【加密】JM009 – 计算机视觉训练营2期 [12.5G]

┣━━00.试看 [132.3M]
┃ ┣━━免费 任务1： SSD的简介 SSD与R-CNN的比较.mp4 [33.8M]
┃ ┣━━免费 任务2： SSD的网络结构.mp4 [32.3M]
┃ ┣━━免费 任务3： 如何使用卷积作为最后的预测层.mp4 [14.5M]
┃ ┗━━免费 任务4： SSD的训练过程.mp4 [51.8M]
┣━━01.视频 [12.1G]
┃ ┣━━免费 任务1： SSD的简介 SSD与R-CNN的比较.vep [33.8M]
┃ ┣━━免费 任务2： SSD的网络结构.vep [32.3M]
┃ ┣━━免费 任务3： 如何使用卷积作为最后的预测层.vep [14.5M]
┃ ┣━━免费 任务4： SSD的训练过程.vep [51.8M]
┃ ┣━━任务5： 什么是深度学习, 为什么需要深度学习.vep [25.6M]
┃ ┣━━任务6： 深度学习简史.vep [54.7M]
┃ ┣━━任务7： 经典卷积神经网络回归.vep [17.4M]
┃ ┣━━任务8： 深度学习在计算机视觉中的应用.vep [28.3M]
┃ ┣━━任务9： 设置开发环境, 学习Python, Numpy, Keras, 完成PythonNumpy课后练习题.vep [33.6M]
┃ ┣━━任务10： GPU深度学习开发设置.vep [33M]
┃ ┣━━任务11： 开放式项目.vep [11.4M]
┃ ┣━━任务12： 课后答疑.vep [129.4M]
┃ ┣━━任务13： 二元分类问题.vep [13.2M]
┃ ┣━━任务14： 逻辑函数.vep [12.9M]
┃ ┣━━任务15： 指数与对数 、逻辑回归.vep [15.1M]
┃ ┣━━任务16： 示例.vep [31.4M]
┃ ┣━━任务17： 损失函数.vep [22M]
┃ ┣━━任务18： 损失函数推演.vep [42.8M]
┃ ┣━━任务19： 梯度下降法.vep [51.8M]
┃ ┣━━任务20： 应用.vep [71.8M]
┃ ┣━━任务21： 基于深度学习的自动驾驶概述.vep [13.5M]
┃ ┣━━任务22： 训练数据的收集, 神经网络用于自动驾驶的可行性.vep [33.2M]
┃ ┣━━任务23： 自动驾驶模拟器的介绍.vep [56.5M]
┃ ┣━━任务24： 数据预处理和数据增强.vep [76.2M]
┃ ┣━━任务25： 用于自动驾驶的深度神经网络及其性能测试上.vep [11.9M]
┃ ┣━━任务25： 用于自动驾驶的深度神经网络及其性能测试下.vep [11.8M]
┃ ┣━━任务26： 代码预览.vep [30.8M]
┃ ┣━━任务27： 课后答疑问答环节.vep [107.3M]
┃ ┣━━任务28： 神经网络分类问题的经典数据（集鸢尾花数据集）介绍，神经网络Python库Keras的介绍.vep [49.5M]
┃ ┣━━任务29： 使用Pandas读取鸢尾花数据集， 使用LabelEncoder对类别标签进行编码.vep [22M]
┃ ┣━━任务30： 使用Keras创建一个用于鸢尾花分类识别的神经网络.vep [78M]
┃ ┣━━任务31： 训练用于鸢尾花分类的神经网络 解读训练输出的日志 了解如何评价神经网络的性能.vep [53.7M]
┃ ┣━━任务32： 神经网络数学原理（1）： 神经网络的结点，权值，激活函数.vep [37.2M]
┃ ┣━━任务33： 神经网络数学原理（2）： 神经网络的前馈（Feed Forward）算法.vep [25.2M]
┃ ┣━━任务34： 神经网络数学原理（3）：神经网络的前馈（Feed Forward）算法续，Softmax层的数值问题.vep [21.5M]
┃ ┣━━任务35： 神经网络数学原理（4）：神经网络BP（误差反向传播）算法.vep [37.5M]
┃ ┣━━任务36： 神经网络数学原理（5）：神经网络BP（误差反向传递）算法续.vep [44.3M]
┃ ┣━━任务37： 神经网络数学原理（6）：手动演算神经网络BP算法（误差向后传递）.vep [44.4M]
┃ ┣━━任务38： 神经网络数学原理（7）：手动演算神经网络BP算法（误差向后传递）续上.vep [16M]
┃ ┣━━任务38： 神经网络数学原理（7）：手动演算神经网络BP算法（误差向后传递）续下.vep [27.1M]
┃ ┣━━任务39： 损失函数的定义, 特性, 在训练过程所起的作用.vep [45.6M]
┃ ┣━━任务40： 用于回归的常用损失函数.vep [14.5M]
┃ ┣━━任务41： 用于分类的Hinge Loss.vep [38.6M]
┃ ┣━━任务42： 用于分类的Cross-Entropy Loss.vep [38.4M]
┃ ┣━━任务43： Multi-Label分类.vep [10.2M]
┃ ┣━━任务44： 正则化 L1, L2, L1_L2.vep [52.4M]
┃ ┣━━任务45： 答疑.vep [186.2M]
┃ ┣━━任务46： 梯度消亡.vep [24.2M]
┃ ┣━━任务47： 梯度消亡问题分析.vep [27M]
┃ ┣━━任务48： 梯度消亡解决方案.vep [19M]
┃ ┣━━任务49： 过拟合.vep [16.6M]
┃ ┣━━任务50： DropOut 训练.vep [15.3M]
┃ ┣━━任务51： 正则化.vep [11.1M]
┃ ┣━━任务52： 最大范数约束 神经元的初始化.vep [26.7M]
┃ ┣━━任务53： 为什么需要递归神经网络？.vep [33.7M]
┃ ┣━━任务54： 递归神经网络介绍.vep [174.7M]
┃ ┣━━任务55： 语言模型.vep [125M]
┃ ┣━━任务56： RNN的深度.vep [24.7M]
┃ ┣━━任务57： 梯度爆炸和梯度消失.vep [181M]
┃ ┣━━任务58： Gradient Clipping.vep [49.3M]
┃ ┣━━任务59： LSTM的介绍.vep [107.9M]
┃ ┣━━任务60： LSTM的应用.vep [78M]
┃ ┣━━任务61： Bi-Directional LSTM.vep [69.4M]
┃ ┣━━任务62： Gated Recurrent Unit.vep [65M]
┃ ┣━━任务63： 机器翻译.vep [53.5M]
┃ ┣━━任务64： Multimodal Learning.vep [87.9M]
┃ ┣━━任务65： Seq2Seq模型.vep [179.8M]
┃ ┣━━任务66： 回顾RNN与LSTM.vep [21M]
┃ ┣━━任务67： Attention for Image Captioning.vep [102.3M]
┃ ┣━━任务68： Attention for Machine Translation.vep [45M]
┃ ┣━━任务69： Self-Attention.vep [54.4M]
┃ ┣━━任务70： Attention总结.vep [16.7M]
┃ ┣━━任务71： 梯度下降法的综述.vep [27.3M]
┃ ┣━━任务72： 批处理梯度下降法, 随机梯度下降法, 批处理梯度下降法.vep [28.2M]
┃ ┣━━任务73： 学习率综述.vep [41.7M]
┃ ┣━━任务74： 常用的优化算法详解.vep [65.4M]
┃ ┣━━任务75： 优化的小技巧.vep [11.3M]
┃ ┣━━任务76： 问答环节.vep [128M]
┃ ┣━━任务77： 项目介绍.vep [4.9M]
┃ ┣━━任务78： 看图说话任务一-01.vep [31.7M]
┃ ┣━━任务79： 看图说话任务一-02.vep [29.2M]
┃ ┣━━任务80： 看图说话任务一-03.vep [43.1M]
┃ ┣━━任务81： 任务介绍.vep [24.9M]
┃ ┣━━任务82： 如何实现 load_img_as_np_array 这个函数.vep [12.1M]
┃ ┣━━任务83： 如何实现“load_vgg16_model”函数.vep [19.9M]
┃ ┣━━任务84： 如何实现“extract_features”函数.vep [25.7M]
┃ ┣━━任务85： 创建Tokenizer01.vep [20M]
┃ ┣━━任务86： 创建Tokenizer02.vep [48.4M]
┃ ┣━━任务87： 产生模型需要的输入数据01.vep [63.4M]
┃ ┣━━任务88： 产生模型需要的输入数据02.vep [43.1M]
┃ ┣━━任务89： 任务的概述.vep [11.8M]
┃ ┣━━任务90： Input Embedding和Dropout层介绍.vep [37.4M]
┃ ┣━━任务91： LSTM Add层的介绍.vep [19.3M]
┃ ┣━━任务92： 如何训练模型.vep [46.3M]
┃ ┣━━任务93： 如何使用深度神经网络模型做预测 产生标题 完成generate_caption函数01上.vep [16.3M]
┃ ┣━━任务93： 如何使用深度神经网络模型做预测 产生标题 完成generate_caption函数01下.vep [1.3M]
┃ ┣━━任务94： 如何使用深度神经网络模型做预测 产生标题 完成generate_caption函数02.vep [68.4M]
┃ ┣━━任务95： 如何调用generate_caption函数.vep [21.6M]
┃ ┣━━任务96： 如何评价标题生成模型的性能.vep [60.4M]
┃ ┣━━任务97： 读取和显示数字图像.vep [34M]
┃ ┣━━任务98： 数字图像大小缩放.vep [36.8M]
┃ ┗━━任务99： 数字图像直方图均衡.vep [32.4M]
┃ ┣━━任务100： 图像去噪声.vep [34.5M]
┃ ┣━━任务101： 图像边缘检测.vep [42.8M]
┃ ┣━━任务102： 图像关键点检测.vep [11.1M]
┃ ┣━━任务103： 道路行车道检测简介.vep [17.3M]
┃ ┣━━任务104： Canny边缘检测.vep [25.7M]
┃ ┣━━任务105： 霍夫变换用于直线检测.vep [46.3M]
┃ ┣━━任务106： 道路行车道检测代码讲解.vep [95.5M]
┃ ┣━━任务107： 在图像和视频上面演示道路行车道检测.vep [58.3M]
┃ ┣━━任务108： 建立深度学习任务的评价指标.vep [14.7M]
┃ ┣━━任务109： 建立深度学习任务合理的预期.vep [29.4M]
┃ ┣━━任务110： 建立合理的数据集.vep [11.9M]
┃ ┣━━任务111： 过拟合 欠拟合 bias variance.vep [32.4M]
┃ ┣━━任务112： 通过损失函数曲线判断是否过拟合或者欠拟合.vep [27.6M]
┃ ┣━━任务113： 超参优化在机器学习流程中的地位.vep [15.2M]
┃ ┣━━任务114： 常用的调参方法 网格搜索 随机搜索 贝叶斯优化 进化算法.vep [28.9M]
┃ ┣━━任务115： 神经网络调参之学习率学习率.vep [12.7M]
┃ ┣━━任务116： BatchSize Epochs 网络结点数的调参.vep [21.9M]
┃ ┣━━任务117： NAS 神经架构搜索.vep [4.9M]
┃ ┣━━任务118： 课后答疑上.vep [71.5M]
┃ ┣━━任务118： 课后答疑下.vep [8.3M]
┃ ┣━━任务119： 项目介绍.vep [8.2M]
┃ ┣━━任务120： 交通指示牌识别的简介.vep [24.4M]
┃ ┣━━任务121： 交通指示牌识别课程的编程任务.vep [19.7M]
┃ ┣━━任务122： 如何分析数据 (util.py 的详细介绍).vep [55.2M]
┃ ┣━━任务123： 如何预处理图像数据、建立神经网络模型、训练网络模型 (train.py 的详细介绍)01.vep [66.4M]
┃ ┣━━任务124： 如何预处理图像数据、建立神经网络模型、训练网络模型 (train.py 的详细介绍)02.vep [132.3M]
┃ ┣━━任务125： 色彩空间转换.vep [53.9M]
┃ ┣━━任务126： 直方图均衡.vep [65.7M]
┃ ┣━━任务127： 图像标准化.vep [29.1M]
┃ ┣━━任务128： 使用ImageDataGenerator做图像增强.vep [37M]
┃ ┣━━任务129： 作业上传的要求.vep [19M]
┃ ┣━━任务130： 介绍经典交通指示牌卷积神经网络模型.vep [23.5M]
┃ ┣━━任务131： 代码实现经典交通指示牌识别卷积神经网络模型.vep [45.9M]
┃ ┣━━任务132： 卷积神经网络的数学原理01.vep [31.7M]
┃ ┣━━任务133： 卷积神经网络的数学原理02.vep [53.9M]
┃ ┣━━任务134： homework讲解01.vep [191.9M]
┃ ┣━━任务135： homework讲解02.vep [180.4M]
┃ ┣━━任务136： homework讲解03.vep [153M]
┃ ┣━━任务137： 基于深度学习的图像分类历史回顾.vep [10.6M]
┃ ┣━━任务138： AlexNet的结构分析.vep [7.9M]
┃ ┣━━任务139： ZFNet的结构分析.vep [7.7M]
┃ ┣━━任务140： VGG的结构分析.vep [7.2M]
┃ ┣━━任务141： GoogleNet Inception的结构分析.vep [11.9M]
┃ ┣━━任务142： Inception V3的结构分析.vep [40.4M]
┃ ┣━━任务143： ResNet的结构分析.vep [35.1M]
┃ ┣━━任务144： ResNet的代码实现.vep [110.4M]
┃ ┣━━任务145： 基于内容的图像搜索理论基础.vep [25.8M]
┃ ┣━━任务146： 基于去噪自动编码器的图像搜索代码实现.vep [133.9M]
┃ ┣━━任务147： 使用卷积神经网络进行语义图像嵌入在目标检测, 自动驾驶, 图像超分辨率重构, 工业探伤等等领域的应用.vep [17.9M]
┃ ┣━━任务148： 目标检测简介.vep [19M]
┃ ┣━━任务149： 基于滑动窗口的目标检测.vep [17.9M]
┃ ┣━━任务150： OpenCV内建的基于梯度直方图和SVM的目标检测.vep [29.5M]
┃ ┣━━任务151： R-CNN 目标检测.vep [57.9M]
┃ ┣━━任务152： Fast R-CNN 目标检测.vep [45.3M]
┃ ┣━━任务153： Faster R-CNN 目标检测.vep [48.6M]
┃ ┣━━任务154： 答疑.vep [82.2M]
┃ ┣━━任务155： R-CNN家族的回顾.vep [20.2M]
┃ ┣━━任务156： SSD的简介 SSD与R-CNN的比较.vep [32.4M]
┃ ┣━━任务157： SSD的网络结构.vep [29.9M]
┃ ┣━━任务158： 如何使用卷积作为最后的预测层.vep [13.9M]
┃ ┣━━任务159： SSD的训练过程.vep [49.4M]
┃ ┣━━任务160： SSD的实验结果分析上.vep [1.3M]
┃ ┣━━任务160： SSD的实验结果分析下.vep [21.2M]
┃ ┣━━任务161： VGG16到SSD网络的演化 L2Normalization层的实现.vep [32.6M]
┃ ┣━━任务162： SSD各个技术对失败率的影响 Atrous卷积层的原理.vep [13M]
┃ ┣━━任务163： 使用卷积作为最后的预测层详解.vep [17.3M]
┃ ┣━━任务164： SSD定位损失函数详解.vep [34.8M]
┃ ┣━━任务165： SSD中Anchor尺寸 宽高比 中心位置的确定.vep [10.4M]
┃ ┣━━任务166： SSD中分类损失函数详解.vep [11.9M]
┃ ┣━━任务167： Non-Max Suppression的原理.vep [12M]
┃ ┣━━任务168： SSD和YOLO的比较 SSD的总结.vep [12.2M]
┃ ┣━━任务169： 自动驾驶交通指示牌的识别.vep [242.9M]
┃ ┣━━任务170： 图像分割简介.vep [31.9M]
┃ ┣━━任务171： 基于深度学习的图像分割U-Net的原理.vep [15.1M]
┃ ┣━━任务172： Transposed Convolution原理与运用.vep [27.9M]
┃ ┣━━任务173： U-Net的代码讲解.vep [50.8M]
┃ ┣━━任务174： 图像生成的原理.vep [10M]
┃ ┣━━任务175： 使用深度学习自动图像生成手写数字的代码讲解.vep [58.4M]
┃ ┣━━任务176： 图像风格转移的原理.vep [31.7M]
┃ ┣━━任务177： 使用深度学习实现图像风格转移的代码讲解.vep [38.7M]
┃ ┣━━任务178： 项目介绍 SSD回顾.vep [25M]
┃ ┣━━任务179： 代码总体预览.vep [44.3M]
┃ ┣━━任务180： 模型输入参数.vep [134.7M]
┃ ┣━━任务181： 网络模型部分一 预测类别标签和坐标.vep [129.2M]
┃ ┣━━任务182： SSD 网络模型部分二 生成AnchorBoxes.vep [144.4M]
┃ ┣━━任务183： SSD 网络模型部分三 解码SSD网络的输出.vep [208.9M]
┃ ┣━━任务184： SSD 损失函数实现.vep [81.1M]
┃ ┣━━任务185： SSD 输入编码构造.vep [40.8M]
┃ ┣━━任务186： 直播答疑.vep [109.1M]
┃ ┣━━任务187： 二值化神经网络的简介.vep [18.9M]
┃ ┣━━任务188： 二值化网络的前向后向传播, 梯度计算原理.vep [16.2M]
┃ ┣━━任务189： 二值化网络的训练算法.vep [42.7M]
┃ ┣━━任务190： 二值化网络的实验结果.vep [15.3M]
┃ ┣━━任务191： 二值化全连接网络的代码讲解.vep [37.7M]
┃ ┣━━任务192： DropoutNoScale层的实现.vep [17.2M]
┃ ┣━━任务193： BinaryDense层的实现.vep [43.8M]
┃ ┣━━任务194： 二值化卷积神经网络的代码讲解.vep [55.1M]
┃ ┣━━任务195： 项目作业要求.vep [20.1M]
┃ ┣━━任务196： 神经网络在商业应用中面临的挑战,轻量级神经网络的必要性.vep [40.7M]
┃ ┣━━任务197： Depthwise Seperable Convolution 与 MobileNet.vep [64.4M]
┃ ┣━━任务198： Group Convolution Channel Shuffle 与 ShuffleNet.vep [46.6M]
┃ ┣━━任务199： Spatial Seperable Convolution 与 EffNet.vep [47.4M]
┃ ┣━━任务200： 在线答疑.vep [20.4M]
┃ ┣━━任务201： 回顾EffNet的原理.vep [30.1M]
┃ ┣━━任务202： EffNet的代码讲解.vep [48.1M]
┃ ┣━━任务203： 课前答疑.vep [111.3M]
┃ ┣━━任务204： One-Shot Learning 的功能和意义.vep [23M]
┃ ┣━━任务205： One-Shot Learning 的工作原理.vep [10.3M]
┃ ┣━━任务206： Siamese Network 的网络结构.vep [20.6M]
┃ ┣━━任务207： Siamese Network 的损失函数.vep [29.3M]
┃ ┣━━任务208： Siamese Network 的实验结果分析.vep [12.5M]
┃ ┣━━任务209： 课后答疑.vep [53.4M]
┃ ┣━━任务210： 使用 Siamese 网络做门禁卡系统的入门介绍, 数据集的介绍.vep [37M]
┃ ┣━━任务211： PyTorch 基础教程.vep [40.2M]
┃ ┣━━任务212： Siamese One-Shot learning 知识回顾.vep [12M]
┃ ┣━━任务213： 使用 PyTorch torchvision 库高效读取数据.vep [44.3M]
┃ ┣━━任务214： 使用 PyTorch 定义 Siamese 网络结构.vep [32.4M]
┃ ┣━━任务215： 使用 PyTorch 写训练网络的代码.vep [55M]
┃ ┣━━任务216： 使用 PyTorch 写测试网络的代码.vep [55.5M]
┃ ┣━━任务217： 课前答疑.vep [12.2M]
┃ ┣━━任务218： 胶囊网络的价值和借鉴意义.vep [106.6M]
┃ ┣━━任务219： 胶囊网络的直观理解 与普通卷积神经网络的区别.vep [81.3M]
┃ ┣━━任务220： Affine Transform (仿射变换).vep [20.5M]
┃ ┣━━任务221： 胶囊网络的routing算法.vep [22.8M]
┃ ┣━━任务222： 胶囊网络的decoder模块 损失函数和网络结构.vep [53.6M]
┃ ┣━━任务223： 胶囊网络的代码实现讲解.vep [165.3M]
┃ ┣━━任务224： 课后答疑.vep [183.3M]
┃ ┣━━任务225：capstone项目展示-01.vep [224.3M]
┃ ┣━━任务226：capstone项目展示-02.vep [213.1M]
┃ ┣━━任务227：capstone项目展示-03天空之眼.vep [332.5M]
┃ ┣━━任务228：capstone项目展示-04欧洲花园目标检测项目.vep [300.5M]
┃ ┣━━任务229：深度学习500题, 概率面试题, 编程面试题, 内部推荐.vep [128.9M]
┃ ┣━━任务230：计算机视觉公司介绍, 职位需求分析.vep [146.8M]
┃ ┣━━任务231：计算机视觉案例推荐-人脸关键点检测, 图像分割, GAN, 图像细粒度识别, 网络Fine-Tun.vep [101M]
┃ ┣━━任务232：问题分解Tesla Vision.vep [54M]
┃ ┣━━任务233：集成学习用于神经网络.vep [39.5M]
┃ ┣━━任务234：硬件分析-ASIC, GPU, FPGA.vep [64.5M]
┃ ┣━━任务235：神经网络部署到Android, iPhone和Web.vep [21.4M]
┃ ┣━━任务236：持续学习需要关注的会议和期刊, 带Shift-Invariant的最大池化层案例分析.vep [116.6M]
┃ ┣━━任务237：课后答疑.vep [84.1M]
┗━━00.资料.zip [233.4M]