课程介绍

课程目录

• 10_图神经网络实战
• 1_图神经网络基础
• 1-图神经网络应用领域分析
• 2-图基本模块定义
• 3-邻接矩阵的定义
• 4-GNN中常见任务
• 5-消息传递计算方法
• 6-多层GCN的作用
• 2_图卷积GCN模型
• 1-GCN基本模型概述
• 2-图卷积的基本计算方法
• 3-邻接的矩阵的变换
• 4-GCN变换原理解读
• 3_图模型必备神器PyTorch Geometric安装与使用
• 1-PyTorch Geometric工具包安装与配置方法
• 2-数据集与邻接矩阵格式
• 3-模型定义与训练方法
• 4-文献引用数据集分类案例实战
• 4_使用PyTorch Geometric构建自己的图数据集
• 1-构建数据集基本方法
• 2-数据集与任务背景概述
• 3-数据集基本预处理
• 4-用户行为图结构创建
• 5-数据集创建函数介绍
• 6-网络结构定义模块
• 7-TopkPooling进行下采样任务
• 8-获取全局特征
• 9-模型训练与总结
• 5_图注意力机制与序列图模型
• 1-图注意力机制的作用与方法
• 2-邻接矩阵计算图Attention
• 3-序列图神经网络TGCN应用
• 4-序列图神经网络细节
• 6_图相似度论文解读
• 1-要完成的任务分析
• 2-基本方法概述解读
• 3-图模型提取全局与局部特征
• 4-NTN模块的作用与效果
• 5-点之间的对应关系计算
• 6-结果输出与总结
• 7_图相似度计算实战
• 1-数据集与任务概述3
• 2-图卷积特征提取模块3
• 3-分别计算不同Batch点的分布3
• 4-获得直方图特征结果
• 5-图的全局特征构建
• 6-NTN图相似特征提取
• 7-预测得到相似度结果
• 8_基于图模型的轨迹估计
• 1-数据集与标注信息解读
• 2-整体三大模块分析
• 3-特征工程的作用与效果
• 4-传统方法与现在向量空间对比
• 5-输入细节分析
• 6-子图模块构建方法
• 7-特征融合模块分析
• 8-VectorNet输出层分析
• 9_图模型轨迹估计实战
• 1-数据与环境配置4
• 2-训练数据准备4
• 3-Agent特征提取方法4
• 4-DataLoader构建图结构4
• 5-SubGraph与Attention模型流程4
• 1_直播课回放
• 1_直播1：开班典礼
• 1人工智能CV NLP高薪实战班
• 2_Pycharm环境配置与Debug演示(没用过的同学必看)
• Pycharm环境配置与Debug演示(没用过的同学必看)
• 3_直播2：深度学习必备基础-神经网络与卷积网络
• 1.深度学习必备基础-神经网络与卷积网络
• 4_直播3：Transformer原理及其各领域应用分析
• Transformer原理及其各领域应用分析
• 5_额外补充：时间序列预测
• 额外补充：时间序列预测
• 6_直播4：Informer时间序列预测源码解读
• Informer时间序列预测源码解读
• 2_深度学习必备核心算法
• 1_神经网络算法解读
• 1-神经网络算法解读
• 2_卷积神经网络算法解读
• 2-卷积神经网络算法解读
• 3_递归神经网络算法解读
• 3-递归神经网络算法解读
• 3_深度学习核心框架PyTorch
• 1_PyTorch框架介绍与配置安装
• 1-PyTorch框架与其他框架区别分析1
• 2-CPU与GPU版本安装方法解读1
• 2_使用神经网络进行分类任务
• 1-数据集与任务概述2
• 2-基本模块应用测试2
• 3-网络结构定义方法2
• 4-数据源定义简介2
• 5-损失与训练模块分析2
• 6-训练一个基本的分类模型2
• 7-参数对结果的影响2
• 3_神经网络回归任务-气温预测
• 神经网络回归任务-气温预测1
• 4_卷积网络参数解读分析
• 1-输入特征通道分析2
• 2-卷积网络参数解读2
• 3-卷积网络模型训练2
• 5_图像识别模型与训练策略（重点）
• 1-任务分析与图像数据基本处理2
• 10-测试结果演示分析1
• 2-数据增强模块2
• 3-数据集与模型选择1
• 4-迁移学习方法解读1
• 5-输出层与梯度设置1
• 6-输出类别个数修改1
• 7-优化器与学习率衰减1
• 8-模型训练方法1
• 9-重新训练全部模型1
• 6_DataLoader自定义数据集制作
• 1-Dataloader要完成的任务分析1
• 2-图像数据与标签路径处理1
• 3-Dataloader中需要实现的方法分析1
• 4-实用Dataloader加载数据并训练模型1
• 7_LSTM文本分类实战
• 1-数据集与任务目标分析1
• 2-文本数据处理基本流程分析1
• 3-命令行参数与DEBUG1
• 4-训练模型所需基本配置参数分析1
• 5-预料表与字符切分1
• 6-字符预处理转换ID1
• 7-LSTM网络结构基本定义1
• 8-网络模型预测结果输出1
• 9-模型训练任务与总结1
• 8_PyTorch框架Flask部署例子
• 1-基本结构与训练好的模型加载
• 2-服务端处理与预测函数
• 3-基于Flask测试模型预测结果
• 4_MMLAB实战系列
• 10_第四模块：DBNET文字检测
• 1-文字检测数据概述与配置文件
• 2-配置文件参数设置
• 3-Neck层特征组合
• 4-损失函数模块概述
• 5-损失计算方法
• 11_第四模块：ANINET文字识别
• 1-数据集与环境概述
• 2-配置文件修改方法
• 3-Bakbone模块得到特征
• 4-视觉Transformer模块的作用
• 5-视觉模型中的编码与解码的效果
• 6-文本模型中的结构分析
• 7-迭代修正模块
• 8-输出层与损失计算
• 12_第四模块：KIE基于图模型的关键信息抽取
• 1-配置文件以及要完成的任务解读
• 2-KIE数据集格式调整方法
• 3-配置文件与标签要进行处理操作
• 4-边框要计算的特征分析
• 5-标签数据处理与关系特征提取
• 6-特征合并处理
• 7-准备拼接边与点特征
• 8-整合得到图模型输入特征
• 12_第五模块：stylegan2源码解读
• 1-要完成的任务与基本思想概述
• 2-得到style特征编码
• 3-特征编码风格拼接
• 4-基础风格特征卷积模块
• 5-上采样得到输出结果
• 6-损失函数概述
• 13_第六模块：BasicVSR++视频超分辨重构源码解读
• 1-要完成的任务分析与配置文件
• 10-传播流程整体完成一圈
• 11-完成输出结果
• 2-特征基础提取模块
• 3-光流估计网络模块
• 4-基于光流完成对齐操作
• 5-偏移量计算方法1
• 6-双向计算特征对齐
• 7-提特征传递流程分析
• 8-序列传播计算
• 9-准备变形卷积模块的输入
• 14_第七模块：多模态3D目标检测算法源码解读
• 1-环境配置与数据集概述
• 10-3D卷积特征融合
• 11-输出层预测结果
• 2-数据与标注文件介绍
• 3-基本流程梳理并进入debug模式
• 4-数据与图像特征提取模块
• 5-体素索引位置获取
• 6-体素特征提取方法解读
• 7-体素特征计算方法分析
• 8-全局体素特征提取
• 9-多模态特征融合
• 15_第八模块：模型蒸馏应用实例
• 1-任务概述与工具使用
• 2-Teacher与Student网络结构定义
• 3-训练T与S得到蒸馏模型
• 4-开始模型训练过程与问题修正
• 5-日志输出与模型分离
• 6-分别得到Teacher与Student模型
• 7-实际测试效果演示
• 16_第八模块：模型剪枝方法概述分析
• 1-SuperNet网络结构分析与剪枝概述
• 2-搜索匹配到符合计算量的模型并训练
• 17_第九模块：mmaction行为识别
• 创建自己的行为识别标注数据集
• 18_额外补充
• 在源码中加入各种注意力机制方法
• 1_MMCV安装方法
• MMCV安装方法
• 2_第一模块：分类任务基本操作
• 1-准备MMCLS项目
• 2-基本参数配置解读
• 3-各模块配置文件组成
• 4-生成完整配置文件
• 5-根据文件夹定义数据集
• 6-构建自己的数据集
• 7-训练自己的任务
• MMCLS问题修正1
• 3_第一模块：训练结果测试与验证
• 1-测试DEMO效果
• 2-测试评估模型效果
• 3-MMCLS中增加一个新的模块
• 4-修改配置文件中的参数
• 5-数据增强流程可视化展示
• 6-Grad-Cam可视化方法
• 7-可视化细节与效果分析
• 8-MMCLS可视化模块应用
• 9-模型分析脚本使用
• 4_第一模块：模型源码DEBUG演示
• 1-VIT任务概述
• 2-数据增强模块概述分析
• 3-PatchEmbedding层
• 4-前向传播基本模块
• 5-CLS与输出模块
• 5_第二模块：使用分割模块训练自己的数据集
• 1-项目配置基本介绍
• 2-数据集标注与制作方法
• 3-跟别预测类别数修改配置文件
• 4-加载预训练模型开始训练
• 5-预测DEMO演示
• 6_第二模块：基于Unet进行各种策略修改
• 1-配置文件解读
• 2-编码层模块
• 3-上采样与输出层
• 4-辅助层的作用
• 5-给Unet添加一个neck层
• 6-如何修改参数适配网络结构
• 7-将Unet特征提取模块替换成transformer
• 8-VIT模块源码分析
• 7_第二模块：分割任务CVPR最新Backbone设计及其应用
• 1-注册自己的Backbone模块
• 10-汇总多层级特征进行输出
• 2-配置文件指定
• 3-DEBUG解读Backbone设计
• 4-PatchEmbedding的作用与实现
• 5-卷积位置编码计算方法
• 6-近似Attention模块实现
• 7-完成特征提取与融合模块
• 8-分割任务输出模块
• 9-全局特征的作用与实现
• 8_第三模块：mmdet训练自己的数据任务
• 1-数据集标注与标签获取
• 2-COCO数据标注格式
• 3-通过脚本生成COCO数据格式
• 4-配置文件数据增强策略分析
• 5-训练所需配置说明
• 6-模型训练与DEMO演示
• 7-模型测试与可视化分析模块
• 8-补充：评估指标
• 9_第三模块：DeformableDetr物体检测源码分析
• 1-特征提取与位置编码
• 10-分类与回归输出模块
• 11-预测输出结果与标签匹配模块
• 2-序列特征展开并叠加
• 3-得到相对位置点编码
• 4-准备Encoder编码层所需全部输入
• 5-编码层中的序列分析
• 6-偏移量offset计算
• 7-偏移量对齐操作
• 8-Encoder层完成特征对齐
• 9-Decoder要完成的操作
• 5_Opencv图像处理框架实战
• 10_项目实战-文档扫描OCR识别
• 1-整体流程演示
• 2-文档轮廓提取
• 3-原始与变换坐标计算
• 4-透视变换结果
• 5-tesseract-ocr安装配置
• 6-文档扫描识别效果
• 11_图像特征-harris
• 1-角点检测基本原理
• 2-基本数学原理
• 3-求解化简
• 4-特征归属划分
• 5-opencv角点检测效果
• 12_图像特征-sift
• 1-尺度空间定义
• 2-高斯差分金字塔
• 3-特征关键点定位
• 4-生成特征描述
• 5-特征向量生成
• 6-opencv中sift函数使用
• 13_案例实战-全景图像拼接
• 1-特征匹配方法
• 2-RANSAC算法
• 2-图像拼接方法
• 4-流程解读
• 14_项目实战-停车场车位识别
• 1-任务整体流程
• 2-所需数据介绍
• 3-图像数据预处理
• 4-车位直线检测
• 5-按列划分区域
• 6-车位区域划分
• 7-识别模型构建
• 8-基于视频的车位检测
• 15_项目实战-答题卡识别判卷
• 1-整体流程与效果概述
• 2-预处理操作
• 3-填涂轮廓检测
• 4-选项判断识别
• 16_背景建模
• 1-背景消除-帧差法
• 2-混合高斯模型
• 3-学习步骤
• 4-背景建模实战
• 17_光流估计
• 1-基本概念
• 2-Lucas-Kanade算法
• 3-推导求解
• 4-光流估计实战
• 18_Opencv的DNN模块
• 1-dnn模块
• 2-模型加载结果输出
• 19_项目实战-目标追踪
• 1-目标追踪概述
• 2-多目标追踪实战
• 3-深度学习检测框架加载
• 4-基于dlib与ssd的追踪
• 5-多进程目标追踪
• 6-多进程效率提升对比
• 1_课程简介与环境配置
• 0-课程简介2
• 2-Notebook与IDE环境
• 2-Python与Opencv配置安装
• 20_卷积原理与操作
• 1-卷积神经网络的应用
• 1-卷积效果演示
• 2-卷积操作流程
• 2-卷积层解释
• 3-卷积计算过程
• 4-pading与stride
• 5-卷积参数共享
• 6-池化层原理
• 21_项目实战-疲劳检测
• 1-关键点定位概述
• 2-获取人脸关键点
• 3-定位效果演示
• 4-闭眼检测
• 5-检测效果
• 2_图像基本操作
• 1-计算机眼中的图像
• 2-视频的读取与处理
• 3-ROI区域
• 4-边界填充
• 5-数值计算
• 3_阈值与平滑处理
• 1-图像平滑处理
• 2-高斯与中值滤波
• 图像阈值
• 4_图像形态学操作
• 1-腐蚀操作
• 2-膨胀操作
• 3-开运算与闭运算
• 4-梯度计算
• 5-礼帽与黑帽
• 5_图像梯度计算
• 1-Sobel算子
• 2-梯度计算方法
• 3-scharr与lapkacian算子
• 6_边缘检测
• 1-Canny边缘检测流程
• 2-非极大值抑制
• 3-边缘检测效果
• 7_图像金字塔与轮廓检测
• 1-轮廓检测方法
• 1-模板匹配方法
• 1-图像金字塔定义
• 2-金字塔制作方法
• 2-轮廓检测结果
• 2-匹配效果展示
• 3-轮廓特征与近似
• 8_直方图与傅里叶变换
• 1-傅里叶概述
• 1-直方图定义
• 2-均衡化原理
• 2-频域变换结果
• 3-低通与高通滤波
• 3-均衡化效果
• 9_项目实战-信用卡数字识别
• 2-环境配置与预处理
• 3-模板处理方法
• 4-输入数据处理方法
• 5-模板匹配得出识别结果
• 总体流程与方法讲解
• 6_综合项目-物体检测经典算法实战
• 10_EfficientNet网络
• 第八课：EfficientNet网络模型
• 11_EfficientDet检测算法
• 第十一章：EfficientDet检测算法
• 12_基于Transformer的detr目标检测算法
• 1-DETR目标检测基本思想解读
• 2-整体网络架构分析
• 3-位置信息初始化query向量
• 4-注意力机制的作用方法
• 5-训练过程的策略
• 13_detr目标检测源码解读
• 1-项目环境配置解读
• 2-数据处理与dataloader
• 3-位置编码作用分析
• 4-backbone特征提取模块
• 5-mask与编码模块
• 6-编码层作用方法
• 7-Decoder层操作与计算
• 8-输出预测结果
• 9-损失函数与预测输出
• 1_深度学习经典检测方法概述
• 1-检测任务中阶段的意义
• 2-不同阶段算法优缺点分析
• 3-IOU指标计算
• 4-评估所需参数计算
• 5-map指标计算
• 2_YOLO-V1整体思想与网络架构
• 2-检测算法要得到的结果
• 3-整体网络架构解读
• 4-位置损失计算
• 5-置信度误差与优缺点分析
• YOLO算法整体思路解读
• 3_YOLO-V2改进细节详解
• 2-网络结构特点
• 3-架构细节解读
• 4-基于聚类来选择先验框尺寸
• 5-偏移量计算方法
• 6-坐标映射与还原
• 7-感受野的作用
• 8-特征融合改进
• V2版本细节升级概述
• 4_YOLO-V3核心网络模型
• 1-V3版本改进概述
• 2-多scale方法改进与特征融合
• 3-经典变换方法对比分析
• 4-残差连接方法解读
• 5-整体网络模型架构分析
• 6-先验框设计改进
• 7-sotfmax层改进
• 5_项目实战-基于V3版本进行源码解读
• 1-数据与环境配置
• 10-网格偏移计算
• 11-模型要计算的损失概述
• 12-标签值格式修改
• 13-坐标相对位置计算
• 14-完成所有损失函数所需计算指标
• 15-模型训练与总结
• 16-预测效果展示
• 2-训练参数设置
• 3-数据与标签读取
• 4-标签文件读取与处理
• 5-debug模式介绍
• 6-基于配置文件构建网络模型
• 7-路由层与shortcut层的作用
• 8-YOLO层定义解析
• 9-预测结果计算
• 6_基于YOLO-V3训练自己的数据集与任务
• 1-Labelme工具安装
• 2-数据信息标注
• 3-完成标签制作
• 4-生成模型所需配置文件
• 5-json格式转换成yolo-v3所需输入
• 6-完成输入数据准备工作
• 7-训练代码与参数配置更改
• 8-训练模型并测试效果
• 7_YOLO-V4版本算法解读
• 1-V4版本整体概述
• 10-PAN模块解读
• 11-激活函数与整体架构总结
• 2-V4版本贡献解读
• 3-数据增强策略分析
• 4-DropBlock与标签平滑方法
• 5-损失函数遇到的问题
• 6-CIOU损失函数定义
• 7-NMS细节改进
• 8-SPP与CSP网络结构
• 9-SAM注意力机制模块
• 8_V5版本项目配置
• 1-整体项目概述
• 2-训练自己的数据集方法
• 3-训练数据参数配置
• 4-测试DEMO演示
• 9_V5项目工程源码解读
• 1-数据源DEBUG流程解读
• 10-完成配置文件解析任务
• 11-前向传播计算
• 12-BottleneckCSP层计算方法
• 13-1 SPP层计算细节分析
• 13-Head层流程解读
• 14-上采样与拼接操作
• 15-输出结果分析
• 16-超参数解读
• 17-命令行参数介绍
• 18-训练流程解读
• 19-各种训练策略概述
• 2-图像数据源配置
• 20-模型迭代过程
• 3-加载标签数据
• 4-Mosaic数据增强方法
• 5-数据四合一方法与流程演示
• 6-getItem构建batch
• 7-网络架构图可视化工具安装
• 8-V5网络配置文件解读
• 9-Focus模块流程分析
• 7_图像分割实战
• 10_MaskRcnn网络框架源码详解
• 1-FPN层特征提取原理解读
• 10-RoiPooling层的作用与目的
• 11-RorAlign操作的效果
• 12-整体框架回顾
• 2-FPN网络架构实现解读
• 3-生成框比例设置
• 4-基于不同尺度特征图生成所有框
• 5-RPN层的作用与实现解读
• 6-候选框过滤方法
• 7-Proposal层实现方法
• 8-DetectionTarget层的作用
• 9-正负样本选择与标签定义
• 11_基于MASK-RCNN框架训练自己的数据与任务
• 1-Labelme工具安装
• 2-使用labelme进行数据与标签标注
• 3-完成训练数据准备工作
• 4-maskrcnn源码修改方法
• 5-基于标注数据训练所需任务
• 6-测试与展示模块
• 1_图像分割及其损失函数概述
• 1-语义分割与实例分割概述
• 2-分割任务中的目标函数定义
• 3-MIOU评估标准
• 2_卷积神经网络原理与参数解读
• 1-卷积神经网络应用领域
• 10-VGG网络架构
• 11-残差网络Resnet
• 12-感受野的作用
• 2-卷积的作用
• 3-卷积特征值计算方法
• 4-得到特征图表示
• 5-步长与卷积核大小对结果的影响
• 6-边缘填充方法
• 7-特征图尺寸计算与参数共享
• 8-池化层的作用
• 9-1整体网络架构
• 3_Unet系列算法讲解
• 1-Unet网络编码与解码过程
• 2-网络计算流程
• 3-Unet升级版本改进
• 4-后续升级版本介绍
• 4_unet医学细胞分割实战
• 1-医学细胞数据集介绍与参数配置
• 2-数据增强工具
• 3-Debug模式演示网络计算流程
• 4-特征融合方法演示
• 5-迭代完成整个模型计算任务
• 6-模型效果验证
• 5_U2NET显著性检测实战
• 1-任务目标与网络整体介绍
• 2-显著性检测任务与目标概述
• 3-编码器模块解读
• 4-解码器输出结果
• 5-损失函数与应用效果
• 6_deeplab系列算法
• 1-deeplab分割算法概述
• 2-空洞卷积的作用
• 3-感受野的意义
• 4-SPP层的作用
• 5-ASPP特征融合策略
• 6-deeplabV3Plus版本网络架构
• 7_基于deeplabV3+版本进行VOC分割实战
• 1-PascalVoc数据集介绍
• 2-项目参数与数据集读取
• 3-网络前向传播流程
• 4-ASPP层特征融合
• 5-分割模型训练
• 8_医学心脏视频数据集分割建模实战
• 1-数据集与任务概述
• 2-项目基本配置参数
• 3-任务流程解读
• 4-文献报告分析
• 5-补充：视频数据源特征处理方法概述
• 6-补充：R(2plus1)D处理方法分析
• 9_物体检测框架-MaskRcnn项目介绍与配置
• 0-Mask-Rcnn开源项目简介
• 0-参数配置
• 0-开源项目数据集
• 8_行为识别实战
• 1_slowfast算法知识点通俗解读
• 1-slowfast核心思想解读
• 2-核心网络结构模块分析
• 3-数据采样曾的作用
• 4-模型网络结构设计
• 5-特征融合模块与总结分析
• 2_slowfast项目环境配置与配置文件
• 1-环境基本配置解读
• 2-目录各文件分析
• 3-配置文件作用解读
• 4-测试DEMO演示1
• 5-训练所需标签文件说明
• 6-训练所需视频数据准备
• 7-视频数据集切分操作
• 8-完成视频分帧操作
• 3_slowfast源码详细解读
• 1-模型所需配置文件参数读取1
• 10-RoiAlign与输出层1
• 2-数据处理概述1
• 3-dataloader数据遍历方法1
• 4-数据与标签读取实例1
• 5-图像数据所需预处理方法1
• 6-slow与fast分别执行采样操作1
• 7-分别计算特征图输出结果1
• 8-slow与fast特征图拼接操作1
• 9-resnetBolock操作1
• 4_基于3D卷积的视频分析与动作识别
• 1-3D卷积原理解读
• 2-UCF101动作识别数据集简介
• 3-测试效果与项目配置
• 4-视频数据预处理方法
• 5-数据Batch制作方法
• 6-3D卷积网络所涉及模块
• 7-训练网络模型
• 5_视频异常检测算法与元学习
• 1-异常检测要解决的问题与数据集介绍
• 2-基本思想与流程分析
• 3-预测与常见问题
• 4-Meta-Learn要解决的问题
• 5-学习能力与参数定义
• 6-如何找到合适的初始化参数
• 7-MAML算法流程解读
• 6_视频异常检测CVPR2021论文及其源码解读
• 1-论文概述与环境配置
• 2-数据集配置与读取
• 3-模型编码与解码结构
• 4-注意力机制模块打造
• 5-损失函数的目的
• 6-特征图生成
• 7-MetaLearn与输出
• 7_基础补充-Resnet模型及其应用实例
• 1-医学疾病数据集介绍
• 2-Resnet网络架构原理分析
• 3-dataloader加载数据集
• 4-Resnet网络前向传播
• 5-残差网络的shortcut操作
• 6-特征图升维与降采样操作
• 7-网络整体流程与训练演示
• 9_2022论文必备-Transformer实战系列
• 10_MedicalTransformer源码解读
• 1-项目环境配置1
• 2-医学数据介绍与分析1
• 3-基本处理操作1
• 4-AxialAttention实现过程1
• 5-位置编码向量解读1
• 6-注意力计算过程与方法1
• 7-局部特征提取与计算1
• 11_商汤LoFTR算法解读
• 1-特征匹配的应用场景
• 10-总结分析
• 2-特征匹配的基本流程分析
• 3-整体流程梳理分析
• 4-CrossAttention的作用与效果
• 5-transformer构建匹配特征
• 6-粗粒度匹配过程与作用
• 7-特征图拆解操作
• 8-细粒度匹配的作用与方法
• 9-基于期望预测最终位置
• 12_局部特征关键点匹配实战
• 1-项目与参数配置解读1
• 10-得到精细化输出结果1
• 11-通过期望计算最终输出1
• 2-DEMO效果演示1
• 3-backbone特征提取模块1
• 4-注意力机制的作用与效果分析1
• 5-特征融合模块实现方法1
• 6-cross关系计算方法实例1
• 7-粗粒度匹配过程1
• 8-完成基础匹配模块1
• 9-精细化调整方法与实例1
• 13_项目补充-谷歌开源项目BERT源码解读与应用实例
• 1-BERT开源项目简介1
• 10-构建QKV矩阵1
• 11-完成Transformer模块构建1
• 12-训练BERT模型1
• 2-项目参数配置1
• 3-数据读取模块1
• 4-数据预处理模块1
• 6-Embedding层的作用1
• 7-加入额外编码特征1
• 8-加入位置编码特征1
• 9-mask机制1
• tfrecord制作1
• 14_项目补充-基于BERT的中文情感分析实战
• 1-中文分类数据与任务概述1
• 2-读取处理自己的数据集1
• 3-训练BERT中文分类模型1
• 1_课程介绍
• 课程介绍1
• 2_自然语言处理通用框架BERT原理解读
• 1-BERT任务目标概述
• 10-训练实例
• 2-传统解决方案遇到的问题1
• 3-注意力机制的作用1
• 4-self-attention计算方法1
• 5-特征分配与softmax机制1
• 6-Multi-head的作用1
• 7-位置编码与多层堆叠1
• 8-transformer整体架构梳理
• 9-BERT模型训练方法
• 3_Transformer在视觉中的应用VIT算法
• 1-transformer发家史介绍1
• 2-对图像数据构建patch序列1
• 3-VIT整体架构解读1
• 4-CNN遇到的问题与窘境1
• 5-计算公式解读1
• 6-位置编码与TNT模型1
• 7-TNT模型细节分析1
• 4_VIT算法模型源码解读
• 1-项目配置说明1
• 2-输入序列构建方法解读1
• 3-注意力机制计算1
• 4-输出层计算结果1
• 5_swintransformer算法原理解析
• 1-swintransformer整体概述1
• 10-分层计算方法1
• 2-要解决的问题及其优势分析1
• 3-一个block要完成的任务1
• 4-获取各窗口输入特征1
• 5-基于窗口的注意力机制解读1
• 6-窗口偏移操作的实现1
• 7-偏移细节分析及其计算量概述1
• 8-整体网络架构整合1
• 9-下采样操作实现方法1
• 6_swintransformer源码解读
• 1-数据与环境配置解读1
• 2-图像数据patch编码1
• 3-数据按window进行划分计算1
• 4-基础attention计算模块1
• 5-窗口位移模块细节分析1
• 6-patchmerge下采样操作1
• 7-各block计算方法解读1
• 8-输出层概述1
• 7_基于Transformer的detr目标检测算法
• 1-DETR目标检测基本思想解读1
• 2-整体网络架构分析1
• 3-位置信息初始化query向量1
• 4-注意力机制的作用方法1
• 5-训练过程的策略1
• 8_detr目标检测源码解读
• 1-项目环境配置解读2
• 2-数据处理与dataloader2
• 3-位置编码作用分析2
• 4-backbone特征提取模块1
• 5-mask与编码模块1
• 6-编码层作用方法1
• 7-Decoder层操作与计算1
• 8-输出预测结果1
• 9-损失函数与预测输出1
• 9_MedicalTrasnformer论文解读
• 1-论文整体分析
• 2-核心思想分析
• 3-网络结构计算流程概述
• 4-论文公式计算分析
• 5-位置编码的作用与效果
• 6-拓展应用分析