章节1
yTorch框架基本处理操作课时1PyTorch实战课程简介04:53
课时2PyTorch框架发展趋势简介08:25
课时3框架安装方法（CPU与GPU版本）05:13
课时4PyTorch基本操作09:25
课时5自动求导机制10:59
课时6线性回归DEMO-数据与参数配置08:56
课时7线性回归DEMO-训练回归模型10:08
课时8补充：常见tensor格式07:10
课时9补充：Hub模块简介08:25
课时10本章数据代码下载
课时11数据代码下载汇总
章节2:神经网络实战分类与回归任务
课时12气温数据集与任务介绍06:42
课时13按建模顺序构建完成网络架构11:38
课时14简化代码训练网络模型11:04
课时15分类任务概述05:12
课时16构建分类网络模型09:40
课时17DataSet模块介绍与应用方法10:11
课时18本章数据代码下载
章节3:卷积神经网络原理与参数解读
课时19卷积神经网络应用领域07:24
课时20卷积的作用09:23
课时21卷积特征值计算方法08:07
课时22得到特征图表示06:58
课时23步长与卷积核大小对结果的影响08:11
课时24边缘填充方法06:30
课时25特征图尺寸计算与参数共享07:02
课时26池化层的作用05:38
课时27整体网络架构06:20
课时28VGG网络架构06:16
课时29残差网络Resnet07:41
课时30本章数据代码下载
课时31感受野的作用05:46
章节4:图像识别核心模块实战解读
课时32卷积网络参数定义07:21
课时33网络流程解读07:26
课时34Vision模块功能解读05:10
课时35分类任务数据集定义与配置06:27
课时36图像增强的作用04:51
课时37数据预处理与数据增强模块09:25
课时38Batch数据制作08:37
课时39本章数据代码下载
章节5:迁移学习的作用与应用实例
课时40迁移学习的目标05:31
课时41迁移学习策略07:11
课时42加载训练好的网络模型09:54
课时43优化器模块配置05:14
课时44实现训练模块08:15
课时45训练结果与模型保存09:31
课时46加载模型对测试数据进行预测09:10
课时47额外补充-Resnet论文解读11:47
课时48额外补充-Resnet网络架构解读08:26
章节6:递归神经网络与词向量原理解读
课时49RNN网络架构解读11:27
课时50词向量模型通俗解释08:14
课时51模型整体框架10:09
课时52本章数据代码下载
课时53训练数据构建05:10
课时54CBOW与Skip-gram模型08:20
课时55负采样方案07:40
章节7:新闻数据集文本分类实战
课时56任务目标与数据简介07:18
课时57RNN模型所需输入格式解析06:54
课时58项目配置参数设置10:26
课时59新闻数据读取与预处理方法08:07
课时60LSTM网络模块定义与参数解析09:35
课时61本章数据代码下载
课时62训练LSTM文本分类模型08:55
课时63Tensorboardx可视化展示模块搭建09:16
课时64CNN应用于文本任务原理解析10:46
课时65网络模型架构与效果展示10:58
章节8:对抗生成网络架构原理与实战解析
课时66本章数据代码下载
课时67对抗生成网络通俗解释08:24
课时68GAN网络组成05:14
课时69损失函数解释说明10:05
课时70数据读取模块08:26
课时71生成与判别网络定义08:39
章节9:基于CycleGan开源项目实战图像合成
课时72CycleGan网络所需数据06:50
课时73CycleGan整体网络架构10:02
课时74PatchGan判别网络原理04:40
课时75Cycle开源项目简介07:07
课时76数据读取与预处理操作10:17
课时77生成网络模块构造12:12
课时78判别网络模块构造05:02
课时79损失函数：identity loss计算方法09:12
课时80生成与判别损失函数指定11:40
课时81额外补充：VISDOM可视化配置05:54
课时82本章数据代码下载
章节10:OCR文字识别原理
课时83OCR文字识别要完成的任务06:29
课时84CTPN文字检测网络概述08:05
课时85序列网络的作用09:19
课时86输出结果含义解析07:09
课时87CTPN细节概述09:06
课时88CRNN识别网络架构06:16
课时89CTC模块的作用04:29
章节11:OCR文字识别项目实战
课时90OCR文字检测识别项目效果展示04:20
课时91本章数据代码下载
课时92训练数据准备与环境配置06:49
课时93检测模块候选框生成08:06
课时94候选框标签制作08:23
课时95整体网络所需模块04:55
课时96网络架构各模块完成的任务解读08:38
课时97CRNN识别模块所需数据与标签05:12
课时98识别模块网络架构解读10:41
章节12:基于3D卷积的视频分析与动作识别
课时99本章数据代码下载
课时1003D卷积原理解读07:43
课时101UCF101动作识别数据集简介06:02
课时102测试效果与项目配置12:01
课时103视频数据预处理方法07:24
课时104数据Batch制作方法09:02
课时1053D卷积网络所涉及模块07:50
课时106训练网络模型08:32
章节13:自然语言处理通用框架BERT原理解读
课时107BERT任务目标概述05:27
课时108本章数据代码下载
课时109传统解决方案遇到的问题11:09
课时110注意力机制的作用06:56
课时111self-attention计算方法11:24
课时112特征分配与softmax机制09:20
课时113Multi-head的作用09:09
课时114位置编码与多层堆叠07:17
课时115transformer整体架构梳理10:57
课时116BERT模型训练方法09:37
课时117训练实例09:47
章节14:谷歌开源项目BERT源码解读（官方TF版）
课时118BERT开源项目简介07:35
课时119项目参数配置12:08
课时120本章数据代码下载
课时121数据读取模块07:40
课时122数据预处理模块09:37
课时123tfrecord制作11:35
课时124Embedding层的作用07:29
课时125加入额外编码特征09:22
课时126加入位置编码特征05:12
课时127mask机制08:49
课时128构建QKV矩阵12:38
课时129完成Transformer模块构建09:56
课时130训练BERT模型08:51
章节15:基于PyTorch实战BERT模型（民间PyTorch版）
课时131本章数据代码下载
课时132项目配置与环境概述06:52
课时133数据读取与预处理05:45
课时134网络结构定义07:01
课时135训练网络模型08:19
章节16:PyTorch框架实战模板解读
课时136本章数据代码下载
课时137项目模板各模块概述08:43
课时138各模块配置参数解析09:15
课时139数据读取与预处理模块功能解读11:45
课时140模型架构模块06:46
课时141训练模块功能11:22
课时142训练结果可视化展示模块07:19
课时143模块应用与BenckMark解读