贪心学院：CV计算机视觉集训营 价值12998元

本课程来自贪心学院高端AI培训系课课程： CV计算机视觉集训营（CV计算机视觉高端班），美国微软资深AI工程师带你搭上“深度学习工程师直通车”，四个月和你一起奋战，转型AI一步成功。课程官方售价12998元，本套包含231节完整无加密版培训视频、课件资料、源码等，共14.8G。

课程收获：1、深度神经网络处理计算机视觉任务有清晰的理论认知；2、具备动手能力解决实际问题；3、自己写代码实现经典网络结构解决各种计算机视觉任务；4、按照自己的需要定制, 裁剪, 拼装自己的深度网络模型。

├──CV计算机视觉集训营

| ├──任务1：机器学习、深度学习简介.mp424.05M

| ├──任务2：深度学习的发展历史.mp423.25M

| ├──任务3：现代深度学习的典型例子.mp418.82M

| ├──任务4：深度学习在计算机视觉中的应用.mp424.44M

| ├──任务5：深度学习的总结.mp410.58M

| ├──任务6：开发环境的配置, Python, Numpy, Keras入门教程.mp447.07M

| ├──任务7：GPU驱动程序安装.mp417.68M

| ├──任务8：CUDA的安装.mp421.32M

| └──任务9：cuDNN的安装, Tensorflow, PyTorch的GPU测试.mp431.29M

| ├──任务10：问答环节.mp456.95M

| ├──任务11：环境安装.mp4106.50M

| ├──任务12：二元分类问题.mp432.41M

| ├──任务13：逻辑函数.mp432.05M

| ├──任务14：指数与对数 、逻辑回归.mp443.56M

| ├──任务15：示例.mp483.78M

| ├──任务16：损失函数.mp459.18M

| ├──任务17：损失函数推演.mp482.63M

| ├──任务18：梯度下降法.mp4104.81M

| ├──任务19：应用.mp4110.33M

| ├──任务20：直播答疑.mp419.52M

| ├──任务21：自动驾驶方向盘预测论文分析.mp465.24M

| ├──任务22：使用PyCharm Keras建立深度网络模型.mp4258.31M

| ├──任务23：数据预处理 数据增强.mp462.85M

| ├──任务24：建立BatchGenerator高效读取数据.mp4105.86M

| ├──任务25：训练网络 保存训练的中间过程数据.mp4139.90M

| ├──任务26：查看网络训练过程 判断网络是否过拟合 欠拟合.mp446.35M

| ├──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.mp481.20M

| ├──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.mp438.26M

| ├──任务29：使用Keras创建一个用于鸢尾花分类识别的神经网络.mp4135.23M

| ├──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.mp470.11M

| ├──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.mp460.37M

| ├──任务32：神经网络数学原理（2）： 神经网络的前馈（Feed Forward）算法.mp448.14M

| ├──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.mp445.97M

| ├──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.mp455.20M

| ├──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.mp464.39M

| ├──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）.mp475.67M

| ├──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.mp468.19M

| ├──任务38：Neural.Network.Loss-直播01.mp469.92M

| ├──任务39：Neural.Network.Loss-直播02.mp460.94M

| ├──任务40：Neural.Network.Loss-直播03.mp4108.16M

| ├──任务41：梯度消亡.mp456.25M

| ├──任务42：梯度消亡问题分析.mp461.27M

| ├──任务43：梯度消亡解决方案.mp443.84M

| ├──任务44：过拟合.mp455.03M

| ├──任务45：DropOut 训练.mp438.04M

| ├──任务46：正则化.mp425.16M

| ├──任务47：最大范数约束 神经元的初始化.mp457.90M

| ├──任务48：作业讲解与答疑-01.mp498.63M

| ├──任务49：作业讲解与答疑-02.mp485.55M

| ├──任务50：为什么需要递归神经网络？.mp428.15M

| ├──任务51：递归神经网络介绍.mp4140.72M

| ├──任务52：语言模型.mp4102.90M

| ├──任务53：RNN的深度.mp419.76M

| ├──任务54：梯度爆炸和梯度消失.mp4141.72M

| ├──任务55：Gradient Clipping.mp438.96M

| ├──任务56：LSTM的介绍.mp489.71M

| ├──任务57：LSTM的应用.mp456.67M

| ├──任务58：Bi-Directional LSTM.mp448.15M

| ├──任务59：Gated Recurrent Unit.mp452.23M

| ├──任务60：机器翻译.mp440.40M

| ├──任务61：Multimodal Learning.mp466.98M

| ├──任务62：Seq2Seq模型.mp4131.45M

| ├──任务63：回顾RNN与LSTM.mp420.86M

| ├──任务64：Attention for Image Captioning.mp4103.06M

| ├──任务65：Attention for Machine Translation.mp446.24M

| ├──任务66：Self-Attention.mp451.92M

| ├──任务67：Attention总结.mp420.22M

| ├──任务68：neural network optimizer直播-01.mp4113.04M

| ├──任务69：neural network optimizer直播-02.mp475.81M

| ├──任务70：neural network optimizer直播-03.mp4144.04M

| ├──任务71：项目介绍.mp426.96M

| ├──任务72：看图说话任务一-01.mp440.23M

| ├──任务73：看图说话任务一-02.mp435.60M

| ├──任务74：看图说话任务一-03.mp458.04M

| ├──任务75：任务介绍.mp436.47M

| ├──任务76：如何实现 load_img_as_np_array 这个函数.mp416.57M

| ├──任务77：如何实现“load_vgg16_model”函数.mp427.43M

| ├──任务78：如何实现“extract_features”函数.mp434.89M

| ├──任务79：创建Tokenizer01.mp420.97M

| ├──任务80：创建Tokenizer02.mp462.50M

| ├──任务81：产生模型需要的输入数据01.mp477.38M

| ├──任务82：产生模型需要的输入数据02.mp456.79M

| ├──任务83：任务的概述.mp416.67M

| ├──任务84：Input Embedding和Dropout层介绍.mp464.39M

| ├──任务85：LSTM Add层的介绍.mp429.36M

| ├──任务86：如何训练模型.mp465.22M

| ├──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.mp422.80M

| ├──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.mp4114.84M

| ├──任务89：如何调用generate_caption函数.mp432.16M

| ├──任务90：如何评价标题生成模型的性能.mp487.11M

| ├──任务91：读取和显示数字图像.mp436.07M

| ├──任务92：数字图像大小缩放.mp437.43M

| ├──任务93：数字图像直方图均衡.mp435.19M

| ├──任务94：图像去噪声.mp443.73M

| ├──任务95：图像边缘检测.mp447.58M

| ├──任务96：图像关键点检测.mp411.80M

| ├──任务97：道路行车道检测简介.mp417.81M

| ├──任务98：Canny边缘检测.mp431.51M

| ├──任务99：霍夫变换用于直线检测.mp455.84M

| ├──任务100：道路行车道检测代码讲解.mp4132.83M

| ├──任务101：在图像和视频上面演示道路行车道检测.mp470.09M

| ├──任务102：项目介绍.mp425.90M

| ├──任务103：交通指示牌识别的简介.mp428.77M

| ├──任务104：交通指示牌识别课程的编程任务.mp427.62M

| ├──任务105：如何分析数据 (util.py 的详细介绍).mp470.69M

| ├──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.mp489.09M

| ├──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.mp4157.37M

| ├──任务108：色彩空间转换.mp451.97M

| ├──任务109：直方图均衡.mp480.79M

| ├──任务110：图像标准化.mp445.86M

| ├──任务111：使用ImageDataGenerator做图像增强.mp451.56M

| ├──任务112：作业上传的要求.mp416.82M

| ├──任务113：介绍经典交通指示牌卷积神经网络模型.mp428.98M

| ├──任务114：代码实现经典交通指示牌识别卷积神经网络模型.mp469.09M

| ├──任务115：卷积神经网络的数学原理01.mp437.93M

| ├──任务116：卷积神经网络的数学原理02.mp475.59M

| ├──任务117：深度学习调参-直播-01.mp455.85M

| ├──任务118：深度学习调参-直播-02.mp445.72M

| ├──任务119：深度学习调参-直播-03.mp455.89M

| ├──任务120：卷积层的启发.mp416.65M

| ├──任务121：卷积层的定量分析.mp417.36M

| ├──任务122：单通道输入 单通道输出的卷积层的实例.mp412.12M

| ├──任务123：多通道输入 多通道输出的卷积层的实例.mp412.20M

| ├──任务124：池化层的原理 定量分析.mp49.55M

| ├──任务125：卷积神经网络和全连接神经网络的比较.mp423.07M

| ├──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.mp425.73M

| ├──任务127：基于深度学习的图像分类历史回顾.mp411.37M

| ├──任务128：AlexNet的结构分析.mp48.79M

| ├──任务129：ZFNet的结构分析.mp48.22M

| ├──任务130：VGG的结构分析.mp48.56M

| ├──任务131：GoogleNet Inception的结构分析.mp412.15M

| ├──任务132：Inception V3的结构分析.mp443.99M

| ├──任务133：ResNet的结构分析.mp440.61M

| ├──任务134：ResNet的代码实现.mp4154.36M

| ├──任务135：基于内容的图像搜索理论基础.mp429.48M

| ├──任务136：基于去噪自动编码器的图像搜索代码实现.mp4204.10M

| ├──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.mp418.39M

| ├──任务138：项目1-看图说话（助教）讲解和答疑-01.mp4164.40M

| ├──任务139：项目1-看图说话（助教）讲解和答疑-02.mp4203.08M

| ├──任务140：项目介绍.mp415.12M

| ├──任务141：自动驾驶方向盘转动方向预测的背景知识.mp433.53M

| ├──任务142：如何收集训练数据.mp435.80M

| ├──任务143：理解分析训练数据.mp425.79M

| ├──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.mp4181.74M

| ├──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.mp438.80M

| ├──任务146：探索数据01.mp439.54M

| ├──任务147：探索数据02.mp415.24M

| ├──任务148：图像增强01.mp462.88M

| ├──任务149：图像增强02.mp411.50M

| ├──任务150：解决数据不平衡的问题 DataGenerator的应用.mp418.08M

| ├──任务151：网络结构实例.mp48.64M

| ├──任务152： 图像增强部分的代码讲解.mp499.70M

| ├──任务153：DataGenerator部分的代码讲解.mp464.21M

| ├──任务154：网络结构实现部分的代码讲解.mp484.34M

| ├──任务155：方向盘转动方向预测网络模型的性能评估方法.mp49.79M

| ├──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.mp470.10M

| ├──任务157：模拟器自动驾驶的展示.mp475.34M

| ├──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.mp464.24M

| ├──任务159：如何安装Python 连接模拟器的Python 库.mp422.27M

| ├──任务160：windows 下面使用自动驾驶模拟器的教程.mp446.48M

| ├──任务161：mac 下面使用自动驾驶模拟器的教程.mp433.57M

| ├──任务162：目标识别综述.mp437.80M

| ├──任务163：基于HOG(梯度直方图)的目标识别.mp431.42M

| ├──任务164：Non-Max Suppression IoU 和 Hard Negative Mining.mp482.86M

| ├──任务165：R-CNN的工作原理.mp4129.63M

| ├──任务166：R-CNN中的边界框(Bounding Box)预测原理.mp424.21M

| ├──任务167：R-CNN的不足之处.mp44.36M

| ├──任务168：Fast R-CNN详解.mp440.19M

| ├──任务169：Faster R-CNN Region Proposal Network.mp437.28M

| ├──任务170：R-CNN Fast R-CNN Faster R-CNN的总结.mp423.10M

| ├──任务171：目标识别 R-CNN家族的回顾.mp422.49M

| ├──任务172：SSD的简介 SSD与R-CNN的比较.mp433.13M

| ├──任务173：SSD的网络结构.mp4130.73M

| ├──任务174：如何使用卷积作为最后的预测层.mp413.95M

| ├──任务175：SSD的训练过程.mp453.66M

| ├──任务176：SSD的实验结果分析.mp424.19M

| ├──任务177：VGG16到SSD网络的演化 L2Normalization层的实现.mp4131.49M

| ├──任务178：SSD各个技术对失败率的影响 Atrous卷积层的原理.mp413.69M

| ├──任务179：使用卷积作为最后的预测层详解.mp417.52M

| ├──任务180：SSD定位损失函数详解.mp435.50M

| ├──任务181：SSD中Anchor尺寸 宽高比 中心位置的确定.mp410.32M

| ├──任务182：SSD中分类损失函数详解.mp411.67M

| ├──任务183：Non-Max Suppression的原理.mp412.96M

| ├──任务184：SSD和YOLO的比较 SSD的总结.mp412.25M

| ├──任务185：图像分割简介.mp436.64M

| ├──任务186：基于深度学习的图像分割U-Net的原理.mp479.40M

| ├──任务187：Transposed Convolution原理与运用.mp4122.99M

| ├──任务188：U-Net的代码讲解.mp471.25M

| ├──任务189：图像生成的原理.mp410.34M

| ├──任务190：使用深度学习自动图像生成手写数字的代码讲解.mp484.49M

| ├──任务191：图像风格转移的原理.mp438.40M

| ├──任务192：使用深度学习实现图像风格转移的代码讲解.mp452.51M

| ├──任务193：SSD的原理回顾.mp447.70M

| ├──任务194：编程项目的训练数据介绍.mp458.87M

| ├──任务195：对SSD模型对产生Anchor有影响的参数讲解.mp4134.89M

| ├──任务196：对候选框精选处理有影响的参数讲解.mp449.65M

| ├──任务197：对输入模型参数的合法性检测和转换.mp428.37M

| ├──任务198：具有7层的SSD的网络结构讲解.mp4148.05M

| ├──任务199：编译模型, 使用模型做预测.mp4180.74M

| ├──任务200：SSD解码的实现.mp4111.39M

| ├──任务201：帮助函数IoU, 坐标转换, SSD损失函数, Non-Max-Suppression的实现.mp4227.59M

| ├──任务202：二值化神经网络的简介.mp437.16M

| ├──任务203：二值化网络的前向后向传播, 梯度计算原理.mp416.41M

| ├──任务204：二值化网络的训练算法.mp4145.28M

| ├──任务205：二值化网络的实验结果.mp422.64M

| ├──任务206：二值化全连接网络的代码讲解.mp446.64M

| ├──任务207：DropoutNoScale层的实现.mp423.63M

| ├──任务208：BinaryDense层的实现.mp461.65M

| ├──任务209：二值化卷积神经网络的代码讲解.mp448.56M

| ├──任务210：项目作业要求.mp422.61M

| ├──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.mp4207.56M

| ├──任务212：MobileNet, Depthwise Seperable Convolution的原理计算量分析.mp457.23M

| ├──任务213：ShuffleNet, Group Convolution, Channel Shuffle的原理.mp453.60M

| ├──任务214：EffNet, Spatial Seperable Convolution的原理计算量分析和实验效果.mp4167.49M

| ├──任务215：lightweight-network答疑时间.mp420.67M

| ├──任务216：回顾EffNet的原理.mp431.46M

| ├──任务217：EffNet的代码讲解.mp475.86M

| ├──任务218：One-Shot Learning 的意义和工作原理.mp423.90M

| ├──任务219：用于One-Shot Learning 的Siamese 深度神经网络的介绍.mp421.79M

| ├──任务220：Siamese 深度神经网络的实验和结果分析.mp465.26M

| ├──任务221：Transposed Convolution 的应用, 算法回顾, 以及使用矩阵乘法实现.mp434.41M

| ├──任务222：Transposed Convolution 的梯度推导.mp422.22M

| ├──任务223：将卷积核转换为Toeplitz Matrix用于矩阵乘法实现Transposed.mp437.83M

| ├──任务224：同学对课程的效果反馈调查.mp4322.26M

| ├──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.mp472.24M

| ├──任务226：PyTorch 基础教程.mp448.01M

| ├──任务227：Siamese One-Shot learning 知识回顾.mp414.37M

| ├──任务228：使用 PyTorch torchvision 库高效读取数据.mp471.05M

| ├──任务229：使用 PyTorch 定义 Siamese 网络结构.mp449.53M

| ├──任务230：使用 PyTorch 写训练网络的代码.mp487.03M

| ├──任务231：使用 PyTorch 写测试网络的代码.mp482.45M

└──CV计算机视觉训练营

| ├──贪心CV资料

| └──CVSource.zip841.59M