有三AI深度学习之模型设计—理论与实践

1_0_课程介绍.mp4 · 2_1.1.0_经典浅层卷积网络设计_简介.mp4 · 3_1.1.1_Neocognitron.mp4 · 4_1.1.2_TDNN.mp4 · 5_1.1.3_Cresceptron.mp4 · 6_1.1.4_LeNet.mp4 · 7_1.2.0_网络深度对分类模型的影响_简介.mp4 · 8_1.2.1_经典的网络AlexNet.mp4 · 9_1.2.2_更深的网络VGGNet.mp4 · 10_1.2.3_梯度问题与ResNet.mp4 · 11_1.3.1_ResNet垃圾分类任务介绍.mp4 · 12_1.3.2_ResNet垃圾分类数据集预处理.mp4 · 13_1.3.3_ResNet垃圾分类数据读取.mp4 · 14_1.3.4_ResNet垃圾分类模型训练.mp4 · 15_1.3.5_ResNet垃圾分类模型测试.mp4 · 16_1.3.6_ResNet垃圾分类模型调优.mp4 · 17_2.1.0_经典模型的宽度设计思想_简介.mp4 · 18_2.1.1_通道数量调整.mp4 · 19_2.1.2_多分支网络结构.mp4 · 20_2.1.3_通道补偿技术.mp4 · 21_2.2.0_网络宽度对模型性能影响_简介.mp4 · 22_2.2.1_多通道的网络Inception-v1.mp4 · 23_2.2.2_拓宽的残差网络ResNeXt.mp4 · 24_2.3.1_InceptionNet花卉分类实战-项目简介.mp4 · 25_2.3.2_InceptionNet花卉分类实战-模型搭建（Inception-V1）.mp4 · 26_2.3.3_InceptionNet花卉分类实战-模型搭建（Inception-V2V3）.mp4 · 27_2.3.4_InceptionNet花卉分类实战-模型搭建（Inception-V4）.mp4 · 28_2.3.5_InceptionNet花卉分类实战-模型训练.mp4 · 29_2.3.6_InceptionNet花卉分类实战-模型测试.mp4 · 31_3.1.1_STN.mp4 · 32_3.1.2_DynamicCapacityNetworks.mp4 · 33_3.1.3_Learn-to-Pay-Attention.mp4 · 34_3.2.1_SENet.mp4 · 35_3.2.2_SKNet.mp4 · 36_3.2.3_ResNeSt.mp4 · 37_3.3.1_CBAM.mp4 · 38_3.3.2_BAM.mp4 · 39_3.3.3_ResidualAttention.mp4 · 40_3.3.4_Dual-Attention-Network.mp4 · 41_3.4.1_基于SENet模型的人种分类-数据集介绍与读取.mp4 · 42_3.4.2_基于SENet模型的人种分类-模型搭建通用模板.mp4 · 43_3.4.3_基于SENet模型的人种分类-从零搭建ResNet模型.mp4 · 44_3.4.4_基于SENet模型的人种分类-模型训练通用模板.mp4 · 45_3.4.5_基于SENet模型的人种分类-SENet模型搭建与训练.mp4 · 47_4.1.1_Xception理论介绍.mp4 · 48_4.1.2_Xception代码讲解.mp4 · 49_4.2.1_MobileNet-V1理论介绍.mp4 · 50_4.2.2_MobileNet-V1代码讲解.mp4 · 51_4.3.1_MobileNet-V2理论介绍.mp4 · 52_4.3.2_MobileNet-V2代码讲解.mp4 · 53_4.4.1_shufflenetv1_理论.mp4 · 54_4.4.2_shufflenetv1_代码.mp4 · 55_4.5.1_shufflenetv2理论.mp4 · 56_4.5.2_shufflenetv2代码.mp4 · 57_4.6.1_squeezenet理论.mp4 · 58_4.6.2_squeezenet代码.mp4 · 60_5.1.1_通用的分类任务训练代码.mp4 · 61_5.1.2_利用Tensorboard监控训练速度.mp4 · 62_5.1.3_通用的分类任务预测代码.mp4 · 63_5.2.1_Pytorch模型格式转换与优化.mp4 · 64_5.2.2_安卓部署单张图片识别app.mp4 · 65_5.2.3_安卓部署实时识别app.mp4