- 任務(wù)1:機(jī)器學(xué)習(xí)、深度學(xué)習(xí)簡介
- 任務(wù)2:深度學(xué)習(xí)的發(fā)展歷史
- 任務(wù)3:現(xiàn)代深度學(xué)習(xí)的典型例子
- 任務(wù)4:深度學(xué)習(xí)在計(jì)算機(jī)視覺中的應(yīng)用
- 任務(wù)5:深度學(xué)習(xí)的總結(jié)
- 任務(wù)6:開發(fā)環(huán)境的配置 Python Numpy Keras入門教程
- 任務(wù)7:GPU驅(qū)動(dòng)程序安裝
- 任務(wù)8:CUDA的安裝
- 任務(wù)9:cuDNN的安裝 Tensorflow PyTorch的GPU測試
- 任務(wù)10:問答環(huán)節(jié)
- 任務(wù)11:環(huán)境安裝
- 任務(wù)12:二元分類問題
- 任務(wù)13:邏輯函數(shù)
- 任務(wù)14:指數(shù)與對數(shù) 、邏輯回歸
- 任務(wù)15:示例
- 任務(wù)16:損失函數(shù)
- 任務(wù)17:損失函數(shù)推演
- 任務(wù)18:梯度下降法
- 任務(wù)19:應(yīng)用
- 任務(wù)20:直播答疑
- 任務(wù)21:自動(dòng)駕駛方向盤預(yù)測論文分析
- 任務(wù)22:使用PyCharm Keras建立深度網(wǎng)絡(luò)模型
- 任務(wù)23:數(shù)據(jù)預(yù)處理 數(shù)據(jù)增強(qiáng)
- 任務(wù)24:建立BatchGenerator高效讀取數(shù)據(jù)
- 任務(wù)25:訓(xùn)練網(wǎng)絡(luò) 保存訓(xùn)練的中間過程數(shù)據(jù)
- 任務(wù)26:查看網(wǎng)絡(luò)訓(xùn)練過程 判斷網(wǎng)絡(luò)是否過擬合 欠擬合
- 任務(wù)27:神經(jīng)網(wǎng)絡(luò)分類問題的經(jīng)典數(shù)據(jù)(集鳶尾花數(shù)據(jù)集)介紹,神經(jīng)網(wǎng)絡(luò)Python庫Keras的介紹
- 任務(wù)28:使用Pandas讀取鳶尾花數(shù)據(jù)集, 使用LabelEncoder對類別標(biāo)簽進(jìn)行編碼
- 任務(wù)29:使用Keras創(chuàng)建一個(gè)用于鳶尾花分類識(shí)別的神經(jīng)網(wǎng)絡(luò)
- 任務(wù)30:訓(xùn)練用于鳶尾花分類的神經(jīng)網(wǎng)絡(luò) 解讀訓(xùn)練輸出的日志 了解如何評價(jià)神經(jīng)網(wǎng)絡(luò)的性能
- 任務(wù)31:神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理(1): 神經(jīng)網(wǎng)絡(luò)的結(jié)點(diǎn),權(quán)值,激活函數(shù)
- 任務(wù)32:神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理(2): 神經(jīng)網(wǎng)絡(luò)的前饋(Feed Forward)算法
- 任務(wù)33:神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理(3):神經(jīng)網(wǎng)絡(luò)的前饋(Feed Forward)算法續(xù),Softmax層的數(shù)值問題
- 任務(wù)34:神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理(4):神經(jīng)網(wǎng)絡(luò)BP(誤差反向傳播)算法
- 任務(wù)35:神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理(5):神經(jīng)網(wǎng)絡(luò)BP(誤差反向傳遞)算法續(xù)
- 任務(wù)36:神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理(6):手動(dòng)演算神經(jīng)網(wǎng)絡(luò)BP算法(誤差向后傳遞)
- 任務(wù)37:神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理(7):手動(dòng)演算神經(jīng)網(wǎng)絡(luò)BP算法(誤差向后傳遞)續(xù)
- 任務(wù)38:Neural.Network.Loss-直播01
- 任務(wù)39:Neural.Network.Loss-直播02
- 任務(wù)40:Neural.Network.Loss-直播03
- 任務(wù)41:梯度消亡
- 任務(wù)42:梯度消亡問題分析
- 任務(wù)43:梯度消亡解決方案
- 任務(wù)44:過擬合
- 任務(wù)45:DropOut 訓(xùn)練
- 任務(wù)46:正則化
- 任務(wù)47:最大范數(shù)約束 神經(jīng)元的初始化
- 任務(wù)48:作業(yè)講解與答疑-01
- 任務(wù)49:作業(yè)講解與答疑-02
- 任務(wù)50:為什么需要遞歸神經(jīng)網(wǎng)絡(luò)?
- 任務(wù)51:遞歸神經(jīng)網(wǎng)絡(luò)介紹
- 任務(wù)52:語言模型
- 任務(wù)53:RNN的深度
- 任務(wù)54:梯度爆炸和梯度消失
- 任務(wù)55:Gradient Clipping
- 任務(wù)56:LSTM的介紹
- 任務(wù)57:LSTM的應(yīng)用
- 任務(wù)58:Bi-Directional LSTM
- 任務(wù)59:Gated Recurrent Unit
- 任務(wù)60:機(jī)器翻譯
- 任務(wù)61:Multimodal Learning
- 任務(wù)62:Seq2Seq模型
- 任務(wù)63:回顧RNN與LSTM
- 任務(wù)64:Attention for Image Captioning
- 任務(wù)65:Attention for Machine Translation
- 任務(wù)66:Self-Attention
- 任務(wù)67:Attention總結(jié)
- 任務(wù)68:neural network optimizer直播-01
- 任務(wù)69:neural network optimizer直播-02
- 任務(wù)70:neural network optimizer直播-03
- 任務(wù)71:項(xiàng)目介紹
- 任務(wù)72:看圖說話任務(wù)一-01
- 任務(wù)73:看圖說話任務(wù)一-02
- 任務(wù)74:看圖說話任務(wù)一-03
- 任務(wù)75:任務(wù)介紹
- 任務(wù)76:如何實(shí)現(xiàn) load_img_as_np_array 這個(gè)函數(shù)
- 任務(wù)77:如何實(shí)現(xiàn)“l(fā)oad_vgg16_model”函數(shù)
- 任務(wù)78:如何實(shí)現(xiàn)“extract_features”函數(shù)
- 任務(wù)79:創(chuàng)建Tokenizer01
- 任務(wù)80:創(chuàng)建Tokenizer02
- 任務(wù)81:產(chǎn)生模型需要的輸入數(shù)據(jù)01
- 任務(wù)82:產(chǎn)生模型需要的輸入數(shù)據(jù)02
- 任務(wù)83:任務(wù)的概述
- 任務(wù)84:Input Embedding和Dropout層介紹
- 任務(wù)85:LSTM Add層的介紹
- 任務(wù)86:如何訓(xùn)練模型
- 任務(wù)87:如何使用深度神經(jīng)網(wǎng)絡(luò)模型做預(yù)測 產(chǎn)生標(biāo)題 完成generate_caption函數(shù)01
- 任務(wù)88:如何使用深度神經(jīng)網(wǎng)絡(luò)模型做預(yù)測 產(chǎn)生標(biāo)題 完成generate_caption函數(shù)02
- 任務(wù)89:如何調(diào)用generate_caption函數(shù)
- 任務(wù)90:如何評價(jià)標(biāo)題生成模型的性能
- 任務(wù)91:讀取和顯示數(shù)字圖像
- 任務(wù)92:數(shù)字圖像大小縮放
- 任務(wù)93:數(shù)字圖像直方圖均衡
- 任務(wù)94:圖像去噪聲
- 任務(wù)95:圖像邊緣檢測
- 任務(wù)96:圖像關(guān)鍵點(diǎn)檢測
- 任務(wù)97:道路行車道檢測簡介
- 任務(wù)98:Canny邊緣檢測
- 任務(wù)99:霍夫變換用于直線檢測
- 任務(wù)100:道路行車道檢測代碼講解
- 任務(wù)101:在圖像和視頻上面演示道路行車道檢測
- 任務(wù)102:項(xiàng)目介紹
- 任務(wù)103:交通指示牌識(shí)別的簡介
- 任務(wù)104:交通指示牌識(shí)別課程的編程任務(wù)
- 任務(wù)105:如何分析數(shù)據(jù) (util.py 的詳細(xì)介紹)
- 任務(wù)106:如何預(yù)處理圖像數(shù)據(jù)、建立神經(jīng)網(wǎng)絡(luò)模型、訓(xùn)練網(wǎng)絡(luò)模型 (train.py 的詳細(xì)介紹)01
- 任務(wù)107:如何預(yù)處理圖像數(shù)據(jù)、建立神經(jīng)網(wǎng)絡(luò)模型、訓(xùn)練網(wǎng)絡(luò)模型 (train.py 的詳細(xì)介紹)02
- 任務(wù)108:色彩空間轉(zhuǎn)換
- 任務(wù)109:直方圖均衡
- 任務(wù)110:圖像標(biāo)準(zhǔn)化
- 任務(wù)111:使用ImageDataGenerator做圖像增強(qiáng)
- 任務(wù)112:作業(yè)上傳的要求
- 任務(wù)113:介紹經(jīng)典交通指示牌卷積神經(jīng)網(wǎng)絡(luò)模型
- 任務(wù)114:代碼實(shí)現(xiàn)經(jīng)典交通指示牌識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型
- 任務(wù)115:卷積神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)原理01
- 任務(wù)116:卷積神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)原理02
- 任務(wù)117:深度學(xué)習(xí)調(diào)參-直播-01
- 任務(wù)118:深度學(xué)習(xí)調(diào)參-直播-02
- 任務(wù)119:深度學(xué)習(xí)調(diào)參-直播-03
- 任務(wù)120:卷積層的啟發(fā)
- 任務(wù)121:卷積層的定量分析
- 任務(wù)122:單通道輸入 單通道輸出的卷積層的實(shí)例
- 任務(wù)123:多通道輸入 多通道輸出的卷積層的實(shí)例
- 任務(wù)124:池化層的原理 定量分析
- 任務(wù)125:卷積神經(jīng)網(wǎng)絡(luò)和全連接神經(jīng)網(wǎng)絡(luò)的比較
- 任務(wù)126:卷積神經(jīng)網(wǎng)絡(luò)在圍棋 語言識(shí)別和自然語言處理中的應(yīng)用
- 任務(wù)127:基于深度學(xué)習(xí)的圖像分類歷史回顧
- 任務(wù)128:AlexNet的結(jié)構(gòu)分析
- 任務(wù)129:ZFNet的結(jié)構(gòu)分析
- 任務(wù)130:VGG的結(jié)構(gòu)分析
- 任務(wù)131:GoogleNet Inception的結(jié)構(gòu)分析
- 任務(wù)132:Inception V3的結(jié)構(gòu)分析
- 任務(wù)133:ResNet的結(jié)構(gòu)分析
- 任務(wù)134:ResNet的代碼實(shí)現(xiàn)
- 任務(wù)135:基于內(nèi)容的圖像搜索理論基礎(chǔ)
- 任務(wù)136:基于去噪自動(dòng)編碼器的圖像搜索代碼實(shí)現(xiàn)
- 任務(wù)137:使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行語義圖像嵌入在目標(biāo)檢測 自動(dòng)駕駛 圖像超分辨率重構(gòu) 工業(yè)探傷等等領(lǐng)域的應(yīng)用
- 任務(wù)138:項(xiàng)目1-看圖說話(助教)講解和答疑-01
- 任務(wù)139:項(xiàng)目1-看圖說話(助教)講解和答疑-02
- 任務(wù)140:項(xiàng)目介紹
- 任務(wù)141:自動(dòng)駕駛方向盤轉(zhuǎn)動(dòng)方向預(yù)測的背景知識(shí)
- 任務(wù)142:如何收集訓(xùn)練數(shù)據(jù)
- 任務(wù)143:理解分析訓(xùn)練數(shù)據(jù)
- 任務(wù)144:自動(dòng)駕駛方向盤轉(zhuǎn)動(dòng)方向預(yù)測的網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)訓(xùn)練代碼講解
- 任務(wù)145:提高網(wǎng)絡(luò)性能的思路 圖像處理、數(shù)據(jù)增強(qiáng)、網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化
- 任務(wù)146:探索數(shù)據(jù)01
- 任務(wù)147:探索數(shù)據(jù)02
- 任務(wù)148:圖像增強(qiáng)01
- 任務(wù)149:圖像增強(qiáng)02
- 任務(wù)150:解決數(shù)據(jù)不平衡的問題 DataGenerator的應(yīng)用
- 任務(wù)151:網(wǎng)絡(luò)結(jié)構(gòu)實(shí)例
- 任務(wù)152: 圖像增強(qiáng)部分的代碼講解
- 任務(wù)153:DataGenerator部分的代碼講解
- 任務(wù)154:網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)部分的代碼講解
- 任務(wù)155:方向盤轉(zhuǎn)動(dòng)方向預(yù)測網(wǎng)絡(luò)模型的性能評估方法
- 任務(wù)156:使用模擬器定性的判斷網(wǎng)絡(luò)性能的方法以及代碼講解
- 任務(wù)157:模擬器自動(dòng)駕駛的展示
- 任務(wù)158:通過損失函數(shù)的變化判斷網(wǎng)絡(luò)性能、識(shí)別和解決過擬合和欠擬合的問題
- 任務(wù)159:如何安裝Python 連接模擬器的Python 庫
- 任務(wù)160:windows 下面使用自動(dòng)駕駛模擬器的教程
- 任務(wù)161:mac 下面使用自動(dòng)駕駛模擬器的教程
- 任務(wù)162:目標(biāo)識(shí)別綜述
- 任務(wù)163:基于HOG(梯度直方圖)的目標(biāo)識(shí)別
- 任務(wù)164:Non-Max Suppression IoU 和 Hard Negative Mining
- 任務(wù)165:R-CNN的工作原理
- 任務(wù)166:R-CNN中的邊界框(Bounding Box)預(yù)測原理
- 任務(wù)167:R-CNN的不足之處
- 任務(wù)168:Fast R-CNN詳解
- 任務(wù)169:Faster R-CNN Region Proposal Network
- 任務(wù)170:R-CNN Fast R-CNN Faster R-CNN的總結(jié)
- 任務(wù)171:目標(biāo)識(shí)別 R-CNN家族的回顧
- 任務(wù)172:SSD的簡介 SSD與R-CNN的比較
- 任務(wù)173:SSD的網(wǎng)絡(luò)結(jié)構(gòu)
- 任務(wù)174:如何使用卷積作為最后的預(yù)測層
- 任務(wù)175:SSD的訓(xùn)練過程
- 任務(wù)176:SSD的實(shí)驗(yàn)結(jié)果分析
- 任務(wù)177:VGG16到SSD網(wǎng)絡(luò)的演化 L2Normalization層的實(shí)現(xiàn)
- 任務(wù)178:SSD各個(gè)技術(shù)對失敗率的影響 Atrous卷積層的原理
- 任務(wù)179:使用卷積作為最后的預(yù)測層詳解
- 任務(wù)180:SSD定位損失函數(shù)詳解
- 任務(wù)181:SSD中Anchor尺寸 寬高比 中心位置的確定
- 任務(wù)182:SSD中分類損失函數(shù)詳解
- 任務(wù)183:Non-Max Suppression的原理
- 任務(wù)184:SSD和YOLO的比較 SSD的總結(jié)
- 任務(wù)185:圖像分割簡介
- 任務(wù)186:基于深度學(xué)習(xí)的圖像分割U-Net的原理
- 任務(wù)187:Transposed Convolution原理與運(yùn)用
- 任務(wù)188:U-Net的代碼講解
- 任務(wù)189:圖像生成的原理
- 任務(wù)190:使用深度學(xué)習(xí)自動(dòng)圖像生成手寫數(shù)字的代碼講解
- 任務(wù)191:圖像風(fēng)格轉(zhuǎn)移的原理
- 任務(wù)192:使用深度學(xué)習(xí)實(shí)現(xiàn)圖像風(fēng)格轉(zhuǎn)移的代碼講解
- 任務(wù)193:SSD的原理回顧
- 任務(wù)194:編程項(xiàng)目的訓(xùn)練數(shù)據(jù)介紹
- 任務(wù)195:對SSD模型對產(chǎn)生Anchor有影響的參數(shù)講解
- 任務(wù)196:對候選框精選處理有影響的參數(shù)講解
- 任務(wù)197:對輸入模型參數(shù)的合法性檢測和轉(zhuǎn)換
- 任務(wù)198:具有7層的SSD的網(wǎng)絡(luò)結(jié)構(gòu)講解
- 任務(wù)199:編譯模型 使用模型做預(yù)測
- 任務(wù)200:SSD解碼的實(shí)現(xiàn)
- 任務(wù)201:幫助函數(shù)IoU 坐標(biāo)轉(zhuǎn)換 SSD損失函數(shù) Non-Max-Suppression的實(shí)現(xiàn)
- 任務(wù)202:二值化神經(jīng)網(wǎng)絡(luò)的簡介
- 任務(wù)203:二值化網(wǎng)絡(luò)的前向后向傳播 梯度計(jì)算原理
- 任務(wù)204:二值化網(wǎng)絡(luò)的訓(xùn)練算法
- 任務(wù)205:二值化網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果
- 任務(wù)206:二值化全連接網(wǎng)絡(luò)的代碼講解
- 任務(wù)207:DropoutNoScale層的實(shí)現(xiàn)
- 任務(wù)208:BinaryDense層的實(shí)現(xiàn)
- 任務(wù)209:二值化卷積神經(jīng)網(wǎng)絡(luò)的代碼講解
- 任務(wù)210:項(xiàng)目作業(yè)要求
- 任務(wù)211:神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中面臨的挑戰(zhàn) 輕量級(jí)深度神經(jīng)網(wǎng)絡(luò)的必要性
- 任務(wù)212:MobileNet Depthwise Seperable Convolution的原理計(jì)算量分析
- 任務(wù)213:ShuffleNet Group Convolution Channel Shuffle的原理
- 任務(wù)214:EffNet Spatial Seperable Convolution的原理計(jì)算量分析和實(shí)驗(yàn)效果
- 任務(wù)215:lightweight-network答疑時(shí)間
- 任務(wù)216:回顧EffNet的原理
- 任務(wù)217:EffNet的代碼講解
- 任務(wù)218:One-Shot Learning 的意義和工作原理
- 任務(wù)219:用于One-Shot Learning 的Siamese 深度神經(jīng)網(wǎng)絡(luò)的介紹
- 任務(wù)220:Siamese 深度神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)和結(jié)果分析
- 任務(wù)221:Transposed Convolution 的應(yīng)用 算法回顧 以及使用矩陣乘法實(shí)現(xiàn)
- 任務(wù)222:Transposed Convolution 的梯度推導(dǎo)
- 任務(wù)223:將卷積核轉(zhuǎn)換為Toeplitz Matrix用于矩陣乘法實(shí)現(xiàn)Transposed
- 任務(wù)224:同學(xué)對課程的效果反饋調(diào)查
- 任務(wù)225:使用 Siamese 網(wǎng)絡(luò)做門禁卡系統(tǒng)的入門介紹 數(shù)據(jù)集的介紹
- 任務(wù)226:PyTorch 基礎(chǔ)教程
- 任務(wù)227:Siamese One-Shot learning 知識(shí)回顧
- 任務(wù)228:使用 PyTorch torchvision 庫高效讀取數(shù)據(jù)
- 任務(wù)229:使用 PyTorch 定義 Siamese 網(wǎng)絡(luò)結(jié)構(gòu)
- 任務(wù)230:使用 PyTorch 寫訓(xùn)練網(wǎng)絡(luò)的代碼
- 任務(wù)231:使用 PyTorch 寫測試網(wǎng)絡(luò)的代碼
計(jì)算機(jī)視覺方向網(wǎng)站
1 Visual 3D Modeling
2 University of California 的計(jì)算機(jī)視覺課程
3 多視幾何教程的代碼
4 VGG
計(jì)算機(jī)視覺方向博客
人工智能方向博客
尹相志Allans blog
人工智能方向網(wǎng)站
1 AI Weekly
2 CSDN-機(jī)器學(xué)習(xí)-知識(shí)庫
3 CUM計(jì)算機(jī)學(xué)院
實(shí)用網(wǎng)站
Quora
其他
1 在線玩轉(zhuǎn)深度學(xué)習(xí)
2 一個(gè)數(shù)學(xué)問題講解網(wǎng)站
計(jì)算機(jī)視覺書籍
1.計(jì)算機(jī)視覺方向網(wǎng)站
1.1 Visual 3D Modeling
美國北卡羅來納大學(xué)教堂山分校(UNC)的Visual 3D Modeling from Images的課程notes,詳細(xì)內(nèi)容見該課程目錄頁,有一些關(guān)于攝影幾何基本知識(shí)、攝像機(jī)模型、多視幾何等的基本概念的介紹,淺顯易懂,特別是配了很多特別棒的圖,易于理解!
1.2 University of California 的計(jì)算機(jī)視覺課程
CSE 252B: Computer Vision II
1.3 多視幾何教程的代碼
Richard Hartley和Andrew Zisserman的多視幾何的MATLAB代碼,只有書中部分內(nèi)容對應(yīng)的代碼
1.4 VGG
超級(jí)權(quán)威的一個(gè)網(wǎng)站,里面有大量計(jì)算機(jī)視覺相關(guān)算法、文章和軟件
http://www.robots.ox.ac.uk/~vgg/
2.計(jì)算機(jī)視覺方向博客
Damier Teney的個(gè)人網(wǎng)站,里面有許多關(guān)于該作者自己的各種關(guān)于computer vision的m文件:http://damienteney.info/dml.htm
3. 人工智能方向博客
尹相志Allan’s blog
尹相志Allan’s blog主要介紹人工智能方向的內(nèi)容,內(nèi)容為繁體字書寫,應(yīng)該是香港人吧
4.人工智能方向網(wǎng)站
4.1 AI Weekly
AI Weekly是一個(gè)人工資能方向的日報(bào),可以輸入郵箱訂閱,每天更新人工智能領(lǐng)域的最新進(jìn)展、想課程等,但為英文版本
4.2 CSDN-機(jī)器學(xué)習(xí)-知識(shí)庫
CSDN-機(jī)器學(xué)習(xí)-知識(shí)庫
4.3 CUM計(jì)算機(jī)學(xué)院
CUM機(jī)器學(xué)習(xí)團(tuán)隊(duì)-joe
5.實(shí)用網(wǎng)站
Quora
美國的一個(gè)問答網(wǎng)站,類似于國內(nèi)的知乎,比較活躍,但需要使用英文進(jìn)行問答
6.其他
6.1 在線玩轉(zhuǎn)深度學(xué)習(xí)
Google Tensorflow給出了一個(gè)非常直觀的playground,任何人都可以通過該網(wǎng)站玩轉(zhuǎn)深度學(xué)習(xí),非常酷炫
6.2 一個(gè)數(shù)學(xué)問題講解網(wǎng)站
interactive mathematics
該網(wǎng)站以淺顯易懂的語言講解了許多基本的數(shù)學(xué)知識(shí),比如,什么是向量、圓、….等
7.計(jì)算機(jī)視覺書籍
《Computer Vision for Visual Effects》
現(xiàn)在的很多大片例如阿凡達(dá)等,里面的特效制作都使用了大量的計(jì)算機(jī)視覺技術(shù)。這本書就是用來介紹如何使用現(xiàn)在最先進(jìn)的計(jì)算機(jī)視覺技術(shù)來制作電影電視特效。
