[612] PyTorch深度学习开发医学影像端到端判别项目 – 网盘下载构建深度学习模型，综合应用完整企业级项目

网盘链接：

1. 课程导学

• 1-1 课程导学
• 1-2 深度学习如何影响生活
• 1-3 常用深度学习框架

2. 课程内容整体规划

• 2-1 环境安装与配置
• 2-2 使用预训练的ResNet网络给图片分类（一）
• 2-3 使用预训练的ResNet网络给图片分类（二）
• 2-4 使用预训练的GAN网络把马变成斑马

3. PyTorch项目热身实践

• 3-1 工业级数据挖掘流程（一）
• 3-2 工业级数据挖掘流程（二）
• 3-3 课程重难点技能分布
• 3-4 课程实战项目简介

4. PyTorch基础知识必备-张量

• 4-1 什么是张量
• 4-2 张量的获取与存储（一）
• 4-3 张量的获取与存储（二）
• 4-4 张量的基本操作（一）
• 4-5 张量的基本操作（二）
• 4-6 张量中的元素类型
• 4-7 张量的命名
• 4-8 把张量传递到GPU中进行运算
• 4-9 张量的底层实现逻辑（一）
• 4-10 张量的底层实现逻辑（二）

5. PyTorch如何处理真实数据

• 5-1 普通二维图像的加载（一）
• 5-2 普通二维图像的加载（二）
• 5-3 3D图像的加载
• 5-4 普通表格数据加载
• 5-5 有时间序列的表格数据加载
• 5-6 连续值、序列值、分类值的处理
• 5-7 自然语言文本数据加载
• 5-8 本章小结

6. 神经网络理念解决温度计转换

• 6-1 常规模型训练的过程
• 6-2 温度计示数转换
• 6-3 神经网络重要概念-损失
• 6-4 PyTorch中的广播机制
• 6-5 神经网络重要概念-梯度
• 6-6 神经网络重要概念-学习率
• 6-7 神经网络重要概念-归一化
• 6-8 使用超参数优化我们的模型效果
• 6-9 使用PyTorch自动计算梯度
• 6-10 使用PyTorch提供的优化器
• 6-11 神经网络重要概念-激活函数
• 6-12 用PyTorch的nn模块搭建神经网络
• 6-13 构建批量训练方法
• 6-14 使用神经网络解决温度计示数转换问题

7. 使用神经网络区分小鸟和飞机图像

• 7-1 CIFAR-10数据集介绍
• 7-2 为数据集实现Dataset类
• 7-3 为模型准备训练集和验证集
• 7-4 借助softmax方法给出分类结果
• 7-5 分类模型常用损失之交叉熵损失
• 7-6 全连接网络实现图像分类
• 7-7 对全连接网络的改进之卷积网络
• 7-8 借助PyTorch搭建卷积网络模型
• 7-9 卷积中的数据填充方法padding
• 7-10 使用卷积提取图像中的特定特征
• 7-11 借助下采样压缩数据
• 7-12 借助PyTorch搭建卷积网络
• 7-13 训练我们的分类模型
• 7-14 训练好的模型如何存储
• 7-15 该用GPU训练我们的模型
• 7-16 优化方案之增加模型宽度-width
• 7-17 优化方案之数据正则化-normalization（一）
• 7-18 优化方案之数据正则化-normalization（二）
• 7-19 优化方案之数据正则化-normalization（三）
• 7-20 优化方案之增加模型深度-depth
• 7-21 本章小结

8. 项目实战一：理解业务与数据

• 8-1 肺部癌症检测的项目简介
• 8-2 CT数据是什么样子
• 8-3 制定一个解决方案
• 8-4 下载项目中的数据集
• 8-5 原始数据是长什么样子的
• 8-6 加载标注数据
• 8-7 加载CT影像数据
• 8-8 数据坐标系的转换
• 8-9 编写Dataset方法
• 8-10 分割训练集和验证集
• 8-11 CT数据可视化实现（一）
• 8-12 CT数据可视化实现（二）
• 8-13 CT数据可视化实现（三）
• 8-14 本章小结

9. 项目实战二：模型训练与优化

• 9-1 第一个模型：结节分类
• 9-2 定义模型训练框架
• 9-3 初始化都包含什么内容
• 9-4 编写数据加载器部分
• 9-5 实现模型的核心部分
• 9-6 定义损失计算和训练验证环节（一）
• 9-7 定义损失计算和训练验证环节（二）
• 9-8 在日志中保存重要信息
• 9-9 尝试训练第一个模型
• 9-10 借助TensorBoard绘制指标曲线
• 9-11 新的模型评估指标：F1score
• 9-12 实现F1Score计算逻辑
• 9-13 数据优化方法
• 9-14 数据重复采样的代码实现
• 9-15 数据增强的代码实现
• 9-16 第二个模型：结节分割
• 9-17 图像分割的几种类型
• 9-18 U-Net模型介绍
• 9-19 为图像分割进行数据预处理
• 9-20 为图像分割构建Dataset类
• 9-21 构建训练Dataset和使用GPU进行数据增强
• 9-22 Adam优化器和Dice损失
• 9-23 构建训练流程
• 9-24 模型存储、图像存储代码介绍
• 9-25 分割模型训练及在TensorBoard中查看结果
• 9-26 本章小结

10. 项目实战三：实现端到端的模型预测

• 10-1 连接分割模型和分类模型
• 10-2 新的评价指标：AUC-ROC曲线
• 10-3 使用finetune方法构建肿瘤恶性判断模型
• 10-4 完整的实现端到端肺部肿瘤检测
• 10-5 使用合适的框架把模型部署上线（一）
• 10-6 使用合适的框架把模型部署上线（二）
• 10-7 本章小结

11. 课程总结与面试问题

• 11-1 肿瘤检测系统架构回顾
• 11-2 课程中的神经网络回顾
• 11-3 模型优化方法回顾
• 11-4 面试过程中可能遇到的问题
• 11-5 持续学习的几个建议