mksz612-PyTorch深度学习开发医学影像端到端判别项目

【课程介绍】
越来越多的科研及企业项目，会把PyTorch作为首选的深度学习框架。它容易上手，功能完善，不管是新入门学习还是上手实战项目，PyTorch都是非常优秀的工具。本课程以实践为目的，把深度学习概念及基础学习贯穿在几个实践项目中，荒川老师将带领你们进入PyTorch深度学习的世界，使用PyTorch将其一一实现。





【课程目录】
第1章 课程导学
3 节｜54分钟
[url=]收起 [/url]

• 视频：
  1-1 课程导学
  
  
  试看
  
  22:49
  
  
• 视频：
  1-2 深度学习如何影响生活
  
  
  试看
  
  13:33
  
  
• 视频：
  1-3 常用深度学习框架
  
  17:38
  
  
  

第2章 课程内容整体规划
4 节｜56分钟
[url=]收起 [/url]

• 视频：
  2-1 环境安装与配置
  
  13:19
  
  
• 视频：
  2-2 使用预训练的ResNet网络给图片分类（一）
  
  16:10
  
  
• 视频：
  2-3 使用预训练的ResNet网络给图片分类（二）
  
  08:45
  
  
• 视频：
  2-4 使用预训练的GAN网络把马变成斑马
  
  17:16
  
  
  

第3章 PyTorch项目热身实践
4 节｜58分钟
[url=]收起 [/url]

• 视频：
  3-1 工业级数据挖掘流程（一）
  
  
  试看
  
  23:59
  
  
• 视频：
  3-2 工业级数据挖掘流程（二）
  
  21:30
  
  
• 视频：
  3-3 课程重难点技能分布
  
  05:15
  
  
• 视频：
  3-4 课程实战项目简介
  
  07:00
  
  
  

第4章 PyTorch基础知识必备-张量
10 节｜126分钟
[url=]收起 [/url]

• 视频：
  4-1 什么是张量
  
  14:07
  
  
• 视频：
  4-2 张量的获取与存储（一）
  
  16:35
  
  
• 视频：
  4-3 张量的获取与存储（二）
  
  15:40
  
  
• 视频：
  4-4 张量的基本操作（一）
  
  08:30
  
  
• 视频：
  4-5 张量的基本操作（二）
  
  16:04
  
  
• 视频：
  4-6 张量中的元素类型
  
  06:56
  
  
• 视频：
  4-7 张量的命名
  
  08:32
  
  
• 视频：
  4-8 把张量传递到GPU中进行运算
  
  06:07
  
  
• 视频：
  4-9 张量的底层实现逻辑（一）
  
  19:42
  
  
• 视频：
  4-10 张量的底层实现逻辑（二）
  
  13:35
  
  
  

第5章 PyTorch如何处理真实数据
8 节｜104分钟
[url=]收起 [/url]

• 视频：
  5-1 普通二维图像的加载（一）
  
  07:51
  
  
• 视频：
  5-2 普通二维图像的加载（二）
  
  12:59
  
  
• 视频：
  5-3 3D图像的加载
  
  12:30
  
  
• 视频：
  5-4 普通表格数据加载
  
  14:53
  
  
• 视频：
  5-5 有时间序列的表格数据加载
  
  16:50
  
  
• 视频：
  5-6 连续值、序列值、分类值的处理
  
  13:45
  
  
• 视频：
  5-7 自然语言文本数据加载
  
  19:45
  
  
• 视频：
  5-8 本章小结
  
  05:04
  
  
  

第6章 神经网络理念解决温度计转换
14 节｜228分钟
[url=]收起 [/url]

• 视频：
  6-1 常规模型训练的过程
  
  11:04
  
  
• 视频：
  6-2 温度计示数转换
  
  11:40
  
  
• 视频：
  6-3 神经网络重要概念-损失
  
  12:40
  
  
• 视频：
  6-4 PyTorch中的广播机制
  
  16:46
  
  
• 视频：
  6-5 神经网络重要概念-梯度
  
  18:11
  
  
• 视频：
  6-6 神经网络重要概念-学习率
  
  19:47
  
  
• 视频：
  6-7 神经网络重要概念-归一化
  
  26:20
  
  
• 视频：
  6-8 使用超参数优化我们的模型效果
  
  11:36
  
  
• 视频：
  6-9 使用PyTorch自动计算梯度
  
  15:56
  
  
• 视频：
  6-10 使用PyTorch提供的优化器
  
  15:32
  
  
• 视频：
  6-11 神经网络重要概念-激活函数
  
  15:50
  
  
• 视频：
  6-12 用PyTorch的nn模块搭建神经网络
  
  15:37
  
  
• 视频：
  6-13 构建批量训练方法
  
  14:53
  
  
• 视频：
  6-14 使用神经网络解决温度计示数转换问题
  
  21:23
  
  
  

第7章 使用神经网络区分小鸟和飞机图像
21 节｜215分钟
[url=]收起 [/url]

• 视频：
  7-1 CIFAR-10数据集介绍
  
  08:04
  
  
• 视频：
  7-2 为数据集实现Dataset类
  
  08:42
  
  
• 视频：
  7-3 为模型准备训练集和验证集
  
  11:00
  
  
• 视频：
  7-4 借助softmax方法给出分类结果
  
  10:57
  
  
• 视频：
  7-5 分类模型常用损失之交叉熵损失
  
  07:38
  
  
• 视频：
  7-6 全连接网络实现图像分类
  
  25:53
  
  
• 视频：
  7-7 对全连接网络的改进之卷积网络
  
  13:49
  
  
• 视频：
  7-8 借助PyTorch搭建卷积网络模型
  
  15:39
  
  
• 视频：
  7-9 卷积中的数据填充方法padding
  
  04:31
  
  
• 视频：
  7-10 使用卷积提取图像中的特定特征
  
  08:00
  
  
• 视频：
  7-11 借助下采样压缩数据
  
  07:53
  
  
• 视频：
  7-12 借助PyTorch搭建卷积网络
  
  10:12
  
  
• 视频：
  7-13 训练我们的分类模型
  
  10:05
  
  
• 视频：
  7-14 训练好的模型如何存储
  
  01:47
  
  
• 视频：
  7-15 该用GPU训练我们的模型
  
  08:59
  
  
• 视频：
  7-16 优化方案之增加模型宽度-width
  
  08:55
  
  
• 视频：
  7-17 优化方案之数据正则化-normalization（一）
  
  13:38
  
  
• 视频：
  7-18 优化方案之数据正则化-normalization（二）
  
  16:55
  
  
• 视频：
  7-19 优化方案之数据正则化-normalization（三）
  
  08:56
  
  
• 视频：
  7-20 优化方案之增加模型深度-depth
  
  06:41
  
  
• 视频：
  7-21 本章小结
  
  06:05
  
  
  

第8章 项目实战一：理解业务与数据
14 节｜170分钟
[url=]收起 [/url]

• 视频：
  8-1 肺部癌症检测的项目简介
  
  13:38
  
  
• 视频：
  8-2 CT数据是什么样子
  
  07:22
  
  
• 视频：
  8-3 制定一个解决方案
  
  08:40
  
  
• 视频：
  8-4 下载项目中的数据集
  
  09:32
  
  
• 视频：
  8-5 原始数据是长什么样子的
  
  08:22
  
  
• 视频：
  8-6 加载标注数据
  
  22:19
  
  
• 视频：
  8-7 加载CT影像数据
  
  07:51
  
  
• 视频：
  8-8 数据坐标系的转换
  
  23:26
  
  
• 视频：
  8-9 编写Dataset方法
  
  12:44
  
  
• 视频：
  8-10 分割训练集和验证集
  
  09:27
  
  
• 视频：
  8-11 CT数据可视化实现（一）
  
  16:43
  
  
• 视频：
  8-12 CT数据可视化实现（二）
  
  15:13
  
  
• 视频：
  8-13 CT数据可视化实现（三）
  
  09:43
  
  
• 视频：
  8-14 本章小结
  
  04:55
  
  
  

第9章 项目实战二：模型训练与优化
26 节｜380分钟
[url=]收起 [/url]

• 视频：
  9-1 第一个模型：结节分类
  
  15:40
  
  
• 视频：
  9-2 定义模型训练框架
  
  18:31
  
  
• 视频：
  9-3 初始化都包含什么内容
  
  09:13
  
  
• 视频：
  9-4 编写数据加载器部分
  
  07:02
  
  
• 视频：
  9-5 实现模型的核心部分
  
  18:27
  
  
• 视频：
  9-6 定义损失计算和训练验证环节（一）
  
  17:31
  
  
• 视频：
  9-7 定义损失计算和训练验证环节（二）
  
  09:20
  
  
• 视频：
  9-8 在日志中保存重要信息
  
  19:56
  
  
• 视频：
  9-9 尝试训练第一个模型
  
  16:50
  
  
• 视频：
  9-10 借助TensorBoard绘制指标曲线
  
  12:30
  
  
• 视频：
  9-11 新的模型评估指标：F1score
  
  17:51
  
  
• 视频：
  9-12 实现F1Score计算逻辑
  
  08:58
  
  
• 视频：
  9-13 数据优化方法
  
  11:36
  
  
• 视频：
  9-14 数据重复采样的代码实现
  
  15:49
  
  
• 视频：
  9-15 数据增强的代码实现
  
  19:37
  
  
• 视频：
  9-16 第二个模型：结节分割
  
  08:53
  
  
• 视频：
  9-17 图像分割的几种类型
  
  07:05
  
  
• 视频：
  9-18 U-Net模型介绍
  
  19:27
  
  
• 视频：
  9-19 为图像分割进行数据预处理
  
  25:01
  
  
• 视频：
  9-20 为图像分割构建Dataset类
  
  26:23
  
  
• 视频：
  9-21 构建训练Dataset和使用GPU进行数据增强
  
  11:16
  
  
• 视频：
  9-22 Adam优化器和Dice损失
  
  11:27
  
  
• 视频：
  9-23 构建训练流程
  
  18:26
  
  
• 视频：
  9-24 模型存储、图像存储代码介绍
  
  05:50
  
  
• 视频：
  9-25 分割模型训练及在TensorBoard中查看结果
  
  11:45
  
  
• 视频：
  9-26 本章小结
  
  15:11
  
  
  

第10章 项目实战三：实现端到端的模型预测
7 节｜150分钟
[url=]收起 [/url]

• 视频：
  10-1 连接分割模型和分类模型
  
  30:05
  
  
• 视频：
  10-2 新的评价指标：AUC-ROC曲线
  
  37:16
  
  
• 视频：
  10-3 使用finetune方法构建肿瘤恶性判断模型
  
  29:08
  
  
• 视频：
  10-4 完整的实现端到端肺部肿瘤检测
  
  17:31
  
  
• 视频：
  10-5 使用合适的框架把模型部署上线（一）
  
  14:46
  
  
• 视频：
  10-6 使用合适的框架把模型部署上线（二）
  
  12:06
  
  
• 视频：
  10-7 本章小结
  
  08:33
  
  
  

第11章 课程总结与面试问题
5 节｜89分钟
[url=]收起 [/url]

• 视频：
  11-1 肿瘤检测系统架构回顾
  
  15:12
  
  
• 视频：
  11-2 课程中的神经网络回顾
  
  13:27
  
  
• 视频：
  11-3 模型优化方法回顾
  
  10:20
  
  
• 视频：
  11-4 面试过程中可能遇到的问题
  
  22:09
  
  
• 视频：
  11-5 持续学习的几个建议
  
  27:48