内容介绍：
课程1：机器学习、深度学习简介.mp4
课程2：深度学习的发展历史.mp4
课程3：现代深度学习的典型例子.mp4
课程4：深度学习在计算机视觉中的应用.mp4
课程5：深度学习的总结.mp4
课程6：开发环境的配置, python, Numpy, Keras入门教程.mp4
课程7：GPU驱动程序安装.mp4
课程8：CUDA的安装.mp4
课程9：cuDNN的安装, Tensorflow, PyTorch的GPU测试.mp4
课程10：问答环节.mp4
课程11：环境安装.mp4
课程12：二元分类问题.mp4
课程13：逻辑函数.mp4
课程14：指数与对数 、逻辑回归.mp4
课程15：示例.mp4
课程16：损失函数.mp4
课程17：损失函数推演.mp4
课程18：梯度下降法.mp4
课程19：应用.mp4
课程20：直播答疑.mp4
课程21：自动驾驶方向盘预测论文分析.mp4
课程22：使用PyCharm Keras建立深度网络模型.mp4
课程23：数据预处理 数据增强.mp4
课程24：建立BatchGenerator高效读取数据.mp4
课程25：训练网络 保存训练的中间过程数据.mp4
课程26：查看网络训练过程 判断网络是否过拟合 欠拟合.mp4
课程27：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.mp4
课程28：使用Pandas读取鸢尾花数据集， 使用LabelEncoder对类别标签进行编码.mp4
课程29：使用Keras创建一个用于鸢尾花分类识别的神经网络.mp4
课程30：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.mp4
课程31：神经网络数学原理（1）： 神经网络的结点，权值，激活函数.mp4
课程32：神经网络数学原理（2）： 神经网络的前馈（Feed Forward）算法.mp4
课程33：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.mp4
课程34：神经网络数学原理（4）：神经网络BP（误差反向传播）算法.mp4
课程35：神经网络数学原理（5）：神经网络BP（误差反向传递）算法续.mp4
课程36：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）.mp4
课程37：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.mp4
课程38：Neural.Network.Loss-直播01.mp4
课程39：Neural.Network.Loss-直播02.mp4
课程40：Neural.Network.Loss-直播03.mp4
课程41：梯度消亡.mp4
课程42：梯度消亡问题分析.mp4
课程43：梯度消亡解决方案.mp4
课程44：过拟合.mp4
课程45：DropOut 训练.mp4
课程46：正则化.mp4
课程47：最大范数约束 神经元的初始化.mp4
课程48：作业讲解与答疑-01.mp4
课程49：作业讲解与答疑-02.mp4
课程50：为什么需要递归神经网络？.mp4
课程51：递归神经网络介绍.mp4
课程52：语言模型.mp4
课程53：RNN的深度.mp4
课程54：梯度爆炸和梯度消失.mp4
课程55：Gradient Clipping.mp4
课程56：LSTM的介绍.mp4
课程57：LSTM的应用.mp4
课程58：Bi-Directional LSTM.mp4
课程59：Gated Recurrent Unit.mp4
课程60：机器翻译.mp4
课程61：Multimodal Learning.mp4
课程62：Seq2Seq模型.mp4
课程63：回顾RNN与LSTM.mp4
课程64：Attention for Image Captioning.mp4
课程65：Attention for Machine Translation.mp4
课程66：Self-Attention.mp4
课程67：Attention总结.mp4
课程68：neural network optimizer直播-01.mp4
课程69：neural network optimizer直播-02.mp4
课程70：neural network optimizer直播-03.mp4
课程71：项目介绍.mp4
课程72：看图说话课程一-01.mp4
课程73：看图说话课程一-02.mp4
课程74：看图说话课程一-03.mp4
课程75：课程介绍.mp4
课程76：如何实现 load_img_as_np_array 这个函数.mp4
课程77：如何实现“load_vgg16_model”函数.mp4
课程78：如何实现“extract_features”函数.mp4
课程79：创建Tokenizer01.mp4
课程80：创建Tokenizer02.mp4
课程81：产生模型需要的输入数据01.mp4
课程82：产生模型需要的输入数据02.mp4
课程83：课程的概述.mp4
课程84：Input Embedding和Dropout层介绍.mp4
课程85：LSTM Add层的介绍.mp4
课程86：如何训练模型.mp4
课程87：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.mp4
课程88：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.mp4
课程89：如何调用generate_caption函数.mp4
课程90：如何评价标题生成模型的性能.mp4
课程91：读取和显示数字图像.mp4
课程92：数字图像大小缩放.mp4
课程93：数字图像直方图均衡.mp4
课程94：图像去噪声.mp4
课程95：图像边缘检测.mp4
课程96：图像关键点检测.mp4
课程97：道路行车道检测简介.mp4
课程98：Canny边缘检测.mp4
课程99：霍夫变换用于直线检测.mp4
课程101：在图像和视频上面演示道路行车道检测.mp4
课程102：项目介绍.mp4
课程103：交通指示牌识别的简介.mp4
课程104：交通指示牌识别课程的编程课程.mp4
课程105：如何分析数据 (util.py 的详细介绍).mp4
课程106：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.mp4
课程107：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.mp4
课程108：色彩空间转换.mp4
课程109：直方图均衡.mp4
课程110：图像标准化.mp4
课程111：使用ImageDataGenerator做图像增强.mp4
课程112：作业上传的要求.mp4
课程113：介绍经典交通指示牌卷积神经网络模型.mp4
课程114：代码实现经典交通指示牌识别卷积神经网络模型.mp4
课程115：卷积神经网络的数学原理01.mp4
课程116：卷积神经网络的数学原理02.mp4
课程117：深度学习调参-直播-01.mp4
课程118：深度学习调参-直播-02.mp4
课程119：深度学习调参-直播-03.mp4
课程120：卷积层的启发.mp4
课程121：卷积层的定量分析.mp4
课程122：单通道输入 单通道输出的卷积层的实例.mp4
课程123：多通道输入 多通道输出的卷积层的实例.mp4
课程124：池化层的原理 定量分析.mp4
课程125：卷积神经网络和全连接神经网络的比较.mp4
课程126：卷积神经网络在围棋 语言识别和自然语言处理中的应用.mp4
课程127：基于深度学习的图像分类历史回顾.mp4
课程128：AlexNet的结构分析.mp4
课程129：ZFNet的结构分析.mp4
课程130：VGG的结构分析.mp4
课程131：GoogleNet Inception的结构分析.mp4
课程132：Inception V3的结构分析.mp4
课程133：ResNet的结构分析.mp4
课程134：ResNet的代码实现.mp4
课程135：基于内容的图像搜索理论基础.mp4
课程136：基于去噪自动编码器的图像搜索代码实现.mp4
课程137：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.mp4
课程138：项目1-看图说话（助教）讲解和答疑-01.mp4
课程139：项目1-看图说话（助教）讲解和答疑-02.mp4
课程140：项目介绍.mp4
课程141：自动驾驶方向盘转动方向预测的背景知识.mp4
课程142：如何收集训练数据.mp4
课程143：理解分析训练数据.mp4
课程144：自动驾驶方向盘转动方向预测的网络结构和网络训练代码讲解.mp4
课程145：提高网络性能的思路 图像处理、数据增强、网络结构优化.mp4
课程146：探索数据01.mp4
课程147：探索数据02.mp4
课程148：图像增强01.mp4
课程149：图像增强02.mp4
课程150：解决数据不平衡的问题 DataGenerator的应用.mp4
课程151：网络结构实例.mp4
课程152： 图像增强部分的代码讲解.mp4
课程153：DataGenerator部分的代码讲解.mp4
课程154：网络结构实现部分的代码讲解.mp4
课程155：方向盘转动方向预测网络模型的性能评估方法.mp4
课程156：使用模拟器定性的判断网络性能的方法以及代码讲解.mp4
课程157：模拟器自动驾驶的展示.mp4
课程158：通过损失函数的变化判断网络性能、识别和解决过拟合和欠拟合的问题.mp4
课程159：如何安装Python 连接模拟器的Python 库.mp4
课程160：windows 下面使用自动驾驶模拟器的教程.mp4
课程161：mac 下面使用自动驾驶模拟器的教程.mp4
课程162：目标识别综述.mp4
课程163：基于HOG(梯度直方图)的目标识别.mp4
课程164：Non-Max Suppression IoU 和 Hard Negative Mining.mp4
课程165：R-CNN的工作原理.mp4
课程166：R-CNN中的边界框(Bounding Box)预测原理.mp4
课程167：R-CNN的不足之处.mp4
课程168：Fast R-CNN详解.mp4
课程169：Faster R-CNN Region Proposal Network.mp4
课程170：R-CNN Fast R-CNN Faster R-CNN的总结.mp4
课程171：目标识别 R-CNN家族的回顾.mp4
课程172：SSD的简介 SSD与R-CNN的比较.mp4
课程173：SSD的网络结构.mp4
课程174：如何使用卷积作为最后的预测层.mp4
课程175：SSD的训练过程.mp4
课程176：SSD的实验结果分析.mp4
课程177：VGG16到SSD网络的演化 L2Normalization层的实现.mp4
课程178：SSD各个技术对失败率的影响 Atrous卷积层的原理.mp4
课程179：使用卷积作为最后的预测层详解.mp4
课程180：SSD定位损失函数详解.mp4
课程181：SSD中Anchor尺寸 宽高比 中心位置的确定.mp4
课程182：SSD中分类损失函数详解.mp4
课程183：Non-Max Suppression的原理.mp4
课程184：SSD和YOLO的比较 SSD的总结.mp4
课程185：图像分割简介.mp4
课程186：基于深度学习的图像分割U-Net的原理.mp4
课程187：Transposed Convolution原理与运用.mp4
课程188：U-Net的代码讲解.mp4
课程189：图像生成的原理.mp4
课程190：使用深度学习自动图像生成手写数字的代码讲解.mp4
课程191：图像风格转移的原理.mp4
课程192：使用深度学习实现图像风格转移的代码讲解.mp4
课程193：SSD的原理回顾.mp4
课程194：编程项目的训练数据介绍.mp4
课程195：对SSD模型对产生Anchor有影响的参数讲解.mp4
课程196：对候选框精选处理有影响的参数讲解.mp4
课程197：对输入模型参数的合法性检测和转换.mp4
课程198：具有7层的SSD的网络结构讲解.mp4
课程199：编译模型, 使用模型做预测.mp4
课程200：SSD解码的实现.mp4
课程201：帮助函数IoU, 坐标转换, SSD损失函数, Non-Max-Suppression的实现.mp4
课程202：二值化神经网络的简介.mp4
课程203：二值化网络的前向后向传播, 梯度计算原理.mp4
课程204：二值化网络的训练算法.mp4
课程205：二值化网络的实验结果.mp4
课程206：二值化全连接网络的代码讲解.mp4
课程207：DropoutNoScale层的实现.mp4
课程208：BinaryDense层的实现.mp4
课程209：二值化卷积神经网络的代码讲解.mp4
课程210：项目作业要求.mp4
课程211：神经网络在实际应用中面临的挑战, 轻量级深度神经网络的必要性.mp4
课程212：MobileNet, Depthwise Seperable Convolution的原理计算量分析.mp4
课程213：ShuffleNet, Group Convolution, Channel Shuffle的原理.mp4
课程214：EffNet, Spatial Seperable Convolution的原理计算量分析和实验效果.mp4
课程215：lightweight-network答疑时间.mp4
课程216：回顾EffNet的原理.mp4
课程217：EffNet的代码讲解.mp4
课程218：One-Shot Learning 的意义和工作原理.mp4
课程219：用于One-Shot Learning 的Siamese 深度神经网络的介绍.mp4
课程220：Siamese 深度神经网络的实验和结果分析.mp4
课程221：Transposed Convolution 的应用, 算法回顾, 以及使用矩阵乘法实现.mp4
课程222：Transposed Convolution 的梯度推导.mp4
课程223：将卷积核转换为Toeplitz Matrix用于矩阵乘法实现Transposed.mp4
课程224：同学对课程的效果反馈调查.mp4
课程225：使用 Siamese 网络做门禁卡系统的入门介绍, 数据集的介绍.mp4
课程226：PyTorch 基础教程.mp4
课程227：Siamese One-Shot learning 知识回顾.mp4
课程228：使用 PyTorch torchvision 库高效读取数据.mp4
课程229：使用 PyTorch 定义 Siamese 网络结构.mp4
课程230：使用 PyTorch 写训练网络的代码.mp4
课程231：使用 PyTorch 写测试网络的代码.mp4
课件源码资料[1.24G].zip

百度网盘下载地址：