PyTorch深度学习开发医学影像端到端判别项目

构建深度学习模型，综合应用完整企业级项目

第1章课程导学
3节｜54分钟
1-1课程导学
22:49
1-2深度学习如何影响生活
13:33
1-3常用深度学习框架
17:38
第2章课程内容整体规划
4节｜56分钟
2-1环境安装与配置
13:19
2-2使用预训练的ResNet网络给图片分类（一）
16:10
2-3使用预训练的ResNet网络给图片分类（二）
08:45
2-4使用预训练的GAN网络把马变成斑马
17:16
第3章PyTorch项目热身实践
4节｜58分钟
3-1工业级数据挖掘流程（一）
23:59
3-2工业级数据挖掘流程（二）
21:30
3-3课程重难点技能分布
05:15
3-4课程实战项目简介
07:00
第4章PyTorch基础知识必备-张量
10节｜126分钟
4-1什么是张量
14:07
4-2张量的获取与存储（一）
16:35
4-3张量的获取与存储（二）
15:40
4-4张量的基本操作（一）
08:30
4-5张量的基本操作（二）
16:04
4-6张量中的元素类型
06:56
4-7张量的命名
08:32
4-8把张量传递到GPU中进行运算
06:07
4-9张量的底层实现逻辑（一）
19:42
4-10张量的底层实现逻辑（二）
13:35
第5章PyTorch如何处理真实数据
8节｜104分钟
5-1普通二维图像的加载（一）
07:51
5-2普通二维图像的加载（二）
12:59
5-33D图像的加载
12:30
5-4普通表格数据加载
14:53
5-5有时间序列的表格数据加载
16:50
5-6连续值、序列值、分类值的处理
13:45
5-7自然语言文本数据加载
19:45
5-8本章小结
05:04
第6章神经网络理念解决温度计转换
14节｜228分钟
6-1常规模型训练的过程
11:04
6-2温度计示数转换
11:40
6-3神经网络重要概念-损失
12:40
6-4PyTorch中的广播机制
16:46
6-5神经网络重要概念-梯度
18:11
6-6神经网络重要概念-学习率
19:47
6-7神经网络重要概念-归一化
26:20
6-8使用超参数优化我们的模型效果
11:36
6-9使用PyTorch自动计算梯度
15:56
6-10使用PyTorch提供的优化器
15:32
6-11神经网络重要概念-激活函数
15:50
6-12用PyTorch的nn模块搭建神经网络
15:37
6-13构建批量训练方法
14:53
6-14使用神经网络解决温度计示数转换问题
21:23
第7章使用神经网络区分小鸟和飞机图像
21节｜215分钟
7-1CIFAR-10数据集介绍
08:04
7-2为数据集实现Dataset类
08:42
7-3为模型准备训练集和验证集
11:00
7-4借助softmax方法给出分类结果
10:57
7-5分类模型常用损失之交叉熵损失
07:38
7-6全连接网络实现图像分类
25:53
7-7对全连接网络的改进之卷积网络
13:49
7-8借助PyTorch搭建卷积网络模型
15:39
7-9卷积中的数据填充方法padding
04:31
7-10使用卷积提取图像中的特定特征
08:00
7-11借助下采样压缩数据
07:53
7-12借助PyTorch搭建卷积网络
10:12
7-13训练我们的分类模型
10:05
7-14训练好的模型如何存储
01:47
7-15该用GPU训练我们的模型
08:59
7-16优化方案之增加模型宽度-width
08:55
7-17优化方案之数据正则化-normalization（一）
13:38
7-18优化方案之数据正则化-normalization（二）
16:55
7-19优化方案之数据正则化-normalization（三）
08:56
7-20优化方案之增加模型深度-depth
06:41
7-21本章小结
06:05
第8章项目实战一理解业务与数据
14节｜170分钟
8-1肺部癌症检测的项目简介
13:38
8-2CT数据是什么样子
07:22
8-3制定一个解决方案
08:40
8-4下载项目中的数据集
09:32
8-5原始数据是长什么样子的
08:22
8-6加载标注数据
22:19
8-7加载CT影像数据
07:51
8-8数据坐标系的转换
23:26
8-9编写Dataset方法
12:44
8-10分割训练集和验证集
09:27
8-11CT数据可视化实现（一）
16:43
8-12CT数据可视化实现（二）
15:13
8-13CT数据可视化实现（三）
09:43
8-14本章小结
04:55
第9章项目实战二模型训练与优化
26节｜380分钟
9-1第一个模型结节分类
15:40
9-2定义模型训练框架
18:31
9-3初始化都包含什么内容
09:13
9-4编写数据加载器部分
07:02
9-5实现模型的核心部分
18:27
9-6定义损失计算和训练验证环节（一）
17:31
9-7定义损失计算和训练验证环节（二）
09:20
9-8在日志中保存重要信息
19:56
9-9尝试训练第一个模型
16:50
9-10借助TensorBoard绘制指标曲线
12:30
9-11新的模型评估指标F1score
17:51
9-12实现F1Score计算逻辑
08:58
9-13数据优化方法
11:36
9-14数据重复采样的代码实现
15:49
9-15数据增强的代码实现
19:37
9-16第二个模型结节分割
08:53
9-17图像分割的几种类型
07:05
9-18U-Net模型介绍
19:27
9-19为图像分割进行数据预处理
25:01
9-20为图像分割构建Dataset类
26:23
9-21构建训练Dataset和使用GPU进行数据增强
11:16
9-22Adam优化器和Dice损失
11:27
9-23构建训练流程
18:26
9-24模型存储、图像存储代码介绍
05:50
9-25分割模型训练及在TensorBoard中查看结果
11:45
9-26本章小结
15:11
第10章项目实战三实现端到端的模型预测
7节｜150分钟
10-1连接分割模型和分类模型
30:05
10-2新的评价指标AUC-ROC曲线
37:16
10-3使用finetune方法构建肿瘤恶性判断模型
29:08
10-4完整的实现端到端肺部肿瘤检测
17:31
10-5使用合适的框架把模型部署上线（一）
14:46
10-6使用合适的框架把模型部署上线（二）
12:06
10-7本章小结
08:33
第11章课程总结与面试问题
5节｜89分钟
11-1肿瘤检测系统架构回顾
15:12
11-2课程中的神经网络回顾
13:27
11-3模型优化方法回顾
10:20
11-4面试过程中可能遇到的问题
22:09
11-5持续学习的几个建议
27:48