视频选集 任务1：机器学习、深度学习简介 任务2：深度学习的发展历史 任务3：现代深度学习的典型例子 任务4：深度学习在计算机视觉中的应用 任务5：深度学习的总结 任务6：开发环境的配置, Python, Numpy, Keras入门教程 任务7：GPU驱动程序安装 任务8：CUDA的安装 任务9：cuDNN的安装, Tensorflow, PyTorch的GPU测试 任务10：问答环节 任务11：环境安装 任务12：二元分类问题 任务13：逻辑函数 任务14：指数与对数 、逻辑回归 任务15：示例 任务16：损失函数 任务17：损失函数推演 任务18：梯度下降法 任务19：应用 任务20：直播答疑 任务21：自动驾驶方向盘预测论文分析 任务22：使用PyCharm Keras建立深度网络模型 任务23：数据预处理 数据增强 任务24：建立BatchGenerator高效读取数据 任务25：训练网络 保存训练的中间过程数据 任务26：查看网络训练过程 判断网络是否过拟合 欠拟合 任务27：神经网络分类问题的经典数据（集鸢尾花数据集）介绍，神经网络Python库Keras的介绍 任务28：使用Pandas读取鸢尾花数据集， 使用LabelEncoder对类别标签进行编码 任务29：使用Keras创建一个用于鸢尾花分类识别的神经网络 任务30：训练用于鸢尾花分类的神经网络 解读训练输出的日志 了解如何评价神经网络的性能 任务31：神经网络数学原理（1）： 神经网络的结点，权值，激活函数 任务32：神经网络数学原理（2）： 神经网络的前馈（Feed Forward）算法 任务33：神经网络数学原理（3）：神经网络的前馈（Feed Forward）算法续，Softmax层的数值问题 任务34：神经网络数学原理（4）：神经网络BP（误差反向传播）算法 任务35：神经网络数学原理（5）：神经网络BP（误差反向传递）算法续 任务36：神经网络数学原理（6）：手动演算神经网络BP算法（误差向后传递） 任务37：神经网络数学原理（7）：手动演算神经网络BP算法（误差向后传递）续 任务38：Neural.Network.Loss-直播01 任务39：Neural.Network.Loss-直播02 任务40：Neural.Network.Loss-直播03 任务41：梯度消亡 任务42：梯度消亡问题分析 任务43：梯度消亡解决方案 任务44：过拟合 任务45：DropOut 训练 任务46：正则化 任务47：最大范数约束 神经元的初始化 任务48：作业讲解与答疑-01 任务49：作业讲解与答疑-02 任务50：为什么需要递归神经网络？ 任务51：递归神经网络介绍 任务52：语言模型 任务53：RNN的深度 任务54：梯度爆炸和梯度消失 任务55：Gradient Clipping 任务56：LSTM的介绍 任务57：LSTM的应用 任务58：Bi-Directional LSTM 任务59：Gated Recurrent Unit 任务60：机器翻译 任务61：Multimodal Learning 任务62：Seq2Seq模型 任务63：回顾RNN与LSTM 任务64：Attention for Image Captioning 任务65：Attention for Machine Translation 任务66：Self-Attention 任务67：Attention总结 任务68：neural network optimizer直播-01 任务69：neural network optimizer直播-02 任务70：neural network optimizer直播-03 任务71：项目介绍 任务72：看图说话任务一-01 任务73：看图说话任务一-02 任务74：看图说话任务一-03 任务75：任务介绍 任务76：如何实现 load_img_as_np_array 这个函数 任务77：如何实现“load_vgg16_model”函数 任务78：如何实现“extract_features”函数 任务79：创建Tokenizer01 任务80：创建Tokenizer02 任务81：产生模型需要的输入数据01 任务82：产生模型需要的输入数据02 任务83：任务的概述 任务84：Input Embedding和Dropout层介绍 任务85：LSTM Add层的介绍 任务86：如何训练模型 任务87：如何使用深度神经网络模型做预测 产生标题 完成generate_caption函数01 任务88：如何使用深度神经网络模型做预测 产生标题 完成generate_caption函数02 任务89：如何调用generate_caption函数 任务90：如何评价标题生成模型的性能 任务91：读取和显示数字图像 任务92：数字图像大小缩放 任务93：数字图像直方图均衡 任务94：图像去噪声 任务95：图像边缘检测 任务96：图像关键点检测 任务97：道路行车道检测简介 任务98：Canny边缘检测 任务99：霍夫变换用于直线检测 任务100：道路行车道检测代码讲解 任务101：在图像和视频上面演示道路行车道检测 任务102：项目介绍 任务103：交通指示牌识别的简介 任务104：交通指示牌识别课程的编程任务 任务105：如何分析数据 (util.py 的详细介绍) 任务106：如何预处理图像数据、建立神经网络模型、训练网络模型 (train.py 的详细介绍)01 任务107：如何预处理图像数据、建立神经网络模型、训练网络模型 (train.py 的详细介绍)02 任务108：色彩空间转换 任务109：直方图均衡 任务110：图像标准化 任务111：使用ImageDataGenerator做图像增强 任务112：作业上传的要求 任务113：介绍经典交通指示牌卷积神经网络模型 任务114：代码实现经典交通指示牌识别卷积神经网络模型 任务115：卷积神经网络的数学原理01 任务116：卷积神经网络的数学原理02 任务117：深度学习调参-直播-01 任务118：深度学习调参-直播-02 任务119：深度学习调参-直播-03 任务120：卷积层的启发 任务121：卷积层的定量分析 任务122：单通道输入 单通道输出的卷积层的实例 任务123：多通道输入 多通道输出的卷积层的实例 任务124：池化层的原理 定量分析 任务125：卷积神经网络和全连接神经网络的比较 任务126：卷积神经网络在围棋 语言识别和自然语言处理中的应用 任务127：基于深度学习的图像分类历史回顾 任务128：AlexNet的结构分析 任务129：ZFNet的结构分析 任务130：VGG的结构分析 任务131：GoogleNet Inception的结构分析 任务132：Inception V3的结构分析 任务133：ResNet的结构分析 任务134：ResNet的代码实现 任务135：基于内容的图像搜索理论基础 任务136：基于去噪自动编码器的图像搜索代码实现 任务137：使用卷积神经网络进行语义图像嵌入在目标检测, 自动驾驶, 图像超分辨率重构, 工业探伤等等领域的应用 任务138：项目1-看图说话（助教）讲解和答疑-01 任务139：项目1-看图说话（助教）讲解和答疑-02 任务140：项目介绍 任务141：自动驾驶方向盘转动方向预测的背景知识 任务142：如何收集训练数据 任务143：理解分析训练数据 任务144：自动驾驶方向盘转动方向预测的网络结构和网络训练代码讲解 任务145：提高网络性能的思路 图像处理、数据增强、网络结构优化 任务146：探索数据01 任务147：探索数据02 任务148：图像增强01 任务149：图像增强02 任务150：解决数据不平衡的问题 DataGenerator的应用 任务151：网络结构实例 任务152： 图像增强部分的代码讲解 任务153：DataGenerator部分的代码讲解 任务154：网络结构实现部分的代码讲解 任务155：方向盘转动方向预测网络模型的性能评估方法 任务156：使用模拟器定性的判断网络性能的方法以及代码讲解 任务157：模拟器自动驾驶的展示 任务158：通过损失函数的变化判断网络性能、识别和解决过拟合和欠拟合的问题 任务159：如何安装Python 连接模拟器的Python 库 任务160：windows 下面使用自动驾驶模拟器的教程 任务161：mac 下面使用自动驾驶模拟器的教程 任务162：目标识别综述 任务163：基于HOG(梯度直方图)的目标识别 任务164：Non-Max Suppression IoU 和 Hard Negative Mining 任务165：R-CNN的工作原理 任务166：R-CNN中的边界框(Bounding Box)预测原理 任务167：R-CNN的不足之处 任务168：Fast R-CNN详解 任务169：Faster R-CNN Region Proposal Network 任务170：R-CNN Fast R-CNN Faster R-CNN的总结 任务171：目标识别 R-CNN家族的回顾 任务172：SSD的简介 SSD与R-CNN的比较 任务173：SSD的网络结构 任务174：如何使用卷积作为最后的预测层 任务175：SSD的训练过程 任务176：SSD的实验结果分析 任务177：VGG16到SSD网络的演化 L2Normalization层的实现 任务178：SSD各个技术对失败率的影响 Atrous卷积层的原理 任务179：使用卷积作为最后的预测层详解 任务180：SSD定位损失函数详解 任务181：SSD中Anchor尺寸 宽高比 中心位置的确定 任务182：SSD中分类损失函数详解 任务183：Non-Max Suppression的原理 任务184：SSD和YOLO的比较 SSD的总结 任务185：图像分割简介 任务186：基于深度学习的图像分割U-Net的原理 任务187：Transposed Convolution原理与运用 任务188：U-Net的代码讲解 任务189：图像生成的原理 任务190：使用深度学习自动图像生成手写数字的代码讲解 任务191：图像风格转移的原理 任务192：使用深度学习实现图像风格转移的代码讲解 任务193：SSD的原理回顾 任务194：编程项目的训练数据介绍 任务195：对SSD模型对产生Anchor有影响的参数讲解 任务196：对候选框精选处理有影响的参数讲解 任务197：对输入模型参数的合法性检测和转换 任务198：具有7层的SSD的网络结构讲解 任务199：编译模型, 使用模型做预测 任务200：SSD解码的实现 任务201：帮助函数IoU, 坐标转换, SSD损失函数, Non-Max-Suppression的实现 任务202：二值化神经网络的简介 任务203：二值化网络的前向后向传播, 梯度计算原理 任务204：二值化网络的训练算法 任务205：二值化网络的实验结果 任务206：二值化全连接网络的代码讲解 任务207：DropoutNoScale层的实现 任务208：BinaryDense层的实现 任务209：二值化卷积神经网络的代码讲解 任务210：项目作业要求 任务211：神经网络在实际应用中面临的挑战, 轻量级深度神经网络的必要性 任务212：MobileNet, Depthwise Seperable Convolution的原理计算量分析 任务213：ShuffleNet, Group Convolution, Channel Shuffle的原理 任务214：EffNet, Spatial Seperable Convolution的原理计算量分析和实验效果 任务215：lightweight-network答疑时间 任务216：回顾EffNet的原理 任务217：EffNet的代码讲解 任务218：One-Shot Learning 的意义和工作原理 任务219：用于One-Shot Learning 的Siamese 深度神经网络的介绍 任务220：Siamese 深度神经网络的实验和结果分析 任务221：Transposed Convolution 的应用, 算法回顾, 以及使用矩阵乘法实现 任务222：Transposed Convolution 的梯度推导 任务223：将卷积核转换为Toeplitz Matrix用于矩阵乘法实现Transposed 任务224：同学对课程的效果反馈调查 任务225：使用 Siamese 网络做门禁卡系统的入门介绍, 数据集的介绍 任务226：PyTorch 基础教程 任务227：Siamese One-Shot learning 知识回顾 任务228：使用 PyTorch torchvision 库高效读取数据 任务229：使用 PyTorch 定义 Siamese 网络结构 任务230：使用 PyTorch 写训练网络的代码 任务231：使用 PyTorch 写测试网络的代码