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

难度:初级
|
时长:共 25 小时 30 分钟
新课榜第 3 名
¥398.00
¥448.00
上新特惠
立即购买
加购物车
  • 1. 深度学习基本概念
  • 2. 实用的模型优化技巧
  • 3. PyTorch的多种基础操作
  • 4. 多种模型评估方法
  • 5. 数据挖掘实战思维
  • 6. 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。
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
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
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
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
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
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
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
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
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
第10章 项目实战三:实现端到端的模型预测
4 节|114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
第11章 课程总结
内容更新中
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38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 13798 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 3151 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 1454 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 5398 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 251 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 1846 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 834 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 38 人在学
加购物车
路线价格: ¥3057 8门课总价:¥3455
选择该路线学习
已有26770人在学
《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
意见反馈 帮助中心 APP下载
官方微信