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

已完结
|
难度:初级
|
时长:共 25 小时 30 分钟
¥448.00
距离活动结束
立即购买
加购物车
已有 196 人在学
  • 深度学习基本概念
  • 实用的模型优化技巧
  • PyTorch的多种基础操作
  • 多种模型评估方法
  • 数据挖掘实战思维
  • 企业级的深度学习项目
试看本节课 22:49
试看本节课 13:33
试看本节课 23:59
1-1 课程导学
1-2 深度学习如何影响生活
3-1 工业级数据挖掘流程(一)

课程预览

检测到您还没有关注慕课网服务号,无法接收课程更新通知。请扫描二维码即可绑定
重新观看
越来越多的科研及企业项目,会把PyTorch作为首选的深度学习框架。它容易上手,功能完善,不管是新入门学习还是上手实战项目,PyTorch都是非常优秀的工具。本课程以实践为目的,把深度学习概念及基础学习贯穿在几个实践项目中,荒川老师将带领你们进入PyTorch深度学习的世界,使用PyTorch将其一一实现。

本章介绍:

第一章是我们的课程导学,在这一章节中,我们会介绍课程概况,并对主流的深度学习框架进行简单对比,帮助大家对PyTorch和深度学习有一个最基本的认识。

第1章 课程导学
3 节|54分钟
展开
  • 视频:
    1-1 课程导学
    试看
    22:49
  • 视频:
    1-2 深度学习如何影响生活
    试看
    13:33
  • 视频:
    1-3 常用深度学习框架
    17:38

本章介绍:

本章是我们的热身启动环节,在这一章中,我将带你配置课程所需的环境,然后进行两个热身小项目,亲自动手实现图像分类和图像风格迁移,让你感受一下深度学习的魅力。

第2章 课程内容整体规划
4 节|56分钟
收起
  • 视频:
    2-1 环境安装与配置
    13:19
  • 视频:
    2-2 使用预训练的ResNet网络给图片分类(一)
    16:10
  • 视频:
    2-3 使用预训练的ResNet网络给图片分类(二)
    08:45
  • 视频:
    2-4 使用预训练的GAN网络把马变成斑马
    17:16

本章介绍:

第三章中,我们会为你介绍在大厂中开展数据挖掘项目的流程,让你在课程的一开始就能够具备全局视角,并对课程中的重难点和具体项目内容进行介绍,更清楚的了解课程编排。

第3章 PyTorch项目热身实践
4 节|58分钟
收起
  • 视频:
    3-1 工业级数据挖掘流程(一)
    试看
    23:59
  • 视频:
    3-2 工业级数据挖掘流程(二)
    21:30
  • 视频:
    3-3 课程重难点技能分布
    05:15
  • 视频:
    3-4 课程实战项目简介
    07:00

本章介绍:

我们的课程进入正题,在这一章,我们一起来学习一下PyTorch中最核心的数据结构——张量。张量是PyTorch中进行各类运算的基础单元,所有的数据都需要以张量的形式进行运算,弄懂张量,就懂了PyTorch一半的内容。

第4章 PyTorch基础知识必备-张量
10 节|126分钟
展开
  • 视频:
    4-1 什么是张量
    14:07
  • 视频:
    4-2 张量的获取与存储(一)
    16:35
  • 视频:
    4-3 张量的获取与存储(二)
    15:40
  • 视频:
    4-4 张量的基本操作(一)
    08:30
  • 视频:
    4-5 张量的基本操作(二)
    16:04
  • 视频:
    4-6 张量中的元素类型
    06:56
  • 视频:
    4-7 张量的命名
    08:32
  • 视频:
    4-8 把张量传递到GPU中进行运算
    06:07
  • 视频:
    4-9 张量的底层实现逻辑(一)
    19:42
  • 视频:
    4-10 张量的底层实现逻辑(二)
    13:35

本章介绍:

项目千万条,数据第一条,获取数据是我们每一个项目的第一步。这一章里,我们从最常见的图片开始,带你探索把各类数据转为张量的方法,搭配我们提供的数据集,我们一起完成对图像、表格、文本数据的处理。

第5章 PyTorch如何处理真实数据
8 节|104分钟
展开
  • 视频:
    5-1 普通二维图像的加载(一)
    07:51
  • 视频:
    5-2 普通二维图像的加载(二)
    12:59
  • 视频:
    5-3 3D图像的加载
    12:30
  • 视频:
    5-4 普通表格数据加载
    14:53
  • 视频:
    5-5 有时间序列的表格数据加载
    16:50
  • 视频:
    5-6 连续值、序列值、分类值的处理
    13:45
  • 视频:
    5-7 自然语言文本数据加载
    19:45
  • 视频:
    5-8 本章小结
    05:04

本章介绍:

这一章围绕着深度学习概念开展,所有的概念穿插其中,也包含了详细的代码实践。借助一个简单的温度计示数转换的小例子,我们从人本身如何开展模型学习入手,然后演进到使用计算机进行,最后用PyTorch组件实现对转换公式的模拟和学习。

第6章 神经网络理念解决温度计转换
14 节|228分钟
展开
  • 视频:
    6-1 常规模型训练的过程
    11:04
  • 视频:
    6-2 温度计示数转换
    11:40
  • 视频:
    6-3 神经网络重要概念-损失
    12:40
  • 视频:
    6-4 PyTorch中的广播机制
    16:46
  • 视频:
    6-5 神经网络重要概念-梯度
    18:11
  • 视频:
    6-6 神经网络重要概念-学习率
    19:47
  • 视频:
    6-7 神经网络重要概念-归一化
    26:20
  • 视频:
    6-8 使用超参数优化我们的模型效果
    11:36
  • 视频:
    6-9 使用PyTorch自动计算梯度
    15:56
  • 视频:
    6-10 使用PyTorch提供的优化器
    15:32
  • 视频:
    6-11 神经网络重要概念-激活函数
    15:50
  • 视频:
    6-12 用PyTorch的nn模块搭建神经网络
    15:37
  • 视频:
    6-13 构建批量训练方法
    14:53
  • 视频:
    6-14 使用神经网络解决温度计示数转换问题
    21:23

本章介绍:

项目开始变得有意思起来,本章不再局限于深度学习的基本概念,而是向完整的模型搭建迈进。在这一章节中,我们引入了CIFAR数据集,并使用全连接网络对齐进行分类学习,为了提升性能和效果,又将其转换为卷积网络。在这个过程中,我们完成了从数据处理,到模型训练,从效果评估到模型优化的完整流程。

第7章 使用神经网络区分小鸟和飞机图像
21 节|215分钟
展开
  • 视频:
    7-1 CIFAR-10数据集介绍
    08:04
  • 视频:
    7-2 为数据集实现Dataset类
    08:42
  • 视频:
    7-3 为模型准备训练集和验证集
    11:00
  • 视频:
    7-4 借助softmax方法给出分类结果
    10:57
  • 视频:
    7-5 分类模型常用损失之交叉熵损失
    07:38
  • 视频:
    7-6 全连接网络实现图像分类
    25:53
  • 视频:
    7-7 对全连接网络的改进之卷积网络
    13:49
  • 视频:
    7-8 借助PyTorch搭建卷积网络模型
    15:39
  • 视频:
    7-9 卷积中的数据填充方法padding
    04:31
  • 视频:
    7-10 使用卷积提取图像中的特定特征
    08:00
  • 视频:
    7-11 借助下采样压缩数据
    07:53
  • 视频:
    7-12 借助PyTorch搭建卷积网络
    10:12
  • 视频:
    7-13 训练我们的分类模型
    10:05
  • 视频:
    7-14 训练好的模型如何存储
    01:47
  • 视频:
    7-15 该用GPU训练我们的模型
    08:59
  • 视频:
    7-16 优化方案之增加模型宽度-width
    08:55
  • 视频:
    7-17 优化方案之数据正则化-normalization(一)
    13:38
  • 视频:
    7-18 优化方案之数据正则化-normalization(二)
    16:55
  • 视频:
    7-19 优化方案之数据正则化-normalization(三)
    08:56
  • 视频:
    7-20 优化方案之增加模型深度-depth
    06:41
  • 视频:
    7-21 本章小结
    06:05

本章介绍:

我们最后的大项目终于要开始了。不要慌,我们在这一章中先来对项目的背景及数据建立完整的认知。我会带领你熟悉业务,并针对业务定制我们的解决方案。然后,我们会去获取项目所需的三维CT数据,并为其进行清理、构建Dataset类、分割成训练集和验证集,甚至是学习如何可视化这些CT数据。

第8章 项目实战一:理解业务与数据
14 节|170分钟
展开
  • 视频:
    8-1 肺部癌症检测的项目简介
    13:38
  • 视频:
    8-2 CT数据是什么样子
    07:22
  • 视频:
    8-3 制定一个解决方案
    08:40
  • 视频:
    8-4 下载项目中的数据集
    09:32
  • 视频:
    8-5 原始数据是长什么样子的
    08:22
  • 视频:
    8-6 加载标注数据
    22:19
  • 视频:
    8-7 加载CT影像数据
    07:51
  • 视频:
    8-8 数据坐标系的转换
    23:26
  • 视频:
    8-9 编写Dataset方法
    12:44
  • 视频:
    8-10 分割训练集和验证集
    09:27
  • 视频:
    8-11 CT数据可视化实现(一)
    16:43
  • 视频:
    8-12 CT数据可视化实现(二)
    15:13
  • 视频:
    8-13 CT数据可视化实现(三)
    09:43
  • 视频:
    8-14 本章小结
    04:55

本章介绍:

这一章是我们大型实战项目的核心内容,里面包含了实战中的两个模型的构建——结节分割模型和结节分类模型。我们需要从偌大的CT影像中把可能是结节的数据区域切割出来,然后再用分类模型判定其是否有可能是一个真的肿瘤。这一章的内容很多,除了模型核心代码的编写,我们还会学习新的损失计算方法,新的模型评估指标,新的优化方案,以及如何连接Tensorboard来观察模型效果。

第9章 项目实战二:模型训练与优化
26 节|380分钟
展开
  • 视频:
    9-1 第一个模型:结节分类
    15:40
  • 视频:
    9-2 定义模型训练框架
    18:31
  • 视频:
    9-3 初始化都包含什么内容
    09:13
  • 视频:
    9-4 编写数据加载器部分
    07:02
  • 视频:
    9-5 实现模型的核心部分
    18:27
  • 视频:
    9-6 定义损失计算和训练验证环节(一)
    17:31
  • 视频:
    9-7 定义损失计算和训练验证环节(二)
    09:20
  • 视频:
    9-8 在日志中保存重要信息
    19:56
  • 视频:
    9-9 尝试训练第一个模型
    16:50
  • 视频:
    9-10 借助TensorBoard绘制指标曲线
    12:30
  • 视频:
    9-11 新的模型评估指标:F1score
    17:51
  • 视频:
    9-12 实现F1Score计算逻辑
    08:58
  • 视频:
    9-13 数据优化方法
    11:36
  • 视频:
    9-14 数据重复采样的代码实现
    15:49
  • 视频:
    9-15 数据增强的代码实现
    19:37
  • 视频:
    9-16 第二个模型:结节分割
    08:53
  • 视频:
    9-17 图像分割的几种类型
    07:05
  • 视频:
    9-18 U-Net模型介绍
    19:27
  • 视频:
    9-19 为图像分割进行数据预处理
    25:01
  • 视频:
    9-20 为图像分割构建Dataset类
    26:23
  • 视频:
    9-21 构建训练Dataset和使用GPU进行数据增强
    11:16
  • 视频:
    9-22 Adam优化器和Dice损失
    11:27
  • 视频:
    9-23 构建训练流程
    18:26
  • 视频:
    9-24 模型存储、图像存储代码介绍
    05:50
  • 视频:
    9-25 分割模型训练及在TensorBoard中查看结果
    11:45
  • 视频:
    9-26 本章小结
    15:11

本章介绍:

这一章的内容不多,但却是我们完成实战项目不可缺少的环节。这一章会学习如何通过finetune借助已经训练好的模型用于新的目标,以及借助ROC曲线来完成模型效果评估。同时,这一章我们会把上一章中的两个模型以及本章中新构建的恶性预测模型连接起来完成我们端到端的检测。最后,我们会介绍一下可能得部署工程框架,为将来的工程应用打下基础。至此,我们的大型项目实战已经构建完成。

第10章 项目实战三:实现端到端的模型预测
7 节|150分钟
展开
  • 视频:
    10-1 连接分割模型和分类模型
    30:05
  • 视频:
    10-2 新的评价指标:AUC-ROC曲线
    37:16
  • 视频:
    10-3 使用finetune方法构建肿瘤恶性判断模型
    29:08
  • 视频:
    10-4 完整的实现端到端肺部肿瘤检测
    17:31
  • 视频:
    10-5 使用合适的框架把模型部署上线(一)
    14:46
  • 视频:
    10-6 使用合适的框架把模型部署上线(二)
    12:06
  • 视频:
    10-7 本章小结
    08:33

本章介绍:

最后一章,我们一起来回顾我们讲过的内容,对重点内容进行总结和归纳。最后的最后,我希望再跟大家分享一下在工作中的心得体会,如何应对面试以及如何持续学习,感谢与大家相遇。

第11章 课程总结与面试问题
5 节|89分钟
展开
  • 视频:
    11-1 肿瘤检测系统架构回顾
    15:12
  • 视频:
    11-2 课程中的神经网络回顾
    13:27
  • 视频:
    11-3 模型优化方法回顾
    10:20
  • 视频:
    11-4 面试过程中可能遇到的问题
    22:09
  • 视频:
    11-5 持续学习的几个建议
    27:48
本课程已完结
适合人群
需要用深度学习进行研究的学生
要借助深度学习解决问题的工程师
想转行算法方向的研发人员
技术储备
Python代码基础
高等数学知识/线性代数
环境参数
Python 3.7
PyTorch CUDA 11.3
TensorBoard 及Flask
荒川123
算法高级架构师, 已有271个学生
不为别的,只为提升面试通过率
尽管课程时间很长,
但没关系,我们有老师的陪伴,
还有同学之间互相鼓励,彼此帮助,
完成学习后,还能获得慕课网官方认证的证书。
立即购买
本课程被纳入了《从0入门人工智能学习》的学习路线中,共 7 个步骤,8 门课。
Step1: Python零基础入门
Python3.8系统入门+进阶 (程序员必备第二语言)
难度 初级
原价 ¥366.00
已有 14460 人在学
加购物车
Step2: 人工智能必备数学知识
结合编程学数学 专为程序员设计的线性代数
难度 初级
原价 ¥348.00
已有 3405 人在学
加购物车
Step3: 初识人工智能
Python3入门人工智能 掌握机器学习+深度学习
难度 初级
原价 ¥448.00
已有 1938 人在学
加购物车
Step4: 机器学习算法入门
Python3入门机器学习 经典算法与应用  
难度 中级
原价 ¥499.00
已有 5850 人在学
加购物车
Step5: 深度学习入门
玩转机器学习之神经网络,系统入门算法工程师
难度 初级
原价 ¥448.00
已有 452 人在学
加购物车
Step6: 深度学习热门框架从入门到应用
Google老师亲授 TensorFlow2.0 入门到进阶
难度 中级
原价 ¥399.00
已有 1849 人在学
加购物车
PyTorch入门到进阶 实战计算机视觉与自然语言处理项目
难度 中级
原价 ¥499.00
已有 1160 人在学
加购物车
Step7: PyTorch深度学习实战项目
Pytorch框架全流程开发医学影像端到端判别实战项目
难度 初级
原价 ¥448.00
已有 196 人在学
加购物车
路线特惠价: ¥3455 8门课总价:¥3455
选择该路线学习
已有29310人在学
数据加载中...
《PyTorch深度学习开发医学影像端到端判别项目》的真实评价
综合评分:分,共 人参与
篇幅原因,只展示最近100条评价

学习咨询

选课、学习遇到问题?

扫码添加指导老师 1V1 帮助你!

添加后老师会第一时间解决你的问题

意见反馈 帮助中心 APP下载
官方微信