贪心学院CV计算机视觉集训营（价值11980元）百度网盘
课程介绍
本视觉训练营，从传统NLP技术到基于深度学习的NLP技术，帮助学员理解技术深层次的本质关系。学员有机会选择并完成自己感兴趣的课题，无论应用性的还是学术性的课题，导师助教团队都可以很好地指导你。或许这样的一个项目可以让你实现拥有顶会论文的目标。同时，将邀请国内外的AI博士与资深工程师，来对NIPS, ICM-L，ACL, EMNLP等AI顶级会议的热点paper进行详解与讨论。
课程目录
第1章: 开学典礼（直播课20190303)
- 任务1： 机器学习、深度学习简介
- 任务2： 深度学习的发展历史
- 任务3： 现代深度学习的典型例子
- 任务4： 深度学习在计算机视觉中的应用
- 任务5： 深度学习的总结
- 任务6： 开发环境的配置, Python, Numpy, Keras入门教程
- 任务7： GPU驱动程序安装
- 任务8： CUDA的安装
- 任务9： cuDNN的安装, Tensorflow, PyTorch的GPU测试
- 任务10： 问答环节
第2章: 编程环境配置（录播课20190306）
- 任务11： 环境安装
第3章: 逻辑回归（录播课20190306）
- 任务12： 二元分类问题
- 任务13： 逻辑函数
- 任务14： 指数与对数 、逻辑回归
- 任务15： 示例
- 任务16： 损失函数
- 任务17： 损失函数推演
- 任务18： 梯度下降法
- 任务19： 应用
第4章: 深度学习经典案例讲解（直播课20190309）
- 任务20： 直播答疑
- 任务21： 自动驾驶方向盘预测论文分析
- 任务22： 使用PyCharm Keras建立深度网络模型
- 任务23： 数据预处理 数据增强
- 任务24： 建立BatchGenerator高效读取数据
- 任务25： 训练网络 保存训练的中间过程数据
- 任务26： 查看网络训练过程 判断网络是否过拟合 欠拟合
第5章: 神经网络（录播课20190313）
- 任务27： 神经网络分类问题的经典数据（集鸢尾花数据集）介绍，神经网络Python库Keras的介绍
- 任务28： 使用Pandas读取鸢尾花数据集， 使用LabelEncoder对类别标签进行编码
- 任务29： 使用Keras创建一个用于鸢尾花分类识别的神经网络
- 任务30： 训练用于鸢尾花分类的神经网络 解读训练输出的日志 了解如何评价神经网络的性能
- 任务31： 神经网络数学原理（1）： 神经网络的结点，权值，激活函数
- 任务32： 神经网络数学原理（2）： 神经网络的前馈（Feed Forward）算法
- 任务33： 神经网络数学原理（3）：神经网络的前馈（Feed Forward）算法续，Softmax层的数值问题
- 任务34： 神经网络数学原理（4）：神经网络BP（误差反向传播）算法
- 任务35： 神经网络数学原理（5）：神经网络BP（误差反向传递）算法续
- 任务36： 神经网络数学原理（6）：手动演算神经网络BP算法（误差向后传递）
- 任务37： 神经网络数学原理（7）：手动演算神经网络BP算法（误差向后传递）续
第6章: Neural.Network.Loss 20190316直播
- 任务38： Neural.Network.Loss-直播01
- 任务39： Neural.Network.Loss-直播02
- 任务40： Neural.Network.Loss-直播03
第7章: 深度神经网络
- 任务41： 梯度消亡
- 任务42： 梯度消亡问题分析
- 任务43： 梯度消亡解决方案
- 任务44： 过拟合
- 任务45： DropOut 训练
- 任务46： 正则化
- 任务47： 最大范数约束 神经元的初始化
- 第1节: 自动梯度求解
第8章: 作业讲解与答疑
- 任务48： 作业讲解与答疑-01
- 任务49： 作业讲解与答疑-02
- 第9章: 递归神经网络LSTM
- 任务50： 为什么需要递归神经网络？
- 任务51： 递归神经网络介绍
- 任务52： 语言模型
- 任务53： RNN的深度
- 任务54： 梯度爆炸和梯度消失
- 任务55： Gradient Clipping
- 任务56： LSTM的介绍
- 任务57： LSTM的应用
- 任务58： Bi-Directional LSTM
- 任务59： Gated Recurrent Unit
- 任务60： 机器翻译
- 任务61： Multimodal Learning
- 任务62： Seq2Seq模型
- 任务63： 回顾RNN与LSTM
- 任务64： Attention for Image Captioning
- 任务65： Attention for Machine Translation
- 任务66： Self-Attention
- 任务67： Attention总结
第10章: neural network optimizer直播
- 任务68： neural network optimizer直播-01
- 任务69： neural network optimizer直播-02
- 任务70： neural network optimizer直播-03
第11章: Project1：看图说话
- 任务71： 项目介绍
- 第1节: Part1: VGG16定义的CNN网络结构创建
- 任务72： 看图说话任务一-01
- 任务73： 看图说话任务一-02
- 任务74： 看图说话任务一-03
- 第2节: Part2：VGG16网络提取图像特征
- 任务75： 任务介绍
- 任务76： 如何实现 load_img_as_np_array 这个函数
- 任务77： 如何实现“load_vgg16_model”函数
- 任务78： 如何实现“extract_features”函数
- 第3节: Part3：图像生成
- 任务79： 创建Tokenizer01
- 任务80： 创建Tokenizer02
- 任务81： 产生模型需要的输入数据01
- 任务82： 产生模型需要的输入数据02
- 第4节: Part4：Keras搭建图像生成网络, 训练网络
- 任务83： 任务的概述
- 任务84： Input Embedding和Dropout层介绍
- 任务85： LSTM Add层的介绍
- 任务86： 如何训练模型
- 第5节: Part5：BLEU指标评价图像生成的质量
- 任务87： 如何使用深度神经网络模型做预测 产生标题 完成generate_caption函数01
- 任务88： 如何使用深度神经网络模型做预测 产生标题 完成generate_caption函数02
- 任务89： 如何调用generate_caption函数
- 任务90： 如何评价标题生成模型的性能
第12章: 图像处理和计算机视觉简介
- 任务91： 读取和显示数字图像
- 任务92： 数字图像大小缩放
- 任务93： 数字图像直方图均衡
- 任务94： 图像去噪声
- 任务95： 图像边缘检测
- 任务96： 图像关键点检测
- 任务97： 道路行车道检测简介
- 任务98： Canny边缘检测
- 任务99： 霍夫变换用于直线检测
- 任务100： 道路行车道检测代码讲解
- 任务101： 在图像和视频上面演示道路行车道检测
- 第13章: Project 2：自动驾驶之交通指示牌识别
任务102： 项目介绍
- 第1节: Part 1: 数据增强
- 任务103： 交通指示牌识别的简介
- 任务104： 交通指示牌识别课程的编程任务
- 任务105： 如何分析数据 (util.py 的详细介绍)
- 任务106： 如何预处理图像数据、建立神经网络模型、训练网络模型 (train.py 的详细介绍)01
- 任务107： 如何预处理图像数据、建立神经网络模型、训练网络模型 (train.py 的详细介绍)02
- 第2节: Part 2: 图像预处理
- 任务108： 色彩空间转换
- 任务109： 直方图均衡
- 任务110： 图像标准化
- 任务111： 使用ImageDataGenerator做图像增强
- 任务112： 作业上传的要求
- 第3节: Part 3: 设计卷积神经网络进行神经学习
- 任务113： 介绍经典交通指示牌卷积神经网络模型
- 任务114： 代码实现经典交通指示牌识别卷积神经网络模型
- 任务115： 卷积神经网络的数学原理01
- 任务116： 卷积神经网络的数学原理02
第14章: 用于视觉识别的卷积特征
- 任务117： 深度学习调参-直播-01
- 任务118： 深度学习调参-直播-02
- 任务119： 深度学习调参-直播-03
- 任务120： 卷积层的启发
- 任务121： 卷积层的定量分析
- 任务122： 单通道输入 单通道输出的卷积层的实例
- 任务123： 多通道输入 多通道输出的卷积层的实例
- 任务124： 池化层的原理 定量分析
- 任务125： 卷积神经网络和全连接神经网络的比较
- 任务126： 卷积神经网络在围棋 语言识别和自然语言处理中的应用
- 任务127： 基于深度学习的图像分类历史回顾
- 任务128： AlexNet的结构分析
- 任务129： ZFNet的结构分析
- 任务130： VGG的结构分析
- 任务131： GoogleNet Inception的结构分析
- 任务132： Inception V3的结构分析
- 任务133： ResNet的结构分析
- 任务134： ResNet的代码实现
- 任务135： 基于内容的图像搜索理论基础
- 任务136： 基于去噪自动编码器的图像搜索代码实现
- 任务137： 使用卷积神经网络进行语义图像嵌入在目标检测, 自动驾驶, 图像超分辨率重构, 工业探伤等等领域的应用
- 任务138： 项目1-看图说话（助教）讲解和答疑-01
- 任务139： 项目1-看图说话（助教）讲解和答疑-02
第15章: 开放式项目：自动驾驶之方向盘操纵
- 任务140： 项目介绍
- 第1节: Part 1: 图像预处理
- 任务141： 自动驾驶方向盘转动方向预测的背景知识
- 任务142： 如何收集训练数据
- 任务143： 理解分析训练数据
- 任务144： 自动驾驶方向盘转动方向预测的网络结构和网络训练代码讲解
- 任务145： 提高网络性能的思路 图像处理、数据增强、网络结构优化
- 任务146： 探索数据01
- 任务147： 探索数据02
- 第2节: Part 2: 数据增强
- 任务148： 图像增强01
- 任务149： 图像增强02
- 任务150： 解决数据不平衡的问题 DataGenerator的应用
- 任务151： 网络结构实例
- 任务152： 图像增强部分的代码讲解
- 任务153： DataGenerator部分的代码讲解
- 任务154： 网络结构实现部分的代码讲解
- 第3节: Part 3: 设计网络结构
- 任务155： 方向盘转动方向预测网络模型的性能评估方法
- 任务156： 使用模拟器定性的判断网络性能的方法以及代码讲解
- 任务157： 模拟器自动驾驶的展示
- 任务158： 通过损失函数的变化判断网络性能、识别和解决过拟合和欠拟合的问题
- 任务159： 如何安装Python 连接模拟器的Python 库
- 任务160： windows 下面使用自动驾驶模拟器的教程
- 任务161： mac 下面使用自动驾驶模拟器的教程
第16章: 目标检测
- 任务162： 目标识别综述
- 任务163： 基于HOG(梯度直方图)的目标识别
- 任务164： Non-Max Suppression IoU 和 Hard Negative Mining
- 任务165： R-CNN的工作原理
- 任务166： R-CNN中的边界框(Bounding Box)预测原理
- 任务167： R-CNN的不足之处
- 任务168： Fast R-CNN详解
- 任务169： Faster R-CNN Region Proposal Network
- 任务170： R-CNN Fast R-CNN Faster R-CNN的总结
- 任务171： 目标识别 R-CNN家族的回顾
- 任务172： SSD的简介 SSD与R-CNN的比较
- 任务173： SSD的网络结构
- 任务174： 如何使用卷积作为最后的预测层
- 任务175： SSD的训练过程
- 任务176： SSD的实验结果分析
- 任务177： VGG16到SSD网络的演化 L2Normalization层的实现
- 任务178： SSD各个技术对失败率的影响 Atrous卷积层的原理
- 任务179： 使用卷积作为最后的预测层详解
- 任务180： SSD定位损失函数详解
- 任务181： SSD中Anchor尺寸 宽高比 中心位置的确定
- 任务182： SSD中分类损失函数详解
- 任务183： Non-Max Suppression的原理
- 任务184： SSD和YOLO的比较 SSD的总结
第17章: 图像分割和合成
- 任务185： 图像分割简介
- 任务186： 基于深度学习的图像分割U-Net的原理
- 任务187： Transposed Convolution原理与运用
- 任务188： U-Net的代码讲解
- 任务189： 图像生成的原理
- 任务190： 使用深度学习自动图像生成手写数字的代码讲解
- 任务191： 图像风格转移的原理
- 任务192： 使用深度学习实现图像风格转移的代码讲解
第18章: 自动驾驶之道路目标检测
- 任务193： SSD的原理回顾
- 任务194： 编程项目的训练数据介绍
- 任务195： 对SSD模型对产生Anchor有影响的参数讲解
- 任务196： 对候选框精选处理有影响的参数讲解
- 任务197： 对输入模型参数的合法性检测和转换
- 任务198： 具有7层的SSD的网络结构讲解
- 任务199： 编译模型, 使用模型做预测
- 任务200： SSD解码的实现
- 任务201： 帮助函数IoU, 坐标转换, SSD损失函数, Non-Max-Suppression的实现
第19章: 二值化神经网络(BNNs)
- 任务202： 二值化神经网络的简介
- 任务203： 二值化网络的前向后向传播, 梯度计算原理
- 任务204： 二值化网络的训练算法
- 任务205： 二值化网络的实验结果
- 任务206： 二值化全连接网络的代码讲解
- 任务207： DropoutNoScale层的实现
- 任务208： BinaryDense层的实现
- 任务209： 二值化卷积神经网络的代码讲解
- 任务210： 项目作业要求
第20章: light weight-network直播
- 任务211： 神经网络在实际应用中面临的挑战, 轻量级深度神经网络的必要性
- 任务212： MobileNet, Depthwise Seperable Convolution的原理计算量分析
- 任务213： ShuffleNet, Group Convolution, Channel Shuffle的原理
- 任务214： EffNet, Spatial Seperable Convolution的原理计算量分析和实验效果
- 任务215： lightweight-network答疑时间
第21章: EffNet.Self.Steering
- 任务216： 回顾EffNet的原理
- 任务217： EffNet的代码讲解
第22章: One-Shot-Learning
- 任务218： One-Shot Learning 的意义和工作原理
- 任务219： 用于One-Shot Learning 的Siamese 深度神经网络的介绍
- 任务220： Siamese 深度神经网络的实验和结果分析
- 任务221： Transposed Convolution 的应用, 算法回顾, 以及使用矩阵乘法实现
- 任务222： Transposed Convolution 的梯度推导
- 任务223： 将卷积核转换为Toeplitz Matrix用于矩阵乘法实现Transposed
第23章: Siamese Network
- 任务224： 同学对课程的效果反馈调查
- 任务225： 使用 Siamese 网络做门禁卡系统的入门介绍, 数据集的介绍
- 任务226： PyTorch 基础教程
- 任务227： Siamese One-Shot learning 知识回顾
- 任务228： 使用 PyTorch torchvision 库高效读取数据
- 任务229： 使用 PyTorch 定义 Siamese 网络结构
- 任务230： 使用 PyTorch 写训练网络的代码
- 任务231： 使用 PyTorch 写测试网络的代码
获取方式：点击下方按钮，扫描二维码直接下载，高清完整版，附带课程源码。
更多IT课程尽在小月博客
