网盘截图：

课程目录

• 咕泡-人工智能10期最新最全版本
• 1-AI课程所需安装软件教程
• 课程详细目录.txt
• 10-2022论⽂必备-Transformer实战系列
• 1-Transformer算法解读
• 10-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
• 11-MedicalTransformer源码解读
• 1-项目环境配置
• 2-医学数据介绍与分析
• 3-基本处理操作
• 4-AxialAttention实现过程
• 5-位置编码向量解读
• 6-注意力计算过程与方法
• 7-局部特征提取与计算
• 12-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
• 13-局部特征关键点匹配实战
• 1-项目与参数配置解读
• 10-得到精细化输出结果
• 11-通过期望计算最终输出
• 2-DEMO效果演示
• 3-backbone特征提取模块
• 4-注意力机制的作用与效果分析
• 5-特征融合模块实现方法
• 6-cross关系计算方法实例
• 7-粗粒度匹配过程
• 8-完成基础匹配模块
• 9-精细化调整方法与实例
• 14-分割模型Maskformer系列
• 1-分割模型Maskformer系列
• 15-Mask2former源码解读
• 1-Backbone获取多层级特征
• 10-正样本筛选损失计算
• 11-标签分类匹配结果分析
• 12-最终损失计算流程
• 13-汇总所有损失完成迭代
• 2-多层级采样点初始化构建
• 3-多层级输入特征序列创建方法
• 4-偏移量与权重计算并转换
• 5-Encoder特征构建方法实例
• 6-query要预测的任务解读
• 7-Decoder中的AttentionMask方法
• 8-损失模块输入参数分析
• 9-标签分配策略解读
• 16-BEV特征空间
• 1-BEV特征空间
• 17-BevFormer源码解读
• 1-环境配置方法解读
• 10-获取当前BEV特征
• 11-Decoder级联校正模块
• 12-损失函数与预测可视化
• 2-数据集下载与配置方法
• 3-特征提取以及BEV空间初始化
• 4-特征对齐与位置编码初始化
• 5-Reference初始点构建
• 6-BEV空间与图像空间位置对应
• 7-注意力机制模块计算方法
• 8-BEV空间特征构建
• 9-Decoder要完成的任务分析
• 18-时间序列预测
• 1-时间序列预测
• 19-Informer时间序列源码解读
• 1-Informer时间序列源码解读
• 2-视觉Transformer及其源码分析
• 1-视觉Transformer及其源码分析
• 20-Huggingface与NLP（讲故事）
• 1-Huggingface与NLP（讲故事）
• 3-VIT算法模型源码解读
• 1-项目配置说明
• 2-输入序列构建方法解读
• 3-注意力机制计算
• 4-输出层计算结果
• 4-swintransformer算法原理解析
• 1-swintransformer整体概述
• 10-分层计算方法
• 2-要解决的问题及其优势分析
• 3-一个block要完成的任务
• 4-获取各窗口输入特征
• 5-基于窗口的注意力机制解读
• 6-窗口偏移操作的实现
• 7-偏移细节分析及其计算量概述
• 8-整体网络架构整合
• 9-下采样操作实现方法
• 5-swintransformer源码解读
• 1-数据与环境配置解读
• 2-图像数据patch编码
• 3-数据按window进行划分计算
• 4-基础attention计算模块
• 5-窗口位移模块细节分析
• 6-patchmerge下采样操作
• 7-各block计算方法解读
• 8-输出层概述
• 6-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
• 7-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
• 8-DeformableDetr算法解读
• 1-DeformableDetr算法解读
• 9-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-序列特征展开并迭加
• 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
• 课程详细目录.txt
• 咨询VX ETH22009.txt
• 11-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
• 10-基于图模型的时间序列预测
• 1-基于图模型的时间序列预测
• 11-异构图神经网络
• 1-异构图神经网络
• 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
• 2-图卷积特征提取模块
• 3-分别计算不同Batch点的分布
• 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
• 2-训练数据准备
• 3-Agent特征提取方法
• 4-DataLoader构建图结构
• 5-SubGraph与Attention模型流程
• 课程详细目录.txt
• 咨询VX ETH22009.txt
• 12-3D点云实战
• 1-3D点云实战 3D点云应用领域分析
• 1-点云数据概述
• 2-点云应用领域与发展分析
• 3-点云分割任务
• 4-点云补全任务
• 5-点云检测与配准任务
• 6-点云数据特征提取概述与预告
• 2-3D点云PointNet算法
• 1-3D数据应用领域与点云介绍
• 2-点云数据可视化展示
• 3-点云数据特性和及要解决的问题
• 4-PointNet算法出发点解读
• 5-PointNet算法网络架构解读
• 3-PointNet++算法解读
• 1-PointNet升级版算法要解决的问题
• 2-最远点采样方法
• 3-分组Group方法原理解读
• 4-整体流程概述分析
• 5-分类与分割问题解决方案
• 6-遇到的问题及改进方法分析
• 4-Pointnet++项目实战
• 1-项目文件概述
• 11-分割任务数据与配置概述
• 12-分割需要解决的任务概述
• 13-上采样完成分割任务
• 2-数据读取模块配置
• 3-DEBUG解读网络模型架构
• 4-最远点采样介绍
• 5-采样得到中心点
• 6-组区域划分方法
• 7-实现group操作得到各中心簇
• 8-特征提取模块整体流程
• 9-预测结果输出模块
• 5-点云补全PF-Net论文解读
• 1-点云补全要解决的问题