课程试听
正在播放
第一章 深度学习基础
1-1 深度学习介绍
  • 01_深度学习课程介绍
  • 02_深度学习介绍
  • 03_深度学习介绍2
1-2 神经网络基础
  • 01_逻辑回归介绍
  • 02_逻辑回归损失函数
  • 03_梯度下降算法过程以及公式
  • 04_导数意义介绍
  • 05_a^2函数的导数介绍
  • 06_导数计算图与链式法则
  • 07_逻辑回归的导数计算图分析以及参数导数
  • 08_向量化编程介绍引入
  • 09_向量化编程的优势
  • 10_向量化实现逻辑回归的梯度计算更新
  • 11_正向传播与反向传播、作业介绍
  • 12_作业讲解题1:实现sigmoid函数与梯度实现
  • 13_作业讲解题2:单神经元神经网络(logistic)分类作业流程介绍
  • 14_作业讲解题2:参数初始化与前向传播、反向传播
  • 15_作业讲解题2:优化迭代实现、model逻辑实现
  • 16_总结
1-3 浅层神经网络
  • 01_浅层神经网络表示
  • 02_浅层神经网络的前向传播
  • 03_激活函数的选择
  • 04_浅层神经网络的反向传播
  • 05_作业介绍
  • 06_作业实现:初始化模型与前向传播
  • 07_作业实现:反向传播与更新梯度
  • 08_作业实现:网络模型逻辑实现
  • 09_总结
1-4 深层神经网络
  • 01_深层神经网络表示
  • 02_深层神经网络的反向传播过程
  • 03_参数初始化与超参数介绍
第二章 深度学习优化进阶
2-1 多分类
  • 01_深度学习紧接、多分类介绍
  • 02_交叉熵损失原理
  • 03_案例:Mnist手写数字数据介绍
  • 04_案例:网络结构、流程、代码介绍
  • 05_案例:主网络结构搭建实现
  • 06_案例:添加准确率
  • 07_案例:Tensorboard观察显示
  • 08_案例:添加模型保存、预测
  • 09_调整学习率带来的问题
2-2 梯度下降算法优化
  • 01_深度学习遇到问题、为什么需要优化算法
  • 02_Mini梯度下降与Batch梯度下降
  • 03_指数加权平均
  • 04_动量梯度下降原理公式理解
  • 05_RMSProp与Adam原理与学习率递减
  • 06_标准化输入带来的优化
  • 07_作业介绍
  • 08_作业讲解1
  • 09_作业讲解2
2-3 深度学习正则化
  • 01_深度学习偏差与方差介绍为、什么需要正则化
  • 02_正则化概念、L2正则化与L1正则化
  • 03_Droupout过程与原理理解
  • 04_其它正则化方法-早停止法与数据增强
  • 05_正则化作业介绍
  • 06_作业讲解1
  • 07_作业讲解2
2-4 神经网络调参与BN
  • 01_神经网络调参数技巧与如何设置参数、如何运行
  • 02_批标准化定义、公式、为什么有效
第三章 卷积神经网络
3-1 卷积网络原理
  • 01_卷积来源、数据量与感受野的边缘检测
  • 02_卷积网络结构介绍
  • 03_默认卷积的运算过程
  • 04_零填充
  • 05_过滤器大小与步长
  • 06_多通道的卷积与多卷积核
  • 07_卷积总结
  • 08_池化层
  • 09_全连接层
3-2 经典分类结构
  • 01_LeNet5的计算过程详解
  • 02_常见网络结构介绍
  • 03_Inception(1x1卷积介绍)
  • 04_Inception结构以及改进
  • 05_GoogleNet了解与卷积网络学习内容
3-3 CNN实战
  • 01_作业介绍
  • 02_作业讲解
  • 03_迁移学习
第四章 循环神经网络
4-1 循环神经网络
  • 01_循环神经网络背景介绍
  • 02_循环神经网络结构原理
  • 03_词的表示与矩阵形状运算
  • 04_交叉熵损失计算
  • 05_时间反向传播算法
  • 06_梯度消失、案例介绍
  • 07_手写RNN案例:单个cell前向传播
  • 08_手写RNN案例:所有cell的前向传播
  • 09_手写RNN案例:单个cell的反向传播
  • 10_手写RNN案例:所有cell的反向传播
  • 11_案例总结
  • 12_GRU与LSTM介绍
4-2 词嵌入
  • 01_词嵌入介绍
  • 02_词嵌入案例
4-3 seq2seq与Attention机制
  • 01_seq2seq介绍与理解
  • 02_seq2seq机器翻译等场景介绍分析
  • 03_Attention原理分析
  • 04_机器翻译案例:日期格式翻译转换、代码结构介绍
  • 05_机器翻译案例:模型参数定义
  • 06_机器翻译案例:数据获取以及数据格式转换介绍
  • 07_机器翻译案例:训练逻辑与网络结构介绍
  • 08_机器翻译案例:网络输入输出逻辑介绍
  • 09_机器翻译案例:网络输入输出逻辑编写.mp4
  • 10_机器翻译案例:自定义网络seq2seq的编解码器定义.mp4
  • 11_机器翻译案例:seq2seq的输出层定义.mp4
  • 12_机器翻译案例:attention结构定义.mp4
  • 13_机器翻译案例:model中计算attention输出c逻辑函数实现.mp4
  • 14_机器翻译案例:训练逻辑编写
  • 15_机器翻译案例:训练结果与问题解决.mp4
  • 16_机器翻译案例:测试逻辑结果演示.mp4
  • 17_集束搜索介绍
  • 18_BLEU自动评估方法原理介绍
第五章 高级主题
5-1 生成对抗网络
  • 01_高级主题介绍、GAN介绍
  • 02_GAN原理、损失和DCGAN结构
  • 03_生成数字图片案例:结果演示流程介绍
  • 04_生成数字图片案例:模型初始化代码编写
  • 05_生成数字图片案例:训练流程
  • 06_生成数字图片案例:运行保存图片并对比
5-2 自动编码器
  • 01_自动编码器介绍
  • 02_案例:编码器类别、普通自编码器流程、模型初始化逻辑
  • 03_案例:训练普通自编码器
  • 04_案例:深度自编码器编写演示
  • 05_案例:卷积自编码器编写演示
  • 06_案例:降噪编码器介绍
  • 07_案例:降噪编码器案例
5-3 CapsuleNet
  • 01_CapsuleNet了解
  • 02_深度学习课程总结
第六章 百度人脸识别
6-1 平台介绍
  • 0_课程组成和目标
  • 1_1_访问入口
  • 1_2_机器学习平台_介绍
  • 1_3_百度深度学习平台_介绍
  • 1_4_百度深度学习平台_创建集群
  • 1_5_百度人工智能平台_功能介绍
  • 1_6_人工智能平台_服务开通
  • 1_7_人工智能平台_访问方式和SDK安装
6-2 图像技术之人脸识别
  • 2_1_1_人脸识别功能介绍_开通应用
  • 2_1_2人脸识别_API
  • 2_1_3_人脸检测_步骤和代码浏览
  • 2_1_4_人脸检测_获取access_token
  • 2_1_5_人脸检测_调用API
  • 2_1_6_人脸检测_图像坐标
  • 2_1_7_人脸检测_边框
  • 2_1_8_人脸检测_性别年龄总结
  • 2_1_9_人脸检测_SDK方式
6-3 图像技术之图像识别
  • 2_2_1_图像识别功能_应用创建
  • 2_2_2_图像识别_物体检测API_实例
  • 2_2_3_图像检测识别_菜品识别
  • 2_2_4_图像检测_车辆检测
  • 2_2_5_定制化图像识别_图像分类_步骤
  • 2_2_5_定制化图像识别_特点和功能
  • 2_2_6_定制化图像识别_图像分类_操作
  • 2_2_7_定制化图像识别_图像分类_关联和调用流程
  • 2_2_8_定制化图像识别_图像分类_代码实现
  • 2_2_9_定制化图像识别_图像分类_迭代和常见问题
  • 2_2_10_定制化图像识别_物体检测_流程
  • 2_2_11_定制化图像识别_物体检测API_错误码
6-4 图像技术之文字识别
  • 2_3_1_功能介绍_创建应用
  • 2_3_2_通用文字识别_代码
  • 2_3_3_通用文字识别_其他版本函数
  • 2_3_4_车牌识别
  • 2_3_5_通用票据识别
  • 2_3_6_自定义模板_步骤
  • 2_3_7_自定义模板_实际创建
  • 2_3_8_自定义模板_API和代码
  • 2_3_9_创建分类器
  • 2_3_10_分类器代码
6-5 语音技术
  • 3_1_1_语音识别_介绍和API
  • 3_1_2_语音识别案例_代码浏览
  • 3_1_3_语音识别案例_案例
  • 3_2_1语音合成
6-6 自然语言处理
  • 4_1_1_自然语言处理基础技术
6-7 人脸识别打卡案例
  • 5_1_0_人脸打卡案例_介绍
  • 5_1_1_案例_前端部分介绍
  • 5_1_2_案例_人脸搜索代码浏览
  • 5_1_3_案例_获取token
  • 5_1_4_案例_添加用户_人脸搜索
  • 5_1_5_案例_主程序1
  • 5_1_6_案例_主程序2
第七章 自然语言处理
7-1 自然语音处理基础概念
  • 0.NLP介紹
  • 1.NLP的种类
  • 2.端对端深度学习模型
  • 3.词袋
  • 4.Seq2Seq
  • 5.Beam Serch Decoding
  • 6.Attention
7-2 自然语言处理基础实作-机器学习篇
  • 1.机器学习-NLTK_数据读取
  • 2.机器学习-NLTK_清理数据
  • 3.机器学习-NLTK_大小写转换
  • 4.机器学习-NLTK_去除虚词
  • 5.机器学习-NLTK_词根化
  • 6.机器学习-NLTK_还原字符串
  • 7.机器学习-NLTK_稀疏矩阵
  • 8.机器学习-NLTK_最大过滤
  • 9.机器学习-NLTK_建立词袋模型
7-3 自然语言处理基础实作-深度学习篇
  • 10.深度学习-Deep Learning in NLP
  • 11.深度学习-Deep Learning in NLP_模型优化
  • 12.深度学习-Deep Learning in NLP_模型加速
7-4 自然语言处理核心部分
  • 1.CNN REIVEW
  • 2.CNN CODE
  • 3.RNN REVIEW
  • 4.RNN CODE
  • 5.LSTM
  • 6.LSTM_CODE
  • 7.文本分类
  • 8.文本分类的方式
  • 9.文本分类CNN&RNN
  • 10. 文本分类 CNN 模型使用
  • 11. 文本分类 RNN 搭建
7-5 实战项目-从无到有打造聊天机器人
  • 0.chatbot
  • 01.chatbot 搭建计画
  • 02.chatbot 环境搭建下载数据集
  • 03.chatbot 下载数据集
  • 04.chatbot 导入依赖包
  • 05.ChatBot 读取数据
  • 06.chatbot 创建对話字典
  • 07. ChatBot 建立对话列表
  • 08. ChatBot 问答集
  • 09.ChatBot 数据初步清洗
  • 10. ChatBot 清理问题集&回答集
  • 11. ChatBot 统计字频
  • 12. ChatBot 标记化&去除少数字
  • 13. ChatBot 最终标记
  • 14. ChatBot 逆向字典
  • 15. ChatBot 添加 EOS 标签
  • 16. ChatBot 问答数列化
  • 17. ChatBot 长短句
  • 18. ChatBot input&output
  • 19. ChatBot 处理输出
  • 20. ChatBot 建立RNN 模型
  • 21. ChatBot 解码器训练
  • 22. ChatBot 解码器测试
  • 23. ChatBot 创建解码RNN
  • 24. ChatBot Seq2Seq 模型
  • 25. ChatBot 設置超参数
  • 26.ChatBot 启动运算
  • 27. ChatBot 模型 input
  • 28. ChatBot 模型輸入序列長度
  • 29. ChatBot 設置輸入的数据形状
  • 30. ChatBot训练 & 测试結果
  • 31. ChatBot 损失,优化,梯度消減
  • 32. ChatBot 问答等长处理
  • 33. ChatBot 问答数据批量
  • 34. ChatBot 数据分割
  • 35. ChatBot 训练
  • 36. ChatBot 训练2
  • 37. ChatBot 测试
  • 38. ChatBot 输入修飾
  • 39. ChatBot 开始聊天
第八章 图片商品物体检测项目第一阶段-检测算法原理
8-1 目标检测概述
  • 01_课程要求以及目标
  • 02_项目演示结果
  • 03_项目结构以及课程安排
  • 04_图像识别背景
  • 05_目标检测的定义和技术历史
  • 06_目标检测应用场景
  • 07_目标检测算法原理铺垫
  • 08_目标检测任务描述
8-2 RCNN原理
  • 01_Overfeat模型
  • 02_RCNN:步骤流程介绍
  • 03_RCNN:候选区域以及特征提取
  • 04_RCNN:SVM分类器
  • 05_RCNN:非极大抑制(NMS)
  • 06_RCNN:候选区域修正
  • 07_RCNN:训练过程与测试过程介绍
  • 08_RCNN:总结、优缺点与问题自测
8-3 SPPNet原理
  • 01_SPPNet:与RCNN的区别、网络流程
  • 02_SPPNet:映射
  • 03_SPPNet:SPP层的作用
  • 04_SPPNet:总结、优缺点与问题自测
8-4 FastRCNN原理
  • 01_FastRCNN:改进之处以及网络流程
  • 02_FastRCNN:RoI pooling结构以及SPP对比
  • 03_FastRCNN:多任务损失
  • 04_FastRCNN:总结与问题自测
8-5 FasterRCNN原理
  • 01_FasterRCNN:网络结构与步骤
  • 02_FasterRCNN:RPN网络的原理
  • 03_FasterRCNN:总结与问题自测
8-6 YOLO原理
  • 01_YOLO:算法特点与流程介绍
  • 02_YOLO:单元格原理过程
  • 03_YOLO:训练过程样本标记
  • 04_YOLO:总结
8-7 SSD原理
  • 01_SSD:网络结构与Detected结构
  • 02_SSD:localization与confidence
  • 03_SSD:训练与测试流程总结
  • 04_TensorflowSSD接口介绍
  • 05_第一阶段算法总结
第九章 图片商品物体检测项目第二阶段-数据集制作与处理
9-1 数据集标记
  • 01_目标检测数据集介绍
  • 02_商品数据集标记
9-2 数据集格式转换
  • 01_数据集格式转换介绍
  • 02_格式转换:代码介绍
  • 03_格式转换:文件读取以及存储逻辑
  • 04_格式转换:图片数据以及XML读取
  • 05_格式转换:example封装、总结
9-3 TFRecords读取
  • 01_slim库介绍
  • 02_TFRecord读取:Dataset准备
  • 03_TFRecord读取:provider读取
  • 04_第二阶段总结
第十章 图片商品物体检测项目第三阶段-项目实现与部署
10-1 项目架构
  • 01_项目架构设计
  • 02_训练与测试整体结构设计
10-2 数据接口实现
  • 01_数据接口:商品格式转换实现
  • 02_数据接口:读取数据接口设计以及基类如何定义
  • 03_数据接口:商品数据读取子类实现
  • 04_数据接口:数据读取工厂逻辑实现
  • 05_数据接口:代码运行与数据模块总结
10-3 模型接口实现
  • 01_模型接口:接口设置以及模型工厂代码
10-4 预处理接口实现
  • 01_预处理接口:预处理需求介绍、数据增强介绍
  • 02_预处理接口:预处理工厂代码
  • 03_预处理接口:预处理工厂代码参数错误调整
  • 04_数据接口、模型接口、预处理接口参数总结
10-5 训练过程实现
  • 01_训练:训练步骤与设备部署介绍
  • 02_训练:model_deploy介绍
  • 03_训练:训练运行结果显示与初始配置确定
  • 04_训练:1设备配置代码以及全局步数定义
  • 05_训练:2图片数据读取与处理逻辑介绍
  • 06_训练:2数据模块与网络模型获取结果
  • 07_训练:2网络参数修改、provider获取数据、预处理
  • 08_训练:2NHWC和NCHW介绍
  • 09_训练:2对anchors进行正负样本标记
  • 10_训练:2批处理获取以及数据形状变换
  • 11_训练:2队列设置
  • 12_训练:3复制模型、添加参数观察与4添加学习率和优化器
  • 13_训练:5总损失计算与变量平均梯度计算6训练配置
  • 14_训练:训练流程总结
10-6 测试过程实现
  • 01_测试:测试流程介绍、代码
  • 02_测试:图片输入、结果标记代码
10-7 模型部署介绍
  • 01_web服务与模型部署流程关系介绍
  • 02_本地TensorFlow Serving演示以及逻辑介绍
10-8 导出模型
  • 01_模型导出:模型输入输出定义
  • 02_模型导出:Savedmodel导出模型
10-9 开启模型服务
  • 01_开启模型服务
10-10 TFServing客户端
  • 01_Tensorflow serving client逻辑
  • 02_Client:用户输入图片处理
  • 03_Client:grpc与serving apis介绍
  • 04_Client:客户端建立连接获取结果代码
  • 05_Client:结果解析
  • 06_Client:结果标记返回
10-11 服务器部署
  • 01_服务器部署:服务器部署的代码文件需求、服务开启
  • 02_项目总结