9-7定义损失计算和训练验证环节二0920.mp4            21.73MB
├─9-8在日志中保存重要信息1956.mp4            53.26MB
├─9-9尝试训练第一个模型1650.mp4            85.6MB