PyTorch深度学习开发医学影像端到端判别项目「完结无密」

1-课程导学/

[ 53M] 1-1 课程导学

[ 23M] 1-2 深度学习如何影响生活

[ 21M] 1-3 常用深度学习框架

2-课程内容整体规划/

[ 30M] 2-1 环境安装与配置

[ 39M] 2-2 使用预训练的ResNet网络给图片分类（一）

[ 30M] 2-3 使用预训练的ResNet网络给图片分类（二）

[ 43M] 2-4 使用预训练的GAN网络把马变成斑马

3-PyTorch项目热身实践/

[ 56M] 3-1 工业级数据挖掘流程（一）

[ 35M] 3-2 工业级数据挖掘流程（二）

[ 11M] 3-3 课程重难点技能分布

[ 15M] 3-4 课程实战项目简介

4-PyTorch基础知识必备-张量/

[ 24M] 4-1 什么是张量

[ 36M] 4-2 张量的获取与存储（一）

[ 34M] 4-3 张量的获取与存储（二）

[ 19M] 4-4 张量的基本操作（一）

[ 36M] 4-5 张量的基本操作（二）

[ 16M] 4-6 张量中的元素类型

[ 20M] 4-7 张量的命名

[9.5M] 4-8 把张量传递到GPU中进行运算

[ 39M] 4-9 张量的底层实现逻辑（一）

[ 26M] 4-10 张量的底层实现逻辑（二）

5-PyTorch如何处理真实数据/

[ 22M] 5-1 普通二维图像的加载（一）

[ 23M] 5-2 普通二维图像的加载（二）

[ 32M] 5-3 3D图像的加载

[ 33M] 5-4 普通表格数据加载

[ 36M] 5-5 有时间序列的表格数据加载

[ 27M] 5-6 连续值、序列值、分类值的处理

[ 34M] 5-7 自然语言文本数据加载

[5.4M] 5-8 本章小结

6-神经网络理念解决温度计转换/

[ 19M] 6-1 常规模型训练的过程

[ 18M] 6-2 温度计示数转换

[ 21M] 6-3 神经网络重要概念-损失

[ 38M] 6-4 PyTorch中的广播机制

[ 37M] 6-5 神经网络重要概念-梯度

[ 42M] 6-6 神经网络重要概念-学习率

[ 54M] 6-7 神经网络重要概念-归一化

[ 26M] 6-8 使用超参数优化我们的模型效果

[ 37M] 6-9 使用PyTorch自动计算梯度

[ 31M] 6-10 使用PyTorch提供的优化器

[ 37M] 6-11 神经网络重要概念-激活函数

[ 18M] 6-12 用PyTorch的nn模块搭建神经网络

[ 29M] 6-13 构建批量训练方法

[ 46M] 6-14 使用神经网络解决温度计示数转换问题

7-使用神经网络区分小鸟和飞机图像/

[ 16M] 7-1 CIFAR-10数据集介绍

[ 20M] 7-2 为数据集实现Dataset类

[ 24M] 7-3 为模型准备训练集和验证集

[ 15M] 7-4 借助softmax方法给出分类结果

[ 12M] 7-5 分类模型常用损失之交叉熵损失

[ 60M] 7-6 全连接网络实现图像分类

[ 23M] 7-7 对全连接网络的改进之卷积网络

[ 34M] 7-8 借助PyTorch搭建卷积网络模型

[ 10M] 7-9 卷积中的数据填充方法padding

[ 18M] 7-10 使用卷积提取图像中的特定特征

[ 16M] 7-11 借助下采样压缩数据

[ 19M] 7-12 借助PyTorch搭建卷积网络

[ 22M] 7-13 训练我们的分类模型

[4.0M] 7-14 训练好的模型如何存储

[ 21M] 7-15 该用GPU训练我们的模型

[ 19M] 7-16 优化方案之增加模型宽度-width

[ 26M] 7-17 优化方案之数据正则化-normalization（一）

[ 34M] 7-18 优化方案之数据正则化-normalization（二）

[ 16M] 7-19 优化方案之数据正则化-normalization（三）

[ 30M] 7-20 优化方案之增加模型深度-depth

[8.0M] 7-21 本章小结

8-项目实战一：理解业务与数据/

[ 29M] 8-1 肺部癌症检测的项目简介

[ 18M] 8-2 CT数据是什么样子

[ 19M] 8-3 制定一个解决方案

[ 22M] 8-4 下载项目中的数据集

[ 24M] 8-5 原始数据是长什么样子的

[ 37M] 8-6 加载标注数据

[ 16M] 8-7 加载CT影像数据

[ 45M] 8-8 数据坐标系的转换

[ 23M] 8-9 编写Dataset方法

[ 20M] 8-10 分割训练集和验证集

[ 24M] 8-11 CT数据可视化实现（一）

[ 38M] 8-12 CT数据可视化实现（二）

[ 29M] 8-13 CT数据可视化实现（三）

[5.4M] 8-14 本章小结

9-项目实战二：模型训练与优化/

[ 24M] 9-1 第一个模型：结节分类

[ 38M] 9-2 定义模型训练框架

[ 21M] 9-3 初始化都包含什么内容

[ 16M] 9-4 编写数据加载器部分

[ 44M] 9-5 实现模型的核心部分

[ 38M] 9-6 定义损失计算和训练验证环节（一）

[ 22M] 9-7 定义损失计算和训练验证环节（二）

[ 46M] 9-8 在日志中保存重要信息

[ 69M] 9-9 尝试训练第一个模型

[ 41M] 9-10 借助TensorBoard绘制指标曲线

[ 31M] 9-11 新的模型评估指标：F1score

[ 18M] 9-12 实现F1Score计算逻辑

[ 25M] 9-13 数据优化方法

[ 37M] 9-14 数据重复采样的代码实现

[ 46M] 9-15 数据增强的代码实现

[ 25M] 9-16 第二个模型：结节分割

[ 24M] 9-17 图像分割的几种类型

[ 46M] 9-18 U-Net模型介绍

[ 55M] 9-19 为图像分割进行数据预处理

[ 54M] 9-20 为图像分割构建Dataset类

[ 26M] 9-21 构建训练Dataset和使用GPU进行数据增强

[ 21M] 9-22 Adam优化器和Dice损失

[ 41M] 9-23 构建训练流程

[ 19M] 9-24 模型存储、图像存储代码介绍

[ 55M] 9-25 分割模型训练及在TensorBoard中查看结果

[ 18M] 9-26 本章小结

10-项目实战三：实现端到端的模型预测/

@

[ 61M] 10-1 连接分割模型和分类模型

[ 82M] 10-2 新的评价指标：AUC-ROC曲线

[ 68M] 10-3 使用finetune方法构建肿瘤恶性判断模型

[ 50M] 10-4 完整的实现端到端肺部肿瘤检测

[ 34M] 10-5 使用合适的框架把模型部署上线（一）

[ 39M] 10-6 使用合适的框架把模型部署上线（二）

[ 11M] 10-7 本章小结

11-课程总结与面试问题/

[ 32M] 11-1 肿瘤检测系统架构回顾

[ 30M] 11-2 课程中的神经网络回顾

[ 23M] 11-3 模型优化方法回顾

[ 57M] 11-4 面试过程中可能遇到的问题

[ 47M] 11-5 持续学习的几个建议