PyTorch深度学习开发医学影像端到端判别项目完结无密

PyTorch深度学习开发医学影像端到端判别项目
构建深度学习模型，综合应用完整企业级项目

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。

你将学会：

1. 深度学习基本概念
4. 实用的模型优化技巧
2. PyTorch的多种基础操作
5. 多种模型评估方法
3. 数据挖掘实战思维
6. 企业级的深度学习项目

适合人群
需要用深度学习进行研究的学生
要借助深度学习解决问题的工程师
想转行算法方向的研发人员
技术储备
python代码基础
高等数学知识/线性代数
环境参数
Python 3.7
PyTorch CUDA 11.3
TensorBoard 及Flask

章节目录：

第1章 课程导学 3 节｜54分钟

• 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

• 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

• 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

• 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

• 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

• 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

• 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

• 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

• 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

• 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

• 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