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