7-4借助softmax方法给出分类结果.mp4 15.6MB

7-20优化方案之增加模型深度-depth.mp4 35.3MB

7-21本章小结.mp4 8.8MB

7-2为数据集实现Dataset类.mp4 15.7MB

7-3为模型准备训练集和验证集.mp4 19.6MB

7-15该用GPU训练我们的模型.mp4 16.6MB

7-5分类模型常用损失之交叉熵损失.mp4 12.2MB

7-8借助PyTorch搭建卷积网络模型.mp4 26.1MB

7-11借助下采样压缩数据.mp4 12.4MB

7-12借助PyTorch搭建卷积网络.mp4 14.8MB

7-1CIFAR-10数据集介绍.mp4 11.6MB

7-17优化方案之数据正则化-normalization一.mp4 21.7MB

7-9卷积中的数据填充方法padding.mp4 7.7MB

7-13训练我们的分类模型.mp4 17.5MB

7-18优化方案之数据正则化-normalization二.mp4 27.1MB

7-19优化方案之数据正则化-normalization三.mp4 14.8MB

7-14训练好的模型如何存储.mp4 3.9MB

7-6全连接网络实现图像分类.mp4 47.6MB

7-16优化方案之增加模型宽度-width.mp4 17.6MB

7-10使用卷积提取图像中的特定特征.mp4 13.3MB

7-7对全连接网络的改进之卷积网络.mp4 22.2MB

4-10张量的底层实现逻辑二.mp4 13.6MB

4-8把张量传递到GPU中进行运算.mp4 7.3MB

4-7张量的命名.mp4 9.9MB

4-6张量中的元素类型.mp4 10.4MB

4-4张量的基本操作一.mp4 9.9MB

4-5张量的基本操作二.mp4 23.1MB

4-1什么是张量.mp4 16.6MB

4-2张量的获取与存储一.mp4 17.7MB

4-3张量的获取与存储二.mp4 15.2MB

4-9张量的底层实现逻辑一.mp4 21.9MB

6-9使用PyTorch自动计算梯度.mp4 32.2MB

6-1常规模型训练的过程.mp4 19.1MB

6-13构建批量训练方法.mp4 21.3MB

6-2温度计示数转换.mp4 15.6MB

6-12用PyTorch的nn模块搭建神经网络.mp4 16.8MB

6-8使用超参数优化我们的模型效果.mp4 21.9MB

6-14使用神经网络解决温度计示数转换问题.mp4 34.2MB

6-4PyTorch中的广播机制.mp4 27.5MB

6-10使用PyTorch提供的优化器.mp4 22.5MB

6-3神经网络重要概念-损失.mp4 18.6MB

6-5神经网络重要概念-梯度.mp4 35.1MB

6-11神经网络重要概念-激活函数.mp4 27.9MB

6-6神经网络重要概念-学习率.mp4 36.7MB

6-7神经网络重要概念-归一化.mp4 49.3MB

9-21构建训练Dataset和使用GPU进行数据增强.mp4 22.4MB

9-5实现模型的核心部分.mp4 30.0MB

9-6定义损失计算和训练验证环节一.mp4 31.3MB

9-20为图像分割构建Dataset类.mp4 35.2MB

9-14数据重复采样的代码实现.mp4 24.4MB

9-13数据优化方法.mp4 21.7MB

9-10借助TensorBoard绘制指标曲线.mp4 38.8MB

9-26本章小结.mp4 21.9MB

9-22Adam优化器和Dice损失.mp4 17.5MB

9-4编写数据加载器部分.mp4 13.6MB

9-3初始化都包含什么内容.mp4 14.9MB

9-1第一个模型结节分类.mp4 25.8MB

9-15数据增强的代码实现.mp4 32.6MB

9-8在日志中保存重要信息.mp4 36.1MB

9-12实现F1Score计算逻辑.mp4 11.7MB