1_计算机视觉概述
2_计算机视觉历史背景
3_课程后勤
4_数据驱动方法
5_K-最近邻算法
6_线性分类
7_损失函数
8_优化
9_反向传播
10_神经网络
11_历史
12_视觉之外的卷积神经网络
13_卷积和池化
14_激活函数
15_批量归一化
16_更好的优化
17_正则化
18_迁移学习
19_8.1Caffe,Torch,Theano,TensorFlow,Keras,PyTorch等
20_9.1 AlexNet,VGG,GoogLeNet,ResNet等
21_10.1 RNN,LSTM,GRU,等等
22_10.2 语言模型
23_10.3 图像标注、视觉问答、 Soft attention模型
24_11.1 分割
25_11.2定位
26_11.3识别
27_12.1 特征可视化、倒置、对抗样本
28_12.2 DeepDream和风格迁移
29_13.1 Pixel RNN/CNN
30_13.2 变分自编码器
31_13.3 生成对抗网络
32_14.1 策略梯度,硬注意
33_14.2 Q-Learning, Actor-Critic算法
34_15.1 深度学习的方法及硬件
35_16.1 对抗样本和对抗训练
课程下载地址:
正在加载二维码...
支付完成后,请等待10秒左右,请勿关闭此页