《人人可復制的自律行動課》&《人人可復制的高效學習課》
《人人可復制的自律行動課》&《人人可復制的高效學習課》
黑馬Python+AI人臉識別Python人工智能
資源簡介：
課程來自于 Python+AI -黑馬- 人臉識別Python人工智能【完結】
計算機視覺是一門涉及計算機科學和人工智能的交叉領域，旨在使計算機能夠模擬和理解人類視覺系統(tǒng)，以分析、理解和處理圖像和視頻數(shù)據(jù)。計算機視覺的目標包括圖像識別、物體檢測、圖像分割、三維重建、人臉識別、人類動作分析等。以下是計算機視覺的一些關鍵概念和任務：
圖像采集和處理： 計算機視覺通常從攝像頭、圖像文件或視頻流中獲取圖像數(shù)據(jù)。然后，對圖像進行預處理，包括去噪聲、調整亮度和對比度、裁剪和縮放等。
特征提?。?特征提取是從圖像中提取有用信息的過程。常見的特征包括邊緣、角點、顏色直方圖、紋理等。這些特征用于圖像識別和分類。
圖像分類： 圖像分類任務涉及將圖像分為不同的類別或標簽。深度學習技術如卷積神經(jīng)網(wǎng)絡（CNN）在圖像分類中取得了巨大成功。
物體檢測： 物體檢測是識別圖像中存在的物體并標出它們的位置的任務。一些常見的檢測算法包括RCNN、YOLO（You Only Look Once）和Faster R-CNN。
圖像分割： 圖像分割任務將圖像中的不同區(qū)域分離開來，通常用于識別和分析圖像中的物體邊界。語義分割可用于像素級別的分類。
人臉識別： 人臉識別是一種特殊的圖像識別任務，用于識別圖像中的人臉，并將其與已知的人臉進行比對。
三維重建： 三維重建任務涉及從圖像或多個圖像中恢復物體的三維結構。這在計算機輔助設計和虛擬現(xiàn)實中有廣泛應用。
人體動作分析： 人體動作分析任務旨在理解圖像或視頻中的人體動作和姿勢。它在體育分析、監(jiān)控和虛擬人物等領域有應用。
深度學習： 深度學習方法，特別是卷積神經(jīng)網(wǎng)絡（CNN）和循環(huán)神經(jīng)網(wǎng)絡（RNN），在計算機視覺中取得了重大突破，使得許多任務變得更加精確和自動化。
應用領域： 計算機視覺的應用領域包括自動駕駛、醫(yī)學圖像分析、農業(yè)、安防監(jiān)控、虛擬現(xiàn)實、增強現(xiàn)實、圖像搜索和識別、機器人技術等。
Python在計算機視覺領域中非常流行，有許多庫和框架可供使用，如OpenCV、PyTorch、TensorFlow、scikit-image等。這些工具可以幫助開發(fā)人員進行圖像處理、特征提取、模型訓練和應用程序開發(fā)，從而實現(xiàn)各種計算機視覺任務。
深度學習
深度學習是機器學習的一個分支，它模仿人腦的神經(jīng)網(wǎng)絡結構來進行數(shù)據(jù)分析和模式識別。深度學習的核心思想是構建深層次的神經(jīng)網(wǎng)絡，以便從大規(guī)模數(shù)據(jù)中學習和提取特征，從而能夠自動地進行數(shù)據(jù)分類、識別和預測。以下是深度學習的一些關鍵概念和應用：
神經(jīng)網(wǎng)絡： 深度學習模型通常由多個神經(jīng)網(wǎng)絡層組成，包括輸入層、隱藏層和輸出層。每個神經(jīng)網(wǎng)絡層包含多個神經(jīng)元，模擬生物神經(jīng)元之間的連接。
深度學習模型： 常見的深度學習模型包括多層感知器（MLP）、卷積神經(jīng)網(wǎng)絡（CNN）、循環(huán)神經(jīng)網(wǎng)絡（RNN）、長短時記憶網(wǎng)絡（LSTM）、自編碼器（Autoencoder）等。這些模型在不同的任務中表現(xiàn)出色，如圖像分類、語音識別、自然語言處理等。
訓練過程： 深度學習模型通過訓練過程來學習數(shù)據(jù)的特征和模式。訓練過程使用優(yōu)化算法來不斷調整模型參數(shù)，使其能夠最小化預測誤差。
反向傳播： 反向傳播是一種用于訓練神經(jīng)網(wǎng)絡的算法，它通過計算損失函數(shù)的梯度來調整模型參數(shù)。這使得模型能夠逐漸提高預測的準確性。
大規(guī)模數(shù)據(jù)： 深度學習通常需要大規(guī)模的數(shù)據(jù)集來進行訓練，以便模型能夠學習到更廣泛的特征和模式?；ヂ?lián)網(wǎng)的普及和大數(shù)據(jù)技術的發(fā)展使得獲取大規(guī)模數(shù)據(jù)變得更容易。
卷積神經(jīng)網(wǎng)絡（CNN）： CNN是一種用于圖像處理和計算機視覺任務的深度學習模型，它通過卷積操作來提取圖像中的特征。
循環(huán)神經(jīng)網(wǎng)絡（RNN）： RNN用于處理序列數(shù)據(jù)，如文本和時間序列。它在自然語言處理、語音識別和機器翻譯等任務中非常有用。
遷移學習： 遷移學習是一種技術，允許將在一個任務上訓練的深度學習模型應用到另一個相關任務上，從而加速模型的訓練。
深度學習框架： 有許多深度學習框架可供使用，如TensorFlow、PyTorch、Keras、Caffe等。這些框架提供了高級API和工具，簡化了深度學習模型的構建和訓練。
應用領域： 深度學習在各個領域都有廣泛的應用，包括計算機視覺、自然語言處理、語音識別、醫(yī)學影像分析、自動駕駛、推薦系統(tǒng)等。
深度學習已經(jīng)取得了在多個領域的顯著成就，例如在圖像分類、AlphaGo等任務上取得了超越人類的表現(xiàn)。它在解決復雜問題、處理大規(guī)模數(shù)據(jù)和自動化決策方面具有潛力，將繼續(xù)在未來的科學研究和應用程序中發(fā)揮重要作用。如果你有興趣學習深度學習，可以使用深度學習框架和在線資源開始學習和實踐。
黑馬Python+AI人臉識別Python人工智能百度網(wǎng)盤文件目錄
1-3 卷積神經(jīng)網(wǎng)絡
1.卷積網(wǎng)絡原理
1.卷積網(wǎng)絡原理
01_卷積來源、數(shù)據(jù)量與感受野的邊緣檢測.mp4
02_卷積網(wǎng)絡結構介紹.mp4
03_默認卷積的運算過程.mp4
04_零填充.mp4
05_過濾器大小與步長.mp4
06_多通道的卷積與多卷積核.mp4
07_卷積總結.mp4
08_池化層.mp4
09_全連接層.mp4
2.經(jīng)典分類結構
2.經(jīng)典分類結構
01_LeNet5的計算過程詳解.mp4
02_常見網(wǎng)絡結構介紹.mp4
03_Inception(1×1卷積介紹）.mp4
04_Inception結構以及改進.mp4
05_GoogleNet了解與卷積網(wǎng)絡學習內容.mp4
3.CNN實戰(zhàn)
3.CNN實戰(zhàn)
01_作業(yè)介紹.mp4
02_作業(yè)講解.mp4
03_遷移學習.mp4
1-7 自然語言處理
1.自然語言處理基礎概念
1.自然語言處理基礎概念
0.NLP介紹.mp4
1.NLP的種類.mp4
2.端對端深度學習模型.mp4
3.詞袋.mp4
4.Seq2Seq.mp4
5.Beam Serch Decoding.mp4
6.Attention.mp4
2.自然語言處理基礎實作-機器學習篇
2.自然語言處理基礎實作-機器學習篇
1.機器學習-NLTK_數(shù)據(jù)讀取.mp4
2.機器學習-NLTK_清理數(shù)據(jù).mp4
3.機器學習-NLTK_大小寫轉換.mp4
4.機器學習-NLTK_去除虛詞.mp4
5.機器學習-NLTK_詞根化.mp4
6.機器學習-NLTK_還原字符串.mp4
7.機器學習-NLTK_稀疏矩陣.mp4
8.機器學習-NLTK_最大過濾.mp4
9.機器學習-NLTK_建立詞袋模型.mp4
3.自然語言處理基礎實作-深度學習篇
3.自然語言處理基礎實作-深度學習篇
10.深度學習-Deep Learning in NLP.mp4
11.深度學習-Deep Learning in NLP_模型優(yōu)化.mp4
12.深度學習-Deep Learning in NLP_模型加速.mp4
4.自然語言處理核心部分
4.自然語言處理核心部分
1.CNN REIVEW.mp4
2.CNN CODE.mp4
3.RNN REVIEW.mp4
4.RNN CODE.mp4
5.LSTM.mp4
6.LSTM_CODE.mp4
7.文本分類.mp4
8.文本分類的方式.mp4
9.文本分類CNN&RNN.mp4
10. 文本分類 CNN 模型使用.mp4
11. 文本分類 RNN 搭建.mp4
5.實戰(zhàn)項目-從無到有打造聊天機器人
5.實戰(zhàn)項目-從無到有打造聊天機器人
0.chatbot.mp4
01.chatbot 搭建計畫.mp4
02.chatbot 環(huán)境搭建下載數(shù)據(jù)集.mp4
03.chatbot 下載數(shù)據(jù)集.mp4
04.chatbot 導入依賴包.mp4
05.ChatBot 讀取數(shù)據(jù).mp4
06.chatbot 創(chuàng)建對話字典.mp4
07. ChatBot 建立對話列表.mp4
08. ChatBot 問答集.mp4
09.ChatBot 數(shù)據(jù)初步清洗.mp4
10. ChatBot 清理問題集&回答集.mp4
11. ChatBot 統(tǒng)計字頻.mp4
12. ChatBot 標記化&去除少數(shù)字.mp4
13. ChatBot 最終標記.mp4
14. ChatBot 逆向字典.mp4
15. ChatBot 添加 EOS 標簽.mp4
16. ChatBot 問答數(shù)列化.mp4
17. ChatBot 長短句.mp4
18. ChatBot input&output.mp4
19. ChatBot 處理輸出.mp4
20. ChatBot 建立RNN 模型.mp4
21. ChatBot 解碼器訓練.mp4
22. ChatBot 解碼器測試.mp4
23. ChatBot 創(chuàng)建解碼RNN.mp4
24. ChatBot Seq2Seq 模型.mp4
25. ChatBot 設置超參數(shù).mp4
26.ChatBot 啟動運算.mp4
27. ChatBot 模型 input.mp4
28. ChatBot 模型輸入序列長度.mp4
29. ChatBot 設置輸入的數(shù)據(jù)形狀.mp4
30. ChatBot訓練 & 測試結果.mp4
31. ChatBot 損失，優(yōu)化，梯度消減.mp4
32. ChatBot 問答等長處理.mp4
33. ChatBot 問答數(shù)據(jù)批量.mp4
34. ChatBot 數(shù)據(jù)分割.mp4
35. ChatBot 訓練.mp4
36. ChatBot 訓練2.mp4
37. ChatBot 測試.mp4
38. ChatBot 輸入修飾.mp4
39. ChatBot 開始聊天.mp4
1-1 深度學習基礎
1.深度學習介紹
1.深度學習介紹
01_深度學習課程介紹.mp4
02_深度學習介紹.mp4
03_深度學習介紹2.mp4
2.神經(jīng)網(wǎng)絡基礎
2.神經(jīng)網(wǎng)絡基礎
01_邏輯回歸介紹.mp4
02_邏輯回歸損失函數(shù).mp4
03_梯度下降算法過程以及公式.mp4
04_導數(shù)意義介紹.mp4
05_a^2函數(shù)的導數(shù)介紹.mp4
06_導數(shù)計算圖與鏈式法則.mp4
07_邏輯回歸的導數(shù)計算圖分析以及參數(shù)導數(shù).mp4
08_向量化編程介紹引入.mp4
09_向量化編程的優(yōu)勢.mp4
10_向量化實現(xiàn)邏輯回歸的梯度計算更新.mp4
11_正向傳播與反向傳播、作業(yè)介紹.mp4
12_作業(yè)講解題1：實現(xiàn)sigmoid函數(shù)與梯度實.mp4
13_作業(yè)講解題2：單神經(jīng)元神經(jīng)網(wǎng)絡(logistic)分類作業(yè)流程介紹.mp4
14_作業(yè)講解題2：參數(shù)初始化與前向傳播、反向傳播.mp4
15_作業(yè)講解題2：優(yōu)化迭代實現(xiàn)、model邏輯實現(xiàn).mp4
16_總結.mp4
3.淺層神經(jīng)網(wǎng)絡
3.淺層神經(jīng)網(wǎng)絡
00.淺層神經(jīng)網(wǎng)絡.mp4
01_淺層神經(jīng)網(wǎng)絡表示.mp4
02_淺層神經(jīng)網(wǎng)絡的前向傳播.mp4
03_激活函數(shù)的選擇.mp4
04_淺層神經(jīng)網(wǎng)絡的反向傳播.mp4
05_作業(yè)介紹.mp4
06_作業(yè)實現(xiàn)：初始化模型與前向傳播.mp4
07_作業(yè)實現(xiàn)：反向傳播與更新梯度.mp4
08_作業(yè)實現(xiàn)：網(wǎng)絡模型邏輯實現(xiàn).mp4
09_總結.mp4
4.深層神經(jīng)網(wǎng)絡
4.深層神經(jīng)網(wǎng)絡
01_深層神經(jīng)網(wǎng)絡表示.mp4
02_深層神經(jīng)網(wǎng)絡的反向傳播過程.mp4
03_參數(shù)初始化與超參數(shù)介紹.mp4
1-9 圖片商品物體檢測項目第二階段-數(shù)據(jù)集制作與處理
1.數(shù)據(jù)集標記
1.數(shù)據(jù)集標記
01_目標檢測數(shù)據(jù)集介紹.mp4
02_商品數(shù)據(jù)集標記.mp4
2.數(shù)據(jù)集格式轉換
2.數(shù)據(jù)集格式轉換
01_數(shù)據(jù)集格式轉換介紹.mp4
02_格式轉換：代碼介紹.mp4
03_格式轉換：文件讀取以及存儲邏輯.mp4
04_格式轉換：圖片數(shù)據(jù)以及XML讀取.mp4
05_格式轉換：example封裝、總結.mp4
3.TFRecords讀取
3.TFRecords讀取
01_slim庫介紹.mp4
02_TFRecord讀?。篋ataset準備.mp4
03_TFRecord讀?。簆rovider讀取.mp4
04_第二階段總結.mp4
1-4 循環(huán)神經(jīng)網(wǎng)絡
1.循環(huán)神經(jīng)網(wǎng)絡
1.循環(huán)神經(jīng)網(wǎng)絡
01_循環(huán)神經(jīng)網(wǎng)絡背景介紹.mp4
02_循環(huán)神經(jīng)網(wǎng)絡結構原理.mp4
03_詞的表示與矩陣形狀運算.mp4
04_交叉熵損失計算.mp4
05_時間反向傳播算法.mp4
06_梯度消失、案例介紹.mp4
07_手寫RNN案例：單個cell前向傳播.mp4
08_手寫RNN案例：所有cell的前向傳播.mp4
09_手寫RNN案例：單個cell的反向傳播.mp4
10_手寫RNN案例：所有cell的反向傳播.mp4
11_案例總結.mp4
12_GRU與LSTM介紹.mp4
2.詞嵌入
2.詞嵌入
01_詞嵌入介紹.mp4
02_詞嵌入案例.mp4
3.seq2seq與Attention機制
3.seq2seq與Attention機制
01_seq2seq介紹與理解.mp4
02_seq2seq機器翻譯等場景介紹分析.mp4
03_Attention原理分析.mp4
04_機器翻譯案例：日期格式翻譯轉換、代碼結構介紹.mp4
05_機器翻譯案例：模型參數(shù)定義.mp4
06_機器翻譯案例：數(shù)據(jù)獲取以及數(shù)據(jù)格式轉換介紹.mp4
07_機器翻譯案例：訓練邏輯與網(wǎng)絡結構介紹.mp4
08_機器翻譯案例：網(wǎng)絡輸入輸出邏輯介紹.mp4
09_機器翻譯案例：網(wǎng)絡輸入輸出邏輯編寫.mp4
10_機器翻譯案例：自定義網(wǎng)絡seq2seq的編解碼器定義.mp4
11_機器翻譯案例：seq2seq的輸出層定義.mp4
12_機器翻譯案例：attention結構定義.mp4
13_機器翻譯案例：model中計算attention輸出c邏輯函數(shù)實現(xiàn).mp4
14_機器翻譯案例：訓練邏輯編寫.mp4
15_機器翻譯案例：訓練結果與問題解決.mp4
16_機器翻譯案例：測試邏輯結果演示.mp4
17_集束搜索介紹.mp4
1-8 圖片商品物體檢測項目第一階段-檢測算法原理
1.目標檢測概述
1.目標檢測概述
01_課程要求以及目標.mp4
02_項目演示結果.mp4
03_項目結構以及課程安排.mp4
04_圖像識別背景.mp4
05_目標檢測的定義和技術歷史.mp4
06_目標檢測應用場景.mp4
07_目標檢測算法原理鋪墊.mp4
08_目標檢測任務描述.mp4
2.RCNN原理
2.RCNN原理
01_Overfeat模型.mp4
02_RCNN：步驟流程介紹.mp4
03_RCNN：候選區(qū)域以及特征提取.mp4
04_RCNN：SVM分類器.mp4
05_RCNN：非極大抑制（NMS）.mp4
06_RCNN：候選區(qū)域修正.mp4
07_RCNN：訓練過程與測試過程介紹.mp4
08_RCNN：總結、優(yōu)缺點與問題自測.mp4
3.SPPNet原理
3.SPPNet原理
01_SPPNet：與RCNN的區(qū)別、網(wǎng)絡流程.mp4
02_SPPNet：映射.mp4
03_SPPNet：SPP層的作用.mp4
04_SPPNet：總結、優(yōu)缺點與問題自測.mp4
4.FastRCNN原理
4.FastRCNN原理
01_FastRCNN：改進之處以及網(wǎng)絡流程.mp4
02_FastRCNN：RoI pooling結構以及SPP對比.mp4
03_FastRCNN：多任務損失.mp4
04_FastRCNN：總結與問題自測.mp4
5.FasterRCNN原理
5.FasterRCNN原理
01_FasterRCNN：網(wǎng)絡結構與步驟.mp4
02_FasterRCNN：RPN網(wǎng)絡的原理.mp4
03_FasterRCNN：總結與問題自測.mp4
6.YOLO原理
6.YOLO原理
01_YOLO：算法特點與流程介紹.mp4
02_YOLO：單元格原理過程.mp4
03_YOLO：訓練過程樣本標記.mp4
04_YOLO：總結.mp4
7.SSD原理
7.SSD原理
01_SSD：網(wǎng)絡結構與Detected結構.mp4
02_SSD：localization與confidence.mp4
03_SSD：訓練與測試流程總結.mp4
04_TensorflowSSD接口介紹.mp4
05_第一階段算法總結.mp4
1-6 百度人臉識別
1.平臺介紹
1.平臺介紹
0_課程組成和目標.mp4
1_3_百度深度學習平臺_介紹.mp4
1_6_人工智能平臺_服務開通.mp4
1_4_百度深度學習平臺_創(chuàng)建集群.mp4
1_1_訪問入口.mp4
1_2_機器學習平臺_介紹.mp4
1_7_人工智能平臺_訪問方式和SDK安裝.mp4
1_5_百度人工智能平臺_功能介紹.mp4
2.圖像技術之人臉識別
2.圖像技術之人臉識別
2_1_7_人臉檢測_邊框.mp4
2_1_1_人臉識別功能介紹_開通應用.mp4
2_1_9_人臉檢測_SDK方式.mp4
2_1_8_人臉檢測_性別年齡總結.mp4
2_1_3_人臉檢測_步驟和代碼瀏覽.mp4
2_1_6_人臉檢測_圖像坐標.mp4
2_1_4_人臉檢測_獲取access_token.mp4
2_1_5_人臉檢測_調用API.mp4
2_1_2人臉識別_API.mp4
3.圖像技術之圖像識別
3.圖像技術之圖像識別
2_2_10_定制化圖像識別_物體檢測_流程.mp4
2_2_6_定制化圖像識別_圖像分類_操作.mp4
2_2_8_定制化圖像識別_圖像分類_代碼實現(xiàn).mp4
2_2_2_圖像識別_物體檢測API_實例.mp4
2_2_9_定制化圖像識別_圖像分類_迭代和常見問題.mp4
2_2_4_圖像檢測_車輛檢測.mp4
2_2_11_定制化圖像識別_物體檢測API_錯誤碼.mp4
2_2_3_圖像檢測識別_菜品識別.mp4
2_2_7_定制化圖像識別_圖像分類_關聯(lián)和調用流程.mp4
2_2_5_定制化圖像識別_特點和功能.mp4
2_2_5_定制化圖像識別_圖像分類_步驟.mp4
2_2_1_圖像識別功能_應用創(chuàng)建.mp4
4.圖像技術之文字識別
4.圖像技術之文字識別
2_3_1_功能介紹_創(chuàng)建應用.mp4
2_3_5_通用票據(jù)識別.mp4
2_3_2_通用文字識別_代碼.mp4
2_3_4_車牌識別.mp4
2_3_10_分類器代碼.mp4
2_3_3_通用文字識別_其他版本函數(shù).mp4
2_3_9_創(chuàng)建分類器.mp4
2_3_8_自定義模板_API和代碼.mp4
2_3_7_自定義模板_實際創(chuàng)建.mp4
2_3_6_自定義模板_步驟.mp4
5.語音技術
5.語音技術
3_1_3_語音識別案例_案例.mp4
3_2_1語音合成.mp4
3_1_2_語音識別案例_代碼瀏覽.mp4
3_1_1_語音識別_介紹和API.mp4
6.自然語言處理
6.自然語言處理
4_1_1_自然語言處理基礎技術.mp4
7.人臉識別打卡案例
7.人臉識別打卡案例
5_1_6_案例_主程序2.mp4
5_1_2_案例_人臉搜索代碼瀏覽.mp4
5_1_1_案例_前端部分介紹.mp4
5_1_4_案例_添加用戶_人臉搜索.mp4
5_1_0_人臉打卡案例_介紹.mp4
5_1_5_案例_主程序1.mp4
5_1_3_案例_獲取token.mp4
1-2 深度學習優(yōu)化進階
1.多分類
1.多分類
01_深度學習緊接、多分類介紹.mp4
02_交叉熵損失原理.mp4
03_案例：Mnist手寫數(shù)字數(shù)據(jù)介紹.mp4
04_案例：網(wǎng)絡結構、流程、代碼介紹.mp4
05_案例：主網(wǎng)絡結構搭建實現(xiàn).mp4
06_案例：添加準確率.mp4
07_案例：Tensorboard觀察顯示.mp4
08_案例：添加模型保存、預測.mp4
09_調整學習率帶來的問題.mp4
2.梯度下降算法優(yōu)化
2.梯度下降算法優(yōu)化
01_深度學習遇到問題、為什么需要優(yōu)化算法.mp4
02_Mini梯度下降與Batch梯度下降.mp4
03_指數(shù)加權平均.mp4
04_動量梯度下降原理公式理解.mp4
05_RMSProp與Adam原理與學習率遞減.mp4
06_標準化輸入帶來的優(yōu)化.mp4
07_作業(yè)介紹.mp4
08_作業(yè)講解1.mp4
09_作業(yè)講解2.mp4
3.深度學習正則化
3.深度學習正則化
01_深度學習偏差與方差介紹為、什么需要正則化.mp4
02_正則化概念、L2正則化與L1正則化.mp4
03_Droupout過程與原理理解.mp4
04_其它正則化方法-早停止法與數(shù)據(jù)增強.mp4
05_正則化作業(yè)介紹.mp4
06_作業(yè)講解1.mp4
07_作業(yè)講解2.mp4
4.神經(jīng)網(wǎng)絡調參與BN
4.神經(jīng)網(wǎng)絡調參與BN
01_神經(jīng)網(wǎng)絡調參數(shù)技巧與如何設置參數(shù)、如何運行.mp4
02_批標準化定義、公式、為什么有效.mp4
1-5 高級主題
1.生產對抗網(wǎng)絡
1.生產對抗網(wǎng)絡
01_高級主題介紹、GAN介紹.mp4
02_GAN原理、損失和DCGAN結構.mp4
03_生成數(shù)字圖片案例：結果演示流程介紹.mp4
04_生成數(shù)字圖片案例：模型初始化代碼編寫.mp4
05_生成數(shù)字圖片案例：訓練流程.mp4
06_生成數(shù)字圖片案例：運行保存圖片并對比.mp4
2.自動編碼器
2.自動編碼器
01_自動編碼器介紹.mp4
02_案例：編碼器類別、普通自編碼器流程、模型初始化邏輯.mp4
03_案例：訓練普通自編碼器.mp4
04_案例：深度自編碼器編寫演示.mp4
05_案例：卷積自編碼器編寫演示.mp4
06_案例：降噪編碼器介紹.mp4
07_案例：降噪編碼器案例.mp4
3.CapsuleNet
3.CapsuleNet
01_CapsuleNet了解.mp4
02_深度學習課程總結.mp4
1-10 圖片商品物體檢測項目第三階段-項目實現(xiàn)與部署
1.項目架構
1.項目架構
01_項目架構設計.mp4
02_訓練與測試整體結構設計.mp4
2.數(shù)據(jù)接口實現(xiàn)
2.數(shù)據(jù)接口實現(xiàn)
01_數(shù)據(jù)接口：商品格式轉換實現(xiàn).mp4
02_數(shù)據(jù)接口：讀取數(shù)據(jù)接口設計以及基類如何定義.mp4
03_數(shù)據(jù)接口：商品數(shù)據(jù)讀取子類實現(xiàn).mp4
04_數(shù)據(jù)接口：數(shù)據(jù)讀取工廠邏輯實現(xiàn).mp4
05_數(shù)據(jù)接口：代碼運行與數(shù)據(jù)模塊總結.mp4
3.模型接口實現(xiàn)
3.模型接口實現(xiàn)
01_模型接口：接口設置以及模型工廠代碼.mp4
4.預處理接口實現(xiàn)
4.預處理接口實現(xiàn)
01_預處理接口：預處理需求介紹、數(shù)據(jù)增強介紹.mp4
02_預處理接口：預處理工廠代碼.mp4
03_預處理接口：預處理工廠代碼參數(shù)錯誤調整.mp4
04_數(shù)據(jù)接口、模型接口、預處理接口參數(shù)總結.mp4
5.訓練過程實現(xiàn)
5.訓練過程實現(xiàn)
01_訓練：訓練步驟與設備部署介紹.mp4
02_訓練：model_deploy介紹.mp4
03_訓練：訓練運行結果顯示與初始配置確定.mp4
04_訓練：1設備配置代碼以及全局步數(shù)定義.mp4
05_訓練：2圖片數(shù)據(jù)讀取與處理邏輯介紹.mp4
06_訓練：2數(shù)據(jù)模塊與網(wǎng)絡模型獲取結果.mp4
07_訓練：2網(wǎng)絡參數(shù)修改、provider獲取數(shù)據(jù)、預處理.mp4
08_訓練：2NHWC和NCHW介紹.mp4
09_訓練：2對anchors進行正負樣本標記.mp4
10_訓練：2批處理獲取以及數(shù)據(jù)形狀變換.mp4
11_訓練：2隊列設置.mp4
12_訓練：3復制模型、添加參數(shù)觀察與4添加學習率和優(yōu)化器.mp4
13_訓練：5總損失計算與變量平均梯度計算6訓練配置.mp4
14_訓練：訓練流程總結.mp4
6.測試過程實現(xiàn)
6.測試過程實現(xiàn)
01_測試：測試流程介紹、代碼.mp4
02_測試：圖片輸入、結果標記代碼.mp4
7.模型部署介紹
7.模型部署介紹
01_web服務與模型部署流程關系介紹.mp4
02_本地TensorFlow Serving演示以及邏輯介紹.mp4
8.導出模型
8.導出模型
01_模型導出：模型輸入輸出定義.mp4
02_模型導出：Savedmodel導出模型.mp4
9.打開模型服務
9.打開模型服務
01_開啟模型服務.mp4
10.TFServing客戶端
10.TFServing客戶端
01_Tensorflow serving client邏輯.mp4
02_Client：用戶輸入圖片處理.mp4
03_Client：grpc與serving apis介紹.mp4
04_Client：客戶端建立連接獲取結果代碼.mp4
05_Client：結果解析.mp4
06_Client：結果標記返回.mp4
11.服務器部署
01_服務器部署：服務器部署的代碼文件需求、服務開啟.mp4
02_項目總結.mp4
黑馬Python+AI人臉識別Python人工智能百度網(wǎng)盤
王松傲寒fcpx剪輯
王松傲寒fcpx剪輯
黑馬Python+AI人臉識別Python人工智能
