【有三AI—CV夏季划】，某课网《人工智能：深度学习从入门到精通》同个作者，内容更丰富。有三AI CV夏季划是言有三亲自一对一带领的深度学习和计算机视觉学习计划，目标是在新手入门的基础之上，彻底掌握好CV的重要方向，同时提升模型设计与优化部署的工程代码经验。本课由于51学IT网整理发布完整版，包含视频+课件代码。
深度之眼人工智能Paper年度会员课程合集（CV方向）
深度之眼人工智能Paper年度会员课程合集（NLP方向）
深度之眼 - 全球AI大赛年度会员课程合集
(1) 有较好的Python编程基础，缺少C++编程经验，不熟悉模型的优化与部署。 (2) 缺少深度学习和计算机视觉项目经验。
.
├── 01 深度学习之Pytorch—入门及实战/
│ ├── 0-课程介绍
│ ├── 1-PyTorch简介
│ ├── 10.1-从零完成表情识别（项目简介）
│ ├── 10.2-从零完成表情识别（数据读取）
│ ├── 10.3-从零完成表情识别（模型搭建与训练）
│ ├── 10.4-从零完成表情识别（模型测试）
│ ├── 2.1-Windows系统下配置PyTorch环境
│ ├── 2.2-ubuntu系统下配置PyTorch环境
│ ├── 3.1-张量（上）
│ ├── 3.2-张量（下）
│ ├── 4-层结构基本介绍
│ ├── 5-网络结构搭建方法
│ ├── 6-经典分类网络介绍
│ ├── 7-优化器及损失函数
│ ├── 8.1-数据读取及增强（上）
│ ├── 8.2-数据读取及增强（下）
│ ├── 9-模型读取和加载
│ └── SimpleNet人脸表情识别代码.pdf
├── 02 深度学习之数据使用—理论实践篇/
│ ├── 0 课程介绍.ts
│ ├── 1 数据获取.ts
│ ├── 2 数据整理.ts
│ ├── 3 数据标注.ts
│ ├── 4 数据增强方法.ts
│ ├── 5.1 Pytorch图像分类数据增强实践-数据增强接口介绍.ts
│ ├── 5.2 Pytorch图像分类数据增强实践-实验结果.ts
│ ├── 6.1 数据增强开源库imgaug介绍.ts
│ ├── 6.2 数据增强开源库imgaug使用.ts
│ ├── 《深度学习之数据使用》直播01-自动化数据标注.ts
│ └── 深度学习之数据使用课程代码与数据.pdf
├── 03 深度学习之模型分析—理论实践篇/
│ ├── 0 课程介绍
│ ├── 1.1 模型可视化分析(结构篇）
│ ├── 1.2 模型可视化分析(权重篇)
│ ├── 1.3 模型可视化分析(反卷积篇)
│ ├── 1.4 模型可视化分析实践(反卷积篇)
│ ├── 1.5 模型可视化分析(激活热图篇)
│ ├── 1.6 模型可视化分析实践(激活热图篇)
│ ├── 2 模型复杂度分析
│ ├── 3 模型速度分析
│ └── 深度学习之模型分析代码.doc
├── 04 深度学习之图像分类—理论实践篇/
│ ├── 0 课程简介
│ ├── 02 深度学习之数据使用—理论实践篇/
│ ├── 1 图像分类基础
│ ├── 10.1 零样本分类理论
│ ├── 10.2 零样本图像分类参考资料（图文）/
│ ├── 11.1 血红细胞图像分类竞赛（内容简介）
│ ├── 11.10 血红细胞图像分类竞赛（TTA策略）
│ ├── 11.2 血红细胞图像分类竞赛（思路分析）
│ ├── 11.3 血红细胞图像分类竞赛（基础功能实现-数据集的统计分析）
│ ├── 11.4 血红细胞图像分类竞赛（基础功能实现-网络模型构建）
│ ├── 11.5 血红细胞图像分类竞赛（基础功能实现-训练）
│ ├── 11.6 血红细胞图像分类竞赛（学习率调整）
│ ├── 11.7 血红细胞图像分类竞赛（标签平滑）
│ ├── 11.8 血红细胞图像分类竞赛（知识蒸馏）
│ ├── 11.9 血红细胞图像分类竞赛（投票策略）
│ ├── 2 多类别图像分类理论
│ ├── 3.1 从零完成表情识别实践（项目背景）
│ ├── 3.2 从零完成表情识别实践（数据处理与读取）
│ ├── 3.3 从零完成表情识别实践（模型搭建与训练）
│ ├── 3.4 从零完成表情识别实践（模型测试）
│ ├── 4.1 简单图像分类数据增强实战（接口简介）
│ ├── 4.2 简单图像分类数据增强实战（实验比较）
│ ├── 5.1 细粒度图像分类理论
│ ├── 5.2 细粒度图像分类参考资料（图文）/
│ ├── 6.1 鸟类细粒度图像分类实战（项目简介）
│ ├── 6.2 鸟类细粒度图像分类实战（数据读取）
│ ├── 6.3 鸟类细粒度图像分类实战（模型搭建与训练）
│ ├── 7.1 多标签图像分类理论
│ ├── 7.2 多标签图像分类参考资料（图文）/
│ ├── 8.1 生活用品多标签图像分类实战（多标签分类简介及算法简介）
│ ├── 8.2 生活用品多标签图像分类实战（数据集制作及读取）
│ ├── 8.3 生活用品多标签图像分类实战（训练）
│ ├── 8.4 生活用品多标签图像分类实战（测试）
│ ├── 9.1 半监督与无监督分类理论
│ ├── 9.2 半监督与无监督图像分类参考资料（图文）/
│ ├── 《深度学习之图像分类》直播答疑01
│ ├── 《深度学习之图像分类》直播答疑02
│ ├── 《深度学习之图像分类》直播答疑03
│ ├── 《深度学习之图像分类》直播答疑04
│ └── 深度学习之图像分类课程-代码和数据
├── 05 深度学习之图像分割—理论实践篇/
│ ├── 0_课程内容
│ ├── 1_图像分割基础
│ ├── 2.1_语义分割基础模型
│ ├── 2.2_语义分割模型改进
│ ├── 2.3_语义分割参考资料（图文）/
│ ├── 3.1_简单模型嘴唇分割_数据获取与整理
│ ├── 3.2_简单模型嘴唇分割_模型搭建
│ ├── 3.3_简单模型嘴唇分割_模型训练
│ ├── 3.4_简单模型嘴唇分割_模型测试
│ ├── 4.1_缺陷分割实战_内容介绍
│ ├── 4.2_缺陷分割实战_模型搭建(理论)
│ ├── 4.3_缺陷分割实战_模型搭建(代码)
│ ├── 4.4_缺陷分割实战_数据读取
│ ├── 4.5_缺陷分割实战_模型训练
│ ├── 4.6_缺陷分割实战_模型测试
│ ├── 5.1_弱监督语义分割基础
│ ├── 5.2_弱监督语义分割模型
│ ├── 5.3_弱监督语义分割参考资料（图文）/
│ ├── 6.1_Image Matting基础
│ ├── 6.2_基于Trimap预测的Image Matting模型
│ ├── 6.3_Image Matting模型改进（粗标签篇）
│ ├── 6.4_Image Matting参考资料（图文）/
│ ├── 7.1_人像Image Matting实战_模型简介
│ ├── 7.2_人像Image Matting实战_数据准备与读取
│ ├── 7.3_人像Image Matting实战_模型定义
│ ├── 7.4_人像Image Matting实战模型_训练与测试
│ ├── 8.1_实例分割基础
│ ├── 8.2_实例分割基础模型
│ ├── 8.3_二阶段实例分割算法
│ ├── 8.4_一阶段实例分割算法
│ ├── 8.5_实例分割参考资料（图文）/
│ ├── 9.1_实例分割实战_数据读取
│ ├── 9.2_实例分割实战_评价指标编写
│ ├── 9.3_实例分割实战_网络模型搭建
│ └── 图像分割课程代码及数据.doc
├── 06 深度学习之目标检测—理论实践篇/
│ ├── 0-课程简介
│ ├── 1.1-问题定义
│ ├── 1.2-数据集
│ ├── 1.3-评价指标
│ ├── 1.4-脑图时刻
│ ├── 1.5-算法发展总览
│ ├── 1.6-传统检测算法流程
│ ├── 1.7-基于深度学习的目标检测流程和分类
│ ├── 1.8-(后)脑图时刻
│ ├── 1.9-anchor-base算法结构
│ ├── 2.1-RCNN详解
│ ├── 2.2-SPPNet详解
│ ├── 2.3-Fast RCNN详解
│ ├── 2.4-Faster RCNN详解
│ ├── 2.5-one-stage算法引入+脑图时刻
│ ├── 2.6 二阶段目标检测参考资料（图文）/
│ ├── 3.1-YOLOv1讲解
│ ├── 3.2-YOLOv2讲解
│ ├── 3.3-YOLOv3讲解
│ ├── 3.4-YOLOv4讲解
│ ├── 3.5-YOLOv5讲解
│ ├── 3.6 一阶段目标检测参考资料（图文）/
│ ├── 4.1-Anchor free引入
│ ├── 4.2-Densebox详解（上）
│ ├── 4.2-Densebox详解（下）
│ ├── 4.2-Densebox详解（中）
│ ├── 4.3-CornerNet详解（上）
│ ├── 4.3-CornerNet详解（下）
│ ├── 4.3-CornerNet详解（中）
│ ├── 4.4-CenterNet详解（上）
│ ├── 4.4-CenterNet详解（下）
│ ├── 4.4-CenterNet详解（中）
│ ├── 4.7-Anchor-free参考资料（图文）/
│ ├── 5.0-YOLO v3实战课程介绍
│ ├── 5.1-YOLO v3原理回顾
│ ├── 5.2-工业缺陷检测数据集介绍
│ ├── 5.3.1-主干网络代码讲解
│ ├── 5.3.2-Neck+Head部分代码讲解(上)
│ ├── 5.3.2-Neck+Head部分代码讲解(下)
│ ├── 5.3.3-解码过程讲解
│ ├── 5.3.4-前向推理代码讲解
│ ├── 5.3.5-训练过程讲解
│ ├── 6.1-FasterRCNN原理回顾
│ ├── 6.2-数据集介绍
│ ├── 6.3.1-主干网络代码讲解
│ ├── 《深度学习之目标检测》直播答疑01
│ ├── 《深度学习之目标检测》直播答疑02
│ └── 《深度学习之目标检测》直播答疑03
├── 07 深度学习之模型设计—理论实践篇/
│ ├── 0_课程介绍
│ ├── 1.1.0_经典浅层卷积网络设计_简介
│ ├── 1.1.1_Neocognitron
│ ├── 1.1.2_TDNN
│ ├── 1.1.3_Cresceptron
│ ├── 1.1.4_LeNet
│ ├── 1.2.0_网络深度对分类模型的影响_简介
│ ├── 1.2.1_经典的网络AlexNet
│ ├── 1.2.2_更深的网络VGGNet
│ ├── 1.2.3_梯度问题与ResNet
│ ├── 1.3.1_ResNet垃圾分类任务介绍
│ ├── 1.3.2_ResNet垃圾分类数据集预处理
│ ├── 1.3.3_ResNet垃圾分类数据读取
│ ├── 1.3.4_ResNet垃圾分类模型训练
│ ├── 1.3.5_ResNet垃圾分类模型测试
│ ├── 1.3.6_ResNet垃圾分类模型调优
│ ├── 2.1.0_经典模型的宽度设计思想_简介
│ ├── 2.1.1_通道数量调整
│ ├── 2.1.2_多分支网络结构
│ ├── 2.1.3_通道补偿技术
│ ├── 2.2.0_网络宽度对模型性能影响_简介
│ ├── 2.2.1_多通道的网络Inception-v1
│ ├── 2.2.2_拓宽的残差网络ResNeXt
│ ├── 2.3.1_InceptionNet花卉分类实战-项目简介
│ ├── 2.3.2_InceptionNet花卉分类实战-模型搭建（Inception V1）
│ ├── 2.3.3_InceptionNet花卉分类实战-模型搭建（Inception V2V3）
│ ├── 2.3.4_InceptionNet花卉分类实战-模型搭建（Inception V4）
│ ├── 2.3.5_InceptionNet花卉分类实战-模型训练
│ ├── 2.3.6_InceptionNet花卉分类实战-模型测试
│ ├── 3.1.1_STN
│ ├── 3.1.2_DynamicCapacityNetworks
│ ├── 3.1.3_Learn to Pay Attention
│ ├── 3.2.1_SENet
│ ├── 3.2.2_SKNet
│ ├── 3.2.3_ResNeSt
│ ├── 3.3.1_CBAM
│ ├── 3.3.2_BAM
│ ├── 3.3.3_ResidualAttention
│ ├── 3.3.4_Dual Attention Network
│ ├── 3.4.1_基于SENet模型的人种分类-数据集介绍与读取
│ ├── 3.4.2_基于SENet模型的人种分类-模型搭建通用模板
│ ├── 3.4.3_基于SENet模型的人种分类-从零搭建ResNet模型
│ ├── 3.4.4_基于SENet模型的人种分类-模型训练通用模板
│ ├── 3.4.5_基于SENet模型的人种分类-SENet模型搭建与训练
│ ├── 4.1.1_Xception理论介绍
│ ├── 4.1.2_Xception代码讲解
│ ├── 4.2.1_MobileNet V1理论介绍
│ ├── 4.2.2_MobileNet V1代码讲解
│ ├── 4.3.1_MobileNet V2理论介绍
│ ├── 4.3.2_MobileNet V2代码讲解
│ ├── 4.4.1_shufflenetv1_理论
│ ├── 4.4.2_shufflenetv1_代码
│ ├── 4.5.1_shufflenetv2理论
│ ├── 4.5.2_shufflenetv2代码
│ ├── 4.6.1_squeezenet理论
│ ├── 4.6.2_squeezenet代码
│ ├── 5.1.1_通用的分类任务训练代码
│ ├── 5.1.2_利用Tensorboard监控训练速度
│ ├── 5.1.3_通用的分类任务预测代码
│ ├── 5.2.1_Pytorch模型格式转换与优化
│ ├── 5.2.2_安卓部署单张图片识别app
│ ├── 5.2.3_安卓部署实时识别app
│ ├── 模型设计课程代码
│ ├── 注意力机制模型参考资料（图文）/
│ ├── 经典模型参考资料（图文）/
│ └── 轻量级模型设计参考资料（图文）/
├── 08 深度学习之模型优化—理论实践篇/
│ ├── 0 课程介绍
│ ├── 1 模型剪枝基础
│ ├── 10.1 Distiller框架(简介)
│ ├── 10.2 Distiller框架(模型剪枝模块)
│ ├── 10.3 Distiller框架(模型量化模块)
│ ├── 11.1 结构化模型剪枝实战(项目背景)
│ ├── 11.2 结构化模型剪枝实战(模型训练)
│ ├── 11.3 结构化模型剪枝实战(剪枝与结果)
│ ├── 12.1 8位模型量化实战(校准表生成)
│ ├── 12.2 8位模型量化实战(ncnn框架简介)
│ ├── 12.3 8位模型量化实战(ncnn模型转换)
│ ├── 12.4 8位模型量化实战(ncnn量化与推理)
│ ├── 13.1 知识蒸馏实战(简介)
│ ├── 13.2 知识蒸馏实践(模型训练与蒸馏)
│ ├── 2 非结构化模型剪枝
│ ├── 3.1 结构化模型剪枝(幅度篇)
│ ├── 3.2 结构化模型剪枝(稀疏权重篇)
│ ├── 3.3 结构化模型剪枝(稀疏因子篇)
│ ├── 3.4 结构化模型剪枝(重建篇)
│ ├── 4 模型量化基础
│ ├── 5.1 二值模型量化(基础篇)
│ ├── 5.2 二值模型量化(重建篇)
│ ├── 6.1 8位量化(KL散度篇)
│ ├── 6.2 8位量化(非对称篇)
│ ├── 7 混合量化(基础篇)
│ ├── 8 知识蒸馏基础
│ ├── 9.1 知识蒸馏框架(特征匹配篇)
│ ├── 9.2 知识蒸馏框架(优化目标篇)
│ ├── 模型优化代码
│ ├── 模型剪枝参考资料（图文）/
│ ├── 模型蒸馏参考资料（图文）/
│ └── 模型量化参考资料（图文）/
├── 09 深度学习之视频分类—理论实践篇/
│ ├── 0 课程介绍
│ ├── 1 视频分类基础 (1)
│ ├── 1 视频分类基础
│ ├── 2.1 3D卷积模型_基础篇
│ ├── 2.2 3D卷积模型_分解篇
│ ├── 2.3 3D卷积模型参考资料（图文）/
│ ├── 3.1 3D卷积视频分类实战_项目介绍
│ ├── 3.2 3D卷积视频分类实战_数据处理
│ ├── 3.3 3D卷积视频分类实战_模型搭建
│ ├── 3.4 3D卷积视频分类实战_模型训练
│ ├── 3.5 3D卷积视频分类实战_模型测试
│ ├── 4.1 双流模型_基础篇
│ ├── 4.2 双流模型_采样策略篇
│ ├── 4.3 双流模型参考资料（图文）/
│ ├── 5.1 双流模型视频分类实战_项目简介
│ ├── 5.2 双流模型视频分类实战_数据处理
│ ├── 5.3 双流模型视频分类实战_模型搭建
│ ├── 5.4 双流模型视频分类实战_模型训练
│ ├── 5.5 双流模型视频分类实战_模型测试
│ ├── 6.1 时序模型
│ ├── 6.2 时序模型参考资料（图文）/
│ ├── 7.1 时序模型视频分类实战_项目简介
│ ├── 7.2 时序模型视频分类实战_数据处理
│ ├── 7.3 时序模型视频分类实战_模型搭建
│ ├── 7.4 时序模型视频分类实战_模型训练
│ ├── 7.5 时序模型视频分类实战_模型测试
│ └── 视频分类代码与数据
├── 10 深度学习之人脸图像检测与识别—理论实践篇/
│ ├── 0_课程介绍
│ ├── 深度学习之人脸检测与识别课程代码
│ ├── 第1.1节-人脸检测核心算法（上）
│ ├── 第1.2节-人脸检测核心算法（下）
│ ├── 第1.3节-人脸检测参考资料（图文）/
│ ├── 第2.1节-人脸关键点检测核心算法
│ ├── 第2.2节-人脸关键点检测参考资料（图文）/
│ ├── 第3.1节-RetinaFace人脸检测实战_人脸检测简介
│ ├── 第3.2节-RetinaFace人脸检测实战 _常见人脸数据集
│ ├── 第3.3节-RetinaFace人脸检测实战_数据集读取模块
│ ├── 第3.4节-RetinaFace人脸检测实战_模型解读
│ ├── 第3.5节-RetinaFace人脸检测实战_MultiBox损失函数
│ ├── 第3.6节-RetinaFace人脸检测实战_测试与推理
│ ├── 第4.1节-PFLD人脸关键点检测实战_项目背景
│ ├── 第4.2节-PFLD人脸关键点检测实战_数据读取
│ ├── 第4.3节-PFLD人脸关键点检测实战_模型搭建
│ ├── 第4.4节-PFLD人脸关键点检测实战_模型训练
│ ├── 第4.5节-PFLD人脸关键点检测实战_模型测试
│ ├── 第5.1节-人脸识别核心算法（上）
│ ├── 第5.2节-人脸识别核心算法（下）
│ ├── 第5.3节-人脸识别参考资料（图文）/
│ ├── 第6.1节-人脸识别项目背景
│ ├── 第6.2节-人脸识别数据预处理
│ ├── 第6.3节-人脸识别数据读取
│ ├── 第6.4节-人脸识别模型搭建
│ ├── 第6.5节-人脸识别模型训练
│ ├── 第6.6节-人脸识别模型测试
│ ├── 第7.1节-人脸属性识别算法
│ ├── 第7.2节-人脸属性识别参考资料（图文）/
│ ├── 第8.1节-人脸表情识别项目背景
│ ├── 第8.2节-人脸表情识别数据处理与读取
│ ├── 第8.3节-人脸表情识别模型搭建与训练
│ └── 第8.4节-人脸表情识别模型测试
├── 11 深度学习之图像生成GAN—理论与实践篇/
│ ├── 0 课程介绍
│ ├── 1 全卷积图像生成GAN理论
│ ├── 2.1 DCGAN图像生成实战-项目解读
│ ├── 2.2 DCGAN图像生成实战-模型搭建
│ ├── 2.3 DCGAN图像生成实战-模型训练
│ ├── 2.4 DCGAN图像生成实战-模型测试
│ ├── 3 条件生成GAN理论
│ ├── 4 多尺度生成GAN理论
│ ├── 5.1 StyleGAN v1详解
│ ├── 5.2 StyleGAN v2详解
│ ├── 6.1 StyleGAN v1实战-模型解读
│ ├── 6.2 StyleGAN v1实战-模型测试
│ ├── 7 数据增强与仿真GAN理论
│ ├── 8 参考资料（图文）/
│ └── 图像生成GAN代码.png
├── 12 深度学习之模型量化—理论实践篇/
│ ├── 1_模型量化基础
│ ├── 2.1_二值模型量化-基础篇
│ ├── 2.2_二值模型量化-重建篇
│ ├── 3.1_8位模型量化-KL散度篇
│ ├── 3.2_8位模型量化-非对称篇
│ ├── 4_混合位宽量化
│ ├── 5.1_8bit模型量化实战-校准表生成
│ ├── 5.2_8bit模型量化实战-ncnn简介
│ ├── 5.3_8bit模型量化实战-ncnn模型转换
│ ├── 5.4_8bit模型量化实战-ncnn模型量化与推理
│ └── 基于ncnn的8bit模型量化课程代码.pdf
├── 13 深度学习之模型剪枝—理论实践篇/
│ ├── 1_模型剪枝基础
│ ├── 2.1_非结构化模型剪枝
│ ├── 3.1_结构化模型剪枝-权重篇
│ ├── 3.2_结构化模型剪枝-稀疏约束篇
│ ├── 3.3_结构化模型剪枝-稀疏因子篇
│ ├── 3.4_结构化连接剪枝-重建篇
│ ├── 4.1_结构化剪枝实战（项目背景）
│ ├── 4.2_结构化剪枝实战（模型训练）
│ ├── 4.3_结构化剪枝实战（模型剪枝）
│ └── 基于稀疏约束的结构化模型剪枝课程代码
├── 14 基于MTCNN+VGG+CenterLoss的人脸识别实战/
│ ├── Centerloss人脸识别课程代码.pdf
│ ├── 第1节_项目背景
│ ├── 第2节_数据预处理
│ ├── 第3节_数据读取
│ ├── 第4节_模型定义
│ ├── 第5节_模型训练
│ └── 第6节_模型测试
├── 15 基于KL散度的8bit对称模型量化原理与实战（NCNN篇）/
│ ├── 基于ncnn的8bit模型量化课程代码.pdf
│ ├── 第1节_基于KL散度的8bit模型量化原理
│ ├── 第2节_量化校准表生成
│ ├── 第3节_ncnn框架简介
│ ├── 第4节_ncnn模型转换
│ └── 第5节_ncnn量化推理
├── 16 基于DCGAN的人脸嘴部表情图像生成实战/
│ ├── DCGAN人脸嘴部表情生成课程代码.pdf
│ ├── 第1节_任务解读
│ ├── 第2节_模型搭建
│ ├── 第3节_模型训练
│ └── 第4节_模型测试
├── 17 基于StyleGAN v1的人脸图像生成实战/
│ ├── StyleGAN v1人脸图像生成课程代码.pdf
│ ├── 第1节_StyleGAN v1原理详解
│ ├── 第2节_StyleGAN v1模型代码详解
│ └── 第3节_StyleGAN v1人脸图像生成模型测试
├── 18 SimpleNet人脸嘴唇分割实战/
│ ├── 数据与代码
│ ├── 第1节_数据准备与读取
│ ├── 第2节_模型搭建
│ ├── 第3节_模型训练
│ └── 第4节_模型测试
├── 19 基于Semantic_Human_Matting的人像分割实战/
│ ├── Semantic_Human_Matting人像分割课程代码.pdf
│ ├── 第1节_模型原理简介
│ ├── 第2节_数据处理
│ ├── 第3节_模型搭建
│ └── 第4节_模型训练与测试
├── 20 SimpleNet人脸表情识别实战/
│ ├── SimpleNet人脸表情识别代码
│ ├── 数据与代码
│ ├── 第1节_项目背景介绍
│ ├── 第2节_数据处理与读取
│ ├── 第3节_模型搭建与训练
│ └── 第4节_模型测试
├── 21 简单图像分类数据增强实战/
│ ├── Pytorch简单图像分类任务数据增强实践代码
│ ├── 代码和数据
│ ├── 数据与代码
│ ├── 第1节_Pytorch数据增强API介绍
│ └── 第2节_Pytorch图像分类数据增强代码实践
├── 22 基于稀疏约束的结构化模型剪枝/
│ ├── 基于稀疏约束的结构化模型剪枝课程代码
│ ├── 第1节_模型剪枝基础
│ ├── 第2节_项目简介
│ ├── 第3节_模型训练
│ └── 第4节_模型剪枝
├── 23 基于3DCNN的视频分类与行为识别实战/
│ ├── 3DCNN视频分类与行为识别代码.pdf
│ ├── 第1节_项目介绍
│ ├── 第2节_数据处理
│ ├── 第3节_模型搭建
│ ├── 第4节_模型训练
│ └── 第5节_模型测试
├── 24 基于CNN-LSTM的视频分类与行为识别实战/
│ ├── CNN-LSTM视频分类与行为识别代码
│ ├── 第1节_项目介绍
│ ├── 第2节_数据处理
│ ├── 第3节_模型搭建
│ ├── 第4节_模型训练
│ └── 第5节_模型测试
├── 25 基于SlowFast的视频分类与行为识别实战/
│ ├── SlowFast视频分类与行为识别代码
│ ├── 第1节_项目简介
│ ├── 第2节_数据读取
│ ├── 第3节_模型搭建
│ ├── 第4节_模型训练
│ └── 第5节_模型测试
├── 26 深度学习之模型设计-经典网络篇/
│ ├── 0_课程介绍
│ ├── 1.0_经典浅层卷积网络设计_简介
│ ├── 1.1_早期卷积网络Neocognitron
│ ├── 1.2_早期语音识别模型TDNN
│ ├── 1.3_早期卷积网络Cresceptron
│ ├── 1.4_经典卷积网络LeNet
│ ├── 2.0_网络深度对分类模型的影响_简介
│ ├── 2.1_经典的网络AlexNet
│ ├── 2.2_更深的网络VGGNet
│ ├── 2.3_梯度问题与ResNet
│ ├── 3.1_ResNet垃圾分类任务介绍
│ ├── 3.2_ResNet垃圾分类数据集预处理
│ ├── 3.3_ResNet垃圾分类数据读取
│ ├── 3.4_ResNet垃圾分类模型训练
│ ├── 3.5_ResNet垃圾分类模型测试
│ ├── 3.6_ResNet垃圾分类模型调优
│ ├── 4.0_经典模型的宽度设计思想_简介
│ ├── 4.1_通道数量调整
│ ├── 4.2_多分支网络结构
│ ├── 4.3_通道补偿技术
│ ├── 5.0_网络宽度对模型性能影响_简介
│ ├── 5.1_多通道的网络Inception-v1
│ ├── 5.2_拓宽的残差网络ResNeXt
│ ├── 6.1_InceptionNet花卉分类实战-项目简介
│ ├── 6.2_InceptionNet花卉分类实战-模型搭建（Inception V1）
│ ├── 6.3_InceptionNet花卉分类实战-模型搭建（Inception V2和V3）
│ ├── 6.4_InceptionNet花卉分类实战-模型搭建（Inception V4）
│ ├── 6.5_InceptionNet花卉分类实战-模型训练
│ ├── 6.6_InceptionNet花卉分类实战-模型测试
│ └── 模型设计-经典网络篇课程代码
└── 资料代码/
资料目录截图：
客服微信