資料目錄：
├─第1章 課程介紹-選擇Pytorch的理由
│ 1-1 課程導(dǎo)學(xué).mp4
│
├─第2章 初識PyTorch框架與環(huán)境搭建
│ 2-1 初識Pytorch基本框架.mp4
│ 2-2 環(huán)境配置（1）.mp4
│ 2-3 環(huán)境配置（2）.mp4
│
├─第3章 PyTorch入門基礎(chǔ)串講
│ 3-1 機器學(xué)習(xí)中的分類與回歸問題-機器學(xué)習(xí)基本構(gòu)成元素.mp4
│ 3-2 Tensor的基本定義.mp4
│ 3-3 Tensor與機器學(xué)習(xí)的關(guān)系.mp4
│ 3-3 Tensor與機器學(xué)習(xí)的關(guān)系.mp4
│ 3-4 Tensor創(chuàng)建編程實例.mp4
│ 3-5 Tensor的屬性.mp4
│ 3-6 Tensor的屬性-稀疏的張量的編程實踐.mp4
│ 3-7 Tensor的算術(shù)運算.mp4
│ 3-8 Tensor的算術(shù)運算編程實例.mp4
│ 3-9 in-place的概念和廣播機制.mp4
│ 3-10 取整-余.mp4
│ 3-11 比較運算-排序-topk-kthvalue-數(shù)據(jù)合法性校驗.mp4
│ 3-12 三角函數(shù).mp4
│ 3-13 其他數(shù)學(xué)函數(shù).mp4
│ 3-14 Pytorch與統(tǒng)計學(xué)方法.mp4
│ 3-15 Pytorch與分布函數(shù).mp4
│ 3-16 Pytorch與隨機抽樣.mp4
│ 3-17 Pytorch與線性代數(shù)運算.mp4
│ 3-18 Pytorch與矩陣分解-PCA.mp4
│ 3-19 Pytorch與矩陣分解-SVD分解-LDA.mp4
│ 3-20 Pytorch與張量裁剪.mp4
│ 3-21 Pytorch與張量的索引與數(shù)據(jù)篩選.mp4
│ 3-22 Pytorch與張量組合與拼接.mp4
│ 3-23 Pytorch與張量切片.mp4
│ 3-24 Pytorch與張量變形.mp4
│ 3-25 Pytorch與張量填充.mp4
│ 3-26 Pytorch與傅里葉變換.mp4
│ 3-27 Pytorch簡單編程技巧.mp4
│ 3-28 Pytorch與autograd-導(dǎo)數(shù)-方向?qū)?shù)-偏導(dǎo)數(shù)-梯度的概念.mp4
│ 3-29 Pytorch與autograd-梯度與機器學(xué)習(xí)最優(yōu)解.mp4
│ 3-30 Pytorch與autograd-Variable$tensor.mp4
│ 3-31 Pytorch與autograd-如何計算梯度.mp4
│ 3-32 Pytorch與autograd中的幾個重要概念-variable-grad-grad_fn.mp4
│ 3-33 Pytorch與autograd中的幾個重要概念-function.mp4
│ 3-34 Pytorch與nn庫.mp4
│ 3-35 Pytorch與visdom.mp4
│ 3-36 Pytorch與tensorboardX.mp4
│ 3-37 Pytorch與torchvision.mp4
│
├─第4章 PyTorch搭建簡單神經(jīng)網(wǎng)絡(luò)
│ 4-1 機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的基本概念（1）.mp4
│ 4-2 機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的基本概念（2）.mp4
│ 4-3 利用神經(jīng)網(wǎng)絡(luò)解決分類和回歸問題（1）.mp4
│ 4-4 利用神經(jīng)網(wǎng)絡(luò)解決分類和回歸問題（2）.mp4
│ 4-5 利用神經(jīng)網(wǎng)絡(luò)解決分類和回歸問題（3）.mp4
│ 4-6 利用神經(jīng)網(wǎng)絡(luò)解決分類和回歸問題（4）.mp4
│ 4-7 利用神經(jīng)網(wǎng)絡(luò)解決分類和回歸問題（5）.mp4
│
├─第5章 計算機視覺與卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)串講
│ 5-1 計算機視覺基本概念.mp4
│ 5-2 圖像處理常見概念.mp4
│ 5-3 特征工程.mp4
│ 5-4 卷積神經(jīng)網(wǎng)（上）.mp4
│ 5-5 卷積神經(jīng)網(wǎng)（下）.mp4
│ 5-6 pooling層.mp4
│ 5-7 激活層-BN層-FC層-損失層.mp4
│ 5-8 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu).mp4
│ 5-9 輕量型網(wǎng)絡(luò)結(jié)構(gòu).mp4
│ 5-10 多分支網(wǎng)絡(luò)結(jié)構(gòu).mp4
│ 5-11 attention的網(wǎng)絡(luò)結(jié)構(gòu).mp4
│ 5-12 學(xué)習(xí)率.mp4
│ 5-13 優(yōu)化器.mp4
│ 5-14 卷積神經(jīng)網(wǎng)添加正則化.mp4
│
├─第6章 PyTorch實戰(zhàn)計算機視覺任務(wù)-Cifar10圖像分類
│ 1-1 圖像分類網(wǎng)絡(luò)模型框架解讀（上）.mp4
│ 1-2 圖像分類網(wǎng)絡(luò)模型框架解讀（下）.mp4
│ 1-3 cifar10數(shù)據(jù)介紹-讀取-處理（上）.mp4
│ 1-4 cifar10數(shù)據(jù)介紹-讀取-處理（下）.mp4
│ 1-5 PyTorch自定義數(shù)據(jù)加載-加載Cifar10數(shù)據(jù).mp4
│ 1-6 PyTorch搭建 VGGNet 實現(xiàn)Cifar10圖像分類.mp4
│ 1-7 PyTorch搭建cifar10訓(xùn)練腳本-tensorboard記錄LOG（上）.mp4
│ 1-8 PyTorch搭建cifar10訓(xùn)練腳本-tensorboard記錄LOG（下）.mp4
│ 1-9 PyTorch搭建cifar10訓(xùn)練腳本搭建-ResNet結(jié)構(gòu)（上）.mp4
│ 1-10 PyTorch搭建cifar10訓(xùn)練腳本搭建-ResNet結(jié)構(gòu)（下）.mp4
│ 1-11 PyTorch搭建cifar10訓(xùn)練腳本搭建-Mobilenetv1結(jié)構(gòu).mp4
│ 1-12 PyTorch搭建cifar10訓(xùn)練腳本搭建-Inception結(jié)構(gòu)（上）.mp4
│ 1-13 PyTorch搭建cifar10訓(xùn)練腳本搭建-Inception結(jié)構(gòu)（下）.mp4
│ 1-14 PyTorch搭建cifar10訓(xùn)練腳本搭建-調(diào)用Pytorch標(biāo)準(zhǔn)網(wǎng)絡(luò)ResNet18等.mp4
│ 1-15 PyTorch搭建cifar10推理測試腳本搭建.mp4
│ 1-16 分類問題優(yōu)化思路.mp4
│ 1-17 分類問題最新研究進展和方向.mp4
│
├─第7章 Pytorch實戰(zhàn)計算機視覺任務(wù)-Pascal VOC目標(biāo)檢測問題
│ 7-1 目標(biāo)檢測問題介紹（上）.mp4
│ 7-2 目標(biāo)檢測問題介紹（下）.mp4
│ 7-3 Pascal VOC-COCO數(shù)據(jù)集介紹.mp4
│ 7-4 MMdetection框架介紹-安裝說明.mp4
│ 7-5 MMdetection框架使用說明.mp4
│ 7-6 MMdetection訓(xùn)練Passcal VOC目標(biāo)檢測任務(wù)（上）.mp4
│ 7-7 MMdetection訓(xùn)練Passcal VOC目標(biāo)檢測任務(wù)（中）.mp4
│ 7-8 MMdetection訓(xùn)練Passcal VOC目標(biāo)檢測任務(wù)（下）.mp4
│ 7-9 MMdetection Test腳本.mp4
│ 7-10 MMdetection LOG分析.mp4
│
├─第8章 PyTorch實戰(zhàn)計算機視覺任務(wù)-COCO目標(biāo)分割問題
│ 8-1 圖像分割基本概念.mp4
│ 8-2 圖像分割方法介紹.mp4
│ 8-3 圖像分割評價指標(biāo)及目前面臨的挑戰(zhàn).mp4
│ 8-4 COCO數(shù)據(jù)集介紹.mp4
│ 8-5 detectron框架介紹和使用簡單說明.mp4
│ 8-6 coco數(shù)據(jù)集標(biāo)注文件解析.mp4
│ 8-7 detectron源碼解讀和模型訓(xùn)練-demo測試.mp4
│
├─第9章 PyTorch搭建GAN網(wǎng)絡(luò)實戰(zhàn)圖像風(fēng)格遷移
│ 9-1 GAN的基礎(chǔ)概念和典型模型介紹（上）.mp4
│ 9-2 GAN的基礎(chǔ)概念和典型模型介紹（下）.mp4
│ 9-3 圖像風(fēng)格轉(zhuǎn)換數(shù)據(jù)下載與自定義dataset類.mp4
│ 9-4 cycleGAN模型搭建-model.mp4
│ 9-5 cycleGAN模型搭建-train（上）.mp4
│ 9-6 cycleGAN模型搭建-train（下）.mp4
│ 9-7 cycleGAN模型搭建-test.mp4
│
├─第10章 循環(huán)神經(jīng)網(wǎng)與NLP基礎(chǔ)串講
│ 10-1 RNN網(wǎng)絡(luò)基礎(chǔ).mp4
│ 10-2 RNN常見網(wǎng)絡(luò)結(jié)構(gòu)-simple RNN網(wǎng)絡(luò).mp4
│ 10-3 Bi-RNN網(wǎng)絡(luò).mp4
│ 10-4 LSTM網(wǎng)絡(luò)基礎(chǔ).mp4
│ 10-5 Attention結(jié)構(gòu).mp4
│ 10-6 Transformer結(jié)構(gòu).mp4
│ 10-7 BERT結(jié)構(gòu).mp4
│ 10-8 NLP基礎(chǔ)概念介紹.mp4
│
├─第11章 PyTorch實戰(zhàn)中文文本情感分類問題
│ 11-1 文本情感分析-情感分類概念介紹.mp4
│ 11-2 文本情感分類關(guān)鍵流程介紹.mp4
│ 11-3 文本情感分類之文本預(yù)處理.mp4
│ 11-4 文本情感分類之特征提取與文本表示.mp4
│ 11-5 文本情感分類之深度學(xué)習(xí)模型.mp4
│ 11-6 文本情感分類-數(shù)據(jù)準(zhǔn)備.mp4
│ 11-7 文本情感分類-dataset類定義.mp4
│ 11-8 文本情感分類-model類定義.mp4
│ 11-9 文本情感分類-train腳本定義.mp4
│ 11-10 文本情感分類-test腳本定義.mp4
│
├─第12章 PyTorch實戰(zhàn)機器翻譯問題
│ 12-1 機器翻譯相關(guān)方法-應(yīng)用場景-評價方法.mp4
│ 12-2 Seq2Seq-Attention編程實例數(shù)據(jù)準(zhǔn)備-模型結(jié)構(gòu)-相關(guān)函數(shù).mp4
│ 12-3 Seq2Seq-Attention編程實例-定義數(shù)據(jù)處理模塊.mp4
│ 12-4 Seq2Seq-Attention編程實例-定義模型結(jié)構(gòu)模塊（上）.mp4
│ 12-5 Seq2Seq-Attention編程實例-定義模型結(jié)構(gòu)模塊（下）.mp4
│ 12-6 Seq2Seq-Attention編程實例-定義train模塊（上）.mp4
│ 12-7 Seq2Seq-Attention編程實例-定義train模塊（下）.mp4
│ 12-8 Seq2Seq-Attention編程實例-定義train模塊-loss function.mp4
│ 12-9 Seq2Seq-Attention編程實例-定義eval模塊.mp4
│
├─第13章 PyTorch工程應(yīng)用介紹
│ 13-1 PyTorch模型開發(fā)與部署基礎(chǔ)平臺介紹.mp4
│ 13-2 PyTorch工程化基礎(chǔ)--Torchscript.mp4
│ 13-3 PyTorch服務(wù)端發(fā)布平臺--Torchserver.mp4
│ 13-4 PyTorch終端推理基礎(chǔ)--ONNX.mp4
│
├─第14章 【選修】Linux操作基礎(chǔ)串講
│ 14-1 linux操作基礎(chǔ)串講.mp4
│
├─第15章 課程總結(jié)與回顧
│ 15-1 課程總結(jié).mp4
│
└─課程資料.zip
