课程介绍
有三ai深度学习之模型设计—理论与实践视频教程，由整理发布最新版。模型的设计是整个深度学习领域的通用基础，不管是从头设计自己的神经网络，还是对已有模型进行优化获得更高的任务指标，更快的运行速度，获得更小的模型体积，都需要掌握各类网络的设计技巧，是深度学习算法工程师进阶的难点及必学点！本课程结合实际项目，将所学理论应用于实践。目前已经包含有网络深度与模型性能、网络宽度与模型性能、注意力机制、轻量化网络、安卓部署5个部分。
相关推荐
相关推荐
深度之眼-CV项目班 第9期
[有三AI]人工智能：计算机视觉体系化进阶升级版
有三AI—CV论文指导2023
资源目录
[7.1M] 1-0_课程介绍
[1.8M] 2-1.1.0_经典浅层卷积网络设计_简介
[ 54M] 3-1.1.1_Neocognitron
[ 27M] 4-1.1.2_TDNN
[6.9M] 5-1.1.3_Cresceptron
[ 81M] 6-1.1.4_LeNet
[662K] 7-1.2.0_网络深度对分类模型的影响_简介
[ 46M] 8-1.2.1_经典的网络AlexNet
[ 55M] 9-1.2.2_更深的网络VGGNet
[ 66M] 10-1.2.3_梯度问题与ResNet
[3.0M] 11-1.3.1_ResNet垃圾分类任务介绍
[123M] 12-1.3.2_ResNet垃圾分类数据集预处理
[ 43M] 13-1.3.3_ResNet垃圾分类数据读取
[ 33M] 14-1.3.4_ResNet垃圾分类模型训练
[ 13M] 15-1.3.5_ResNet垃圾分类模型测试-一手认准www.ukoou.com
[ 96M] 16-1.3.6_ResNet垃圾分类模型调优
[6.0M] 17-2.1.0_经典模型的宽度设计思想_简介
[ 84M] 18-2.1.1_通道数量调整
[439K] 19-2.1.2_多分支网络结构
[ 29M] 20-2.1.3_通道补偿技术
[543K] 21-2.2.0_网络宽度对模型性能影响_简介
[ 33M] 22-2.2.1_多通道的网络Inception-v1
[ 95M] 23-2.2.2_拓宽的残差网络ResNeXt
[8.2M] 24-2.3.1_InceptionNet花卉分类实战-项目简介
[121M] 25-2.3.2_InceptionNet花卉分类实战-模型搭建（In
[131M] 26-2.3.3_InceptionNet花卉分类实战-模型搭建（In
[239M] 27-2.3.4_InceptionNet花卉分类实战-模型搭建（In
[ 71M] 28-2.3.5_InceptionNet花卉分类实战-模型训练
[ 36M] 29-2.3.6_InceptionNet花卉分类实战-模型测试
[ 89M] 31-3.1.1_STN
[ 62M] 32-3.1.2_DynamicCapacityNetworks@www.ukoou.com
[ 35M] 33-3.1.3_Learn to Pay Attention
[ 52M] 34-3.2.1_SENet
[ 37M] 35-3.2.2_SKNet
[ 37M] 36-3.2.3_ResNeSt
[ 66M] 37-3.3.1_CBAM
[ 28M] 38-3.3.2_BAM
[ 63M] 39-3.3.3_ResidualAttention
[ 24M] 40-3.3.4_Dual Attention Network
[ 71M] 41-3.4.1_基于SENet模型的人种分类-数据集介绍与读取
[ 22M] 42-3.4.2_基于SENet模型的人种分类-模型搭建通用模板
[146M] 43-3.4.3_基于SENet模型的人种分类-从零搭建ResNet模
[ 30M] 44-3.4.4_基于SENet模型的人种分类-模型训练通用模板
[ 62M] 45-3.4.5_基于SENet模型的人种分类-SENet模型搭建与训
[ 60M] 47-4.1.1_Xception理论介绍
[ 71M] 48-4.1.2_Xception代码讲解
[ 52M] 49-4.2.1_MobileNet V1理论介绍-微信307570512
[ 38M] 50-4.2.2_MobileNet V1代码讲解
[ 46M] 51-4.3.1_MobileNet V2理论介绍
[ 23M] 52-4.3.2_MobileNet V2代码讲解
[ 59M] 53-4.4.1_shufflenetv1_理论
[ 35M] 54-4.4.2_shufflenetv1_代码
[ 54M] 55-4.5.1_shufflenetv2理论
[ 27M] 56-4.5.2_shufflenetv2代码
[ 53M] 57-4.6.1_squeezenet理论
[ 21M] 58-4.6.2_squeezenet代码
[ 31M] 60-5.1.1_通用的分类任务训练代码
[7.5M] 61-5.1.2_利用Tensorboard监控训练速度
[ 16M] 62-5.1.3_通用的分类任务预测代码
[7.3M] 63-5.2.1_Pytorch模型格式转换与优化
[ 40M] 64-5.2.2_安卓部署单张图片识别app
[ 59M] 65-5.2.3_安卓部署实时识别app
评论0