PyTorch深度学习开发医学影像端到端判别

PyTorch是一个深度学习框架，它提供了各种工具和功能来构建、训练和部署深度学习模型。相比其他深度学习框架，例如TensorFlow，PyTorch更加易于使用和灵活。

在PyTorch中，我们可以使用张量（tensor）对象来存储和操作数据。这些张量对象非常类似于NumPy数组，但是PyTorch的张量支持GPU加速和自动求导功能，这使得我们可以更快地进行运算和优化模型。

除此之外，PyTorch还提供了一些内置的神经网络层和损失函数，以及预训练模型的接口。这些工具和功能使得我们可以轻松地构建和训练深度学习模型，而不需要从头开始编写所有的代码。

课程目录.PyTorch深度学习开发医学影像端到端判别
│  
│      
├─第1章 课程导学
│      1-1课程导学.mp4
│      1-2深度学习如何影响生活.mp4
│      1-3常用深度学习框架.mp4
│      
├─第2章 课程内容整体规划
│      2-1环境安装与配置.mp4
│      2-2使用预训练的ResNet网络给图片分类一.mp4
│      2-3使用预训练的ResNet网络给图片分类二.mp4
│      2-4使用预训练的GAN网络把马变成斑马.mp4
│      
├─第3章 PyTorch项目热身实践
│      3-1工业级数据挖掘流程一.mp4
│      3-2工业级数据挖掘流程二.mp4
│      3-3课程重难点技能分布.mp4
│      3-4课程实战项目简介.mp4
│      
├─第4章 PyTorch基础知识必备-张量
│      4-10张量的底层实现逻辑二.mp4
│      4-1什么是张量.mp4
│      4-2张量的获取与存储一.mp4
│      4-3张量的获取与存储二.mp4
│      4-4张量的基本操作一.mp4
│      4-5张量的基本操作二.mp4
│      4-6张量中的元素类型.mp4
│      4-7张量的命名.mp4
│      4-8把张量传递到GPU中进行运算.mp4
│      4-9张量的底层实现逻辑一.mp4
│      
├─第5章 PyTorch如何处理真实数据
│      5-1普通二维图像的加载一.mp4
│      5-2普通二维图像的加载二.mp4
│      5-33D图像的加载.mp4
│      5-4普通表格数据加载.mp4
│      5-5有时间序列的表格数据加载.mp4
│      5-6连续值序列值分类值的处理.mp4
│      5-7自然语言文本数据加载.mp4
│      5-8本章小结.mp4
│      
├─第6章 神经网络理念解决温度计转换
│      6-10使用PyTorch提供的优化器.mp4
│      6-11神经网络重要概念-激活函数.mp4
│      6-12用PyTorch的nn模块搭建神经网络.mp4
│      6-13构建批量训练方法.mp4
│      6-14使用神经网络解决温度计示数转换问题.mp4
│      6-1常规模型训练的过程.mp4
│      6-2温度计示数转换.mp4
│      6-3神经网络重要概念-损失.mp4
│      6-4PyTorch中的广播机制.mp4
│      6-5神经网络重要概念-梯度.mp4
│      6-6神经网络重要概念-学习率.mp4
│      6-7神经网络重要概念-归一化.mp4
│      6-8使用超参数优化我们的模型效果.mp4
│      6-9使用PyTorch自动计算梯度.mp4
│      
├─第7章 使用神经网络区分小鸟和飞机图像
│      7-10使用卷积提取图像中的特定特征.mp4
│      7-11借助下采样压缩数据.mp4
│      7-12借助PyTorch搭建卷积网络.mp4
│      7-13训练我们的分类模型.mp4
│      7-14训练好的模型如何存储.mp4
│      7-15该用GPU训练我们的模型.mp4
│      7-16优化方案之增加模型宽度-width.mp4
│      7-17优化方案之数据正则化-normalization一.mp4
│      7-18优化方案之数据正则化-normalization二.mp4
│      7-19优化方案之数据正则化-normalization三.mp4
│      7-1CIFAR-10数据集介绍.mp4
│      7-20优化方案之增加模型深度-depth.mp4
│      7-21本章小结.mp4
│      7-2为数据集实现Dataset类.mp4
│      7-3为模型准备训练集和验证集.mp4
│      7-4借助softmax方法给出分类结果.mp4
│      7-5分类模型常用损失之交叉熵损失.mp4
│      7-6全连接网络实现图像分类.mp4
│      7-7对全连接网络的改进之卷积网络.mp4
│      7-8借助PyTorch搭建卷积网络模型.mp4
│      7-9卷积中的数据填充方法padding.mp4
│      
├─第8章 项目实战一：理解业务与数据
│      8-10分割训练集和验证集.mp4
│      8-11CT数据可视化实现一.mp4
│      8-12CT数据可视化实现二.mp4
│      8-13CT数据可视化实现三.mp4
│      8-14本章小结.mp4
│      8-1肺部癌症检测的项目简介.mp4
│      8-2CT数据是什么样子.mp4
│      8-3制定一个解决方案.mp4
│      8-4下载项目中的数据集.mp4
│      8-5原始数据是长什么样子的.mp4
│      8-6加载标注数据.mp4
│      8-7加载CT影像数据.mp4
│      8-8数据坐标系的转换.mp4
│      8-9编写Dataset方法.mp4
│      
├─第9章 项目实战二：模型训练与优化
│        9-10借助TensorBoard绘制指标曲线.mp4
│        9-11新的模型评估指标F1score.mp4
│        9-12实现F1Score计算逻辑.mp4
│        9-13数据优化方法.mp4
│        9-14数据重复采样的代码实现.mp4
│        9-15数据增强的代码实现.mp4
│        9-16第二个模型结节分割.mp4
│        9-17图像分割的几种类型.mp4
│        9-18U-Net模型介绍.mp4
│        9-19为图像分割进行数据预处理.mp4
│        9-1第一个模型结节分类.mp4
│        9-20为图像分割构建Dataset类.mp4
│        9-21构建训练Dataset和使用GPU进行数据增强.mp4
│        9-22Adam优化器和Dice损失.mp4
│        9-23构建训练流程.mp4
│        9-24模型存储图像存储代码介绍.mp4
│        9-25分割模型训练及在TensorBoard中查看结果.mp4
│        9-26本章小结.mp4
│        9-2定义模型训练框架.mp4
│        9-3初始化都包含什么内容.mp4
│        9-4编写数据加载器部分.mp4
│        9-5实现模型的核心部分.mp4
│        9-6定义损失计算和训练验证环节一.mp4
│        9-7定义损失计算和训练验证环节二.mp4
│        9-8在日志中保存重要信息.mp4
│        9-9尝试训练第一个模型.mp4
│
├─第10章 项目实战三：实现端到端的模型预测
│      10-1连接分割模型和分类模型.mp4
│      10-2新的评价指标AUC-ROC曲线.mp4
│      10-3使用finetune方法构建肿瘤恶性判断模型.mp4
│      10-4完整的实现端到端肺部肿瘤检测.mp4
│      10-5使用合适的框架把模型部署上线一.mp4
│      10-6使用合适的框架把模型部署上线二.mp4
│      10-7本章小结.mp4
│      
└─第11章 课程总结与面试问题
        11-1肿瘤检测系统架构回顾.mp4
        11-2课程中的神经网络回顾.mp4
        11-3模型优化方法回顾.mp4
        11-4面试过程中可能遇到的问题.mp4
        11-5持续学习的几个建议.mp4