贪心学院计算机视觉CV训练营
贪心学院计算机视觉CV训练营
| 任务 | Notes | 其他 |
|---|---|---|
| 任务1：机器学习、深度学习简介 | Note1 | |
| 任务2：深度学习的发展历史 | Note2 | |
| 任务3：现代深度学习的典型例子 | Note3 | |
| 任务4：深度学习在计算机视觉中的应用 | Note4 | |
| 任务5：深度学习的总结 | Note5 | |
| 任务6：开发环境的配置 | Note6 | |
| 任务7：GPU驱动程序安装 | Note7 | |
| 任务8：CUDA的安装 | Note8 | |
| 任务9：cuDNN的安装 | Note9 | |
| 任务10：问答环节 | Note10 | |
| 任务11：环境安装 | Note11 | |
| 任务12：二元分类问题 | Note12 | |
| 任务13：逻辑函数 | Note13 | |
| 任务14：指数与对数、逻辑回归 | Note14 | |
| 任务15：示例 | Note15 | |
| 任务16：损失函数 | Note16 | |
| 任务17：损失函数推演 | Note17 | |
| 任务18：梯度下降法 | Note18 | |
| 任务19：应用 | Note19 | |
| 任务20：直播答疑 | Note20 | |
| 任务21：自动驾驶方向盘预测论文分析 | Note21 | |
| 任务22：使用PyCharm Keras建立深度网络模型 | Note22 | |
| 任务23：数据预处理 数据增强 | Note23 | |
| 任务24：建立BatchGenerator高效读取数据 | Note24 | |
| 任务25：训练网络 保存训练的中间过程数据 | Note25 | |
| 任务26：查看网络训练过程 判断网络是否过拟合 欠拟合 |
Note26 | |
| 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 |
Note27 | |
| 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 |
Note28 | |
| 任务29：使用Keras创建一个用于鸢尾花分类识别的神经网络 | Note29 | |
| 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 |
Note30 | |
| 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 |
Note31 | |
| 任务32：神经网络数学原理（2）： 神经网络的前馈（Feed Forward）算法 |
Note32 | |
| 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 |
Note33 | |
| 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 |
Note34 | |
| 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 |
Note35 | |
| 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） |
Note36 | |
| 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 |
Note37 | |
| 任务38：Neural.Network.Loss-直播01 | Note38 | |
| 任务39：Neural.Network.Loss-直播02 | Note39 | |
| 任务40：Neural.Network.Loss-直播03 | Note40 | |
| 任务41：梯度消亡 | Note41 | |
| 任务42：梯度消亡问题分析 | Note42 | |
| 任务43：梯度消亡解决方案 | Note43 | |
| 任务44：过拟合 | Note44 | |
| 任务45：DropOut训练 | Note45 | |
| 任务46：正则化 | Note46 | |
| 任务47：最大范数约束 神经元的初始化 | Note47 | |
| 任务48：作业讲解与答疑-01 | Note48 | |
| 任务49：作业讲解与答疑-02 | Note49 | |
| 任务50：为什么需要递归神经网络? | Note50 | |
| 任务51：递归神经网络介绍 | Note51 | |
| 任务52：语言模型 | Note52 | |
| 任务53：RNN的深度 | Note53 | |
| 任务54：梯度爆炸和梯度消失 | Note54 | |
| 任务55：Gradient Clipping | Note55 | |
| 任务56：LSTM的介绍 | Note56 | |
| 任务57：LSTM的应用 | Note57 | |
| 任务58：Bi-Directional LTSM | Note58 | |
| 任务59：Gated Recurrent Unit | Note59 | |
| 任务60：机器翻译 | Note60 | |
| 任务61：Multimodal Learning | Note61 | |
| 任务62：Seq2Seq模型 | Note62 | |
| 任务63：回顾RNN与LSTM | Note63 | |
| 任务64：Attention for Image Captioning | Note64 | |
| 任务65：Attention for Machine Translation | Note65 | |
| 任务66：Self-Attention | Note66 | |
| 任务67：Attention总结 | Note67 | |
| 任务68：neural network optimizer直播-01 | Note68 | |
| 任务69：neural network optimizer直播-02 | Note69 | |
| 任务70：neural network optimizer直播-03 | Note70 | |
| 任务71：项目介绍 | Note71 | |
| 任务72：看图说话任务一-01 | Note72 | |
| 任务73：看图说话任务一-02 | Note73 | |
| 任务74：看图说话任务一-03 | Note74 | |
| 任务75：任务介绍 | Note75 | |
| 任务76：如何实现 load_img_as_np_array 这个函数 | Note76 | |
| 任务77：如何实现“load_vgg16_model”函数 | Note77 | |
| 任务78：如何实现“extract_features”函数 | Note78 | |
| 任务79：创建Tokenizer 01 | Note79 | |
| 任务80：创建Tokenizer02 | Note80 | |
| 任务81：产生模型需要的输入数据01 | Note81 | |
| 任务82：产生模型需要的输入数据02 | Note82 | |
| 任务83：任务的概述 | Note83 | |
| 任务84：Input Embedding和Dropout层介绍 | Note84 | |
| 任务85：LSTM Add层的介绍 | Note85 | |
| 任务86：如何训练模型 | Note86 | |
| 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 |
Note87 | |
| 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 | Note88 | |
| 任务89：如何调用generate_caption函数 | Note89 | |
| 任务90：如何评价标题生成模型的性能 | Note90 | |
| 任务91：读取和显示数字图像 | Note91 | |
| 任务92：数字图像大小缩放 | Note92 | |
| 任务93：数字图像直方图均衡 | Note93 | |
| 任务94：图像去噪声 | Note94 | |
| 任务95：图像边缘检测 | Note95 | |
| 任务96：图像关键点检测 | Note96 | |
| 任务97：道路行车道检测简介 | Note97 | |
| 任务98：Canny边缘检测 | Note98 | |
| 任务99：霍夫变换用于直线检测 | Note99 | |
| 任务100：道路行车道检测代码讲解 | Note100 | |
| 任务101：在图像和视频上面演示道路行车道检测 | Note101 | |
| 任务102：项目介绍 | Note102 | |
| 任务103：交通指示牌识别的简介 | Note103 | |
| 任务104：交通指示牌识别课程的编程任务 | Note104 | |
| 任务105：如何分析数据 (util.py 的详细介绍) | Note105 | |
| 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 |
Note106 | |
| 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 |
Note107 | |
| 任务108：色彩空间转换 | Note108 | |
| 任务109：直方图均衡 | Note109 | |
| 任务110：图像标准化 | Note110 | |
| 任务111：使用ImageDataGenerator做图像增强 | Note111 | |
| 任务112：作业上传的要求 | Note112 | |
| 任务113：介绍经典交通指示牌卷积神经网络模型 | Note113 | |
| 任务114：代码实现经典交通指示牌识别卷积神经网络模型 | Note114 | |
| 任务115：卷积神经网络的数学原理01 | Note115 | |
| 任务116：卷积神经网络的数学原理02 | Note116 | |
| 任务117：深度学习调参-直播-01 | Note117 | |
| 任务118：深度学习调参-直播-02 | Note118 | |
| 任务119：深度学习调参-直播-03 | Note119 | |
| 任务120：卷积层的启发 | Note120 | |
| 任务121：卷积层的定量分析 | Note121 | |
| 任务122：单通道输入 单通道输出的卷积层的实例 | Note122 | |
| 任务123：多通道输入 多通道输出的卷积层的实例 | Note123 | |
| 任务124：池化层的原理 定量分析 | Note124 | |
| 任务125：卷积神经网络和全连接神经网络的比较 | Note125 | |
| 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 | Note126 | |
| 任务127：基于深度学习的图像分类历史回顾 | Note127 | |
| 任务128：AlexNet的结构分析 | Note128 | |
| 任务129：ZFNet的结构分析 | Note129 | |
| 任务130：VGG的结构分析 | Note130 | |
| 任务131：GoogleNet Inception的结构分析 | Note131 | |
| 任务132：Inception V3的结构分析 | Note132 | |
| 任务133：ResNet的结构分析 | Note133 | |
| 任务134：ResNet的代码实现 | Note134 | |
| 任务135：基于内容的图像搜索理论基础 | Note135 | |
| 任务136：基于去噪自动编码器的图像搜索代码实现 | Note136 | |
| 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 |
Note137 | |
| 任务138：项目1-看图说话（助教）讲解和答疑-01 | Note138 | |
| 任务139：项目1-看图说话（助教）讲解和答疑-02 | Note139 | |
| 任务140：项目介绍www.rejoiceblog.com | Note140 | |
| 任务141：自动驾驶方向盘转动方向预测的背景知识 | Note141 | |
| 任务142：如何收集训练数据 | Note142 | |
| 任务143：理解分析训练数据 | Note143 | |
| 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 | Note144 | |
| 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 | Note145 | |
| 任务146：探索数据01 | Note146 | |
| 任务147：探索数据02 | Note147 | |
| 任务148：图像增强01 | Note148 | |
| 任务149：图像增强02 | Note149 | |
| 任务150：解决数据不平衡的问题 DataGenerator的应用 | Note150 | |
| 任务151：网络结构实例 | Note151 | |
| 任务152： 图像增强部分的代码讲解 | Note152 | |
| 任务153：DataGenerator部分的代码讲解 | Note153 | |
| 任务154：网络结构实现部分的代码讲解 | Note154 | |
| 任务155：方向盘转动方向预测网络模型的性能评估方法 | Note155 | |
| 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 | Note156 | |
| 任务157：模拟器自动驾驶的展示 | Note157 | |
| 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 | Note158 | |
| 任务159：如何安装Python连接模拟器的Python 库 | Note159 | |
| 任务160：windows 下面使用自动驾驶模拟器的教程 | Note160 | |
| 任务161：mac 下面使用自动驾驶模拟器的教程 | Note161 | |
| 任务162：目标识别综述 | Note162 | |
| 任务163：基于HOG(梯度直方图)的目标识别 | Note163 | |
| 任务164：Non-Max Suppression IoU 和 Hard Negative Mining | Note164 | |
| 任务165：R-CNN的工作原理 | Note165 | |
| 任务166：R-CNN中的边界框(Bounding Box)预测原理 | Note166 | |
| 任务167：R-CNN的不足之处 | Note167 | |
| 任务168：Fast R-CNN详解 | Note168 | |
| 任务169：Faster R-CNN Region Proposal Network | Note169 | |
| 任务170：R-CNN Fast R-CNN Faster R-CNN的总结 | Note170 | |
| 任务171：目标识别 R-CNN家族的回顾 | Note171 | |
| 任务172：SSD的简介 SSD与R-CNN的比较 | Note172 | |
| 任务173：SSD的网络结构(1) | Note173 | |
| 任务174：如何使用卷积作为最后的预测层 | Note174 | |
| 任务175：SSD的训练过程 | Note175 | |
| 任务176：SSD的实验结果分析 | Note176 | |
| 任务177：VGG16到SSD网络的演化 L2Normalization层的实现 | Note177 | |
| 任务178：SSD各个技术对失败率的影响 Atrous卷积层的原理 | Note178 | |
| 任务179：使用卷积作为最后的预测层详解 | Note179 | |
| 任务180：SSD定位损失函数详解 | Note180 | |
| 任务181：SSD中Anchor尺寸 宽高比 中心位置的确定 | Note181 | |
| 任务182：SSD中分类损失函数详解 | Note182 | |
| 任务183：Non-Max Suppression的原理 | Note183 | |
| 任务184：SSD和YOLO的比较 SSD的总结 | Note184 | |
| 任务185：图像分割简介 | Note185 | |
| 任务186：基于深度学习的图像分割U-Net的原理 | Note186 | |
| 任务187：Transposed Convolution原理与运用 | Note187 | |
| 任务188：U-Net的代码讲解 | Note188 | |
| 任务189：图像生成的原理 | Note189 | |
| 任务190：使用深度学习自动图像生成手写数字的代码讲解 | Note190 | |
| 任务191：图像风格转移的原理 | Note191 | |
| 任务192：使用深度学习实现图像风格转移的代码讲解 | Note192 | |
| 任务193：SSD的原理回顾 | Note193 | |
| 任务194：编程项目的训练数据介绍 | Note194 | |
| 任务195：对SSD模型对产生Anchor有影响的参数讲解 | Note195 | |
| 任务196：对候选框精选处理有影响的参数讲解 | Note196 | |
| 任务197：对输入模型参数的合法性检测和转换 | Note197 | |
| 任务198：具有7层的SSD的网络结构讲解 | Note198 | |
| 任务199：编译模型 使用模型做预测 | Note199 | |
| 任务200：SSD解码的实现 | Note200 | |
| 任务201：帮助函数IoU 坐标转换 SSD损失函数 Non-Max-Suppression的实现 |
Note201 | |
| 任务202：二值化神经网络的简介 | Note202 | |
| 任务203：二值化网络的前向后向传播 梯度计算原理www.rejoiceblog.com | Note203 | |
| 任务204：二值化网络的训练算法 | Note204 | |
| 任务205：二值化网络的实验结果 | Note205 | |
| 任务206：二值化全连接网络的代码讲解 | Note206 | |
| 任务207：DropoutNoScale层的实现 | Note207 | |
| 任务208：BinaryDense层的实现 | Note208 | |
| 任务209：二值化卷积神经网络的代码讲解 | Note209 | |
| 任务210：项目作业要求 | Note210 | |
| 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 | Note211 | |
| 任务212：MobileNet Depthwise Seperable Convolution的原理计算量分析 | Note212 | |
| 任务213：ShuffleNet Group Convolution Channel Shuffle的原理 | Note213 | |
| 任务214：EffNet Spatial Seperable Convolution的原理计算量分析和实验效果 | Note214 | |
| 任务215：lightweight-network答疑时间 | Note215 | |
| 任务216：回顾EffNet的原理 | Note216 | |
| 任务217：EffNet的代码讲解 | Note217 | |
| 任务218：One-Shot Learning 的意义和工作原理 | Note218 | |
| 任务219：用于One-Shot Learning 的Siamese 深度神经网络的介绍 | Note219 | |
| 任务220：Siamese 深度神经网络的实验和结果分析 | Note220 | |
| 任务221：Transposed Convolution 的应用 算法回顾 以及使用矩阵乘法实现 | Note221 | |
| 任务222：Transposed Convolution 的梯度推导 | Note222 | |
| 任务223：将卷积核转换为Toeplitz Matrix用于矩阵乘法实现Transposed | Note223 | |
| 任务224：同学对课程的效果反馈调查 | Note224 | |
| 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 | Note225 | |
| 任务226：PyTorch 基础教程 | Note226 | |
| 任务227：Siamese One-Shot learning 知识回顾 | Note227 | |
| 任务228：使用 PyTorch torchvision 库高效读取数据 | Note228 | |
| 任务229：使用 PyTorch 定义 Siamese 网络结构 | Note229 | |
| 任务230：使用 PyTorch 写训练网络的代码 | Note230 | |
| 任务231：使用 PyTorch 写测试网络的代码 | Note231 | |