文件清单 66 项

• 9-9尝试训练第一个模型.mp4
• 9-8在日志中保存重要信息.mp4
• 9-7定义损失计算和训练验证环节二.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
• 9-4编写数据加载器部分.mp4
• 9-3初始化都包含什么内容.mp4
• 9-2定义模型训练框架.mp4
• 9-25分割模型训练及在TensorBoard中查看结果.mp4

展开全部 66 项

• 9-26本章小结.mp4
• 9-24模型存储图像存储代码介绍.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
• 9-20为图像分割构建Dataset类.mp4
• 9-1第一个模型结节分类.mp4
• 9-19为图像分割进行数据预处理.mp4
• 9-18U-Net模型介绍.mp4
• 9-17图像分割的几种类型.mp4
• 9-16第二个模型结节分割.mp4
• 9-15数据增强的代码实现.mp4
• 9-14数据重复采样的代码实现.mp4
• 9-13数据优化方法.mp4
• 9-12实现F1Score计算逻辑.mp4
• 9-11新的模型评估指标F1score.mp4
• 9-10借助TensorBoard绘制指标曲线.mp4
• 8-9编写Dataset方法.mp4
• 8-8数据坐标系的转换.mp4
• 8-7加载CT影像数据.mp4
• 8-6加载标注数据.mp4
• 8-5原始数据是长什么样子的.mp4
• 8-3制定一个解决方案.mp4
• 8-2CT数据是什么样子.mp4
• 8-13CT数据可视化实现三.mp4
• 8-12CT数据可视化实现二.mp4
• 8-11CT数据可视化实现一.mp4
• 8-10分割训练集和验证集.mp4
• 8-14本章小结.mp4
• 7-8借助PyTorch搭建卷积网络模型.mp4
• 7-7对全连接网络的改进之卷积网络.mp4
• 7-6全连接网络实现图像分类.mp4
• 7-5分类模型常用损失之交叉熵损失.mp4
• 7-4借助softmax方法给出分类结果.mp4
• 7-3为模型准备训练集和验证集.mp4
• 7-2为数据集实现Dataset类.mp4
• 7-9卷积中的数据填充方法padding.mp4
• 7-21本章小结.mp4
• 7-20优化方案之增加模型深度-depth.mp4
• 7-1CIFAR-10数据集介绍.mp4
• 7-19优化方案之数据正则化-normalization三.mp4
• 7-18优化方案之数据正则化-normalization二.mp4
• 7-17优化方案之数据正则化-normalization一.mp4
• 7-16优化方案之增加模型宽度-width.mp4
• 7-15该用GPU训练我们的模型.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
• 7-11借助下采样压缩数据.mp4
• 7-10使用卷积提取图像中的特定特征.mp4
• 7-14训练好的模型如何存储.mp4
• 第7章 使用神经网络区分小鸟和飞机图像/
• 第6章 神经网络理念解决温度计转换/
• 第5章 PyTorch如何处理真实数据/
• 第4章 PyTorch基础知识必备-张量/
• 第2章 课程内容整体规划/
• 第1章 课程导学/
• 第11章 课程总结与面试问题/