在本课程中，您将学习什么是以及如何实现卷积神经网络模型。为此，您将使用 Python 编程语言库 Pytorch，该工具可让您轻松构建神经网络模型。

课程英文名：Convolutional Neural Networks with Pytorch

此视频教程共6.0小时，中英双语字幕，画质清晰无水印，源码附件全

下载地址

课程编号：134
百度网盘地址：https://pan.baidu.com/s/1_eoVIwUijTDjw8v5pVDccA?pwd=ndku
夸克网盘(不限速)地址：https://pan.quark.cn/s/ac8226352700

课程内容

机器学习技术的最新创新带来了巨大的技术变革，现在大部分业务正在转向由深度学习和计算机视觉推动的技术支持的商业模式。为了保持行业竞争力，保持最新并在这些技能上建立专业知识非常重要。

本课程旨在通过神经网络、ANN、CNN 以及激活函数为您提供计算机视觉和深度学习的核心概念。在介绍了这些基础知识之后，本课程详细解释了对象检测架构，说明了它与对象跟踪的不同之处，然后详细介绍了随着时间的推移而广泛使用的对象检测模型。首先，我们从 R-CNN 模型的架构设计开始，然后转向 FAST R-CNN 模型，它是 R-CNN 的高级版本。此后，我们解释了区域提议网络 (RPN) 的概念，然后利用它来构建 FASTER R-CNN 模型，并用 R-FCN 模型结束这一遗留问题。接下来，该课程深入探讨了从 Retinanet 开始的高级对象检测模型，

此后，我们继续进行图像分类的下一个逻辑步骤，因为检测到的对象的输出被图像分类模型消耗，以更好地识别输入数据。我们将从支持向量机 (SVM)、决策树和 K 最近邻 (KNN) 等基本机器学习图像分类算法开始，然后转向 VGG-16、ResNet50、Inceptionv3 和 EfficientNet 模型等高级算法。

最后，我们将继续讨论对象跟踪的最终概念，在识别视频中的对象后，我们开始将其作为视频过程进行跟踪。在对象跟踪中，我们将介绍 Meanshift 算法、SORT 和 DeepSort 框架。

该课程旨在通过首先解释技术概念然后通过代码实现它们来深入解释深度学习和计算机视觉概念。包含项目中所有代码实现的详细代码演练，源代码可供下载。除此之外，课程中的测验可帮助您评估您的知识并确定改进领域。

注册本课程并成为机器学习专家。以下是我们将要设计的几个项目：

• 使用预训练的 Faster R-CNN 模型在视频中进行目标检测
• 开发物体检测应用程序自动车牌检测
• 为汽车车牌检测构建和训练基于 YOLOV3 的目标检测模型
• 使用 SVM 模型对视频中的交通标志进行分类和标注
• 构建和训练基于 ResNet 的图像分类模型，用于识别 20 种不同类型的类
• 使用 SORT 和 YOLO 设计 Football Playing Object Tracking 应用程序

本课程适用于：

• 想要训练模型的深度学习爱好者
• 想要开发 AI 解决方案的 Python 开发人员
• 计算机视觉专业人员
• 机器学习开发人员
• 数据科学家在课程的第一部分，您将了解深度学习和卷积神经网络理论的基础知识，然后我们将深入了解这些模型背后的数学，以便您了解这些模型的工作原理、训练方式和评估并利用这些知识，您可以更改内容以改进自己的模型。

在理论部分之后，您将构建一个实际项目，在该项目中您将构建一个卷积神经网络模型，将图像分类为不同的类别（例如将狗的图片分类为狗）。为此，您将使用 Pytorch，这是一个允许您使用 Python 创建和训练神经网络模型的库。首先，您将使用特定的卷积架构创建模型，然后通过应用您在理论部分学到的所有概念来训练模型。训练后，您将获得可让您分析和评估模型有多好的指标。根据结果​​，您将学习如何在项目中实施更改，以便您可以学习如何探索不同的选项以提高模型性能。

您不需要以前的深度学习、卷积神经网络或 Pytorch 知识，因为您将学习使用该技术构建深度学习项目所需的基础知识。

因此，通过这门非常实用的课程开始构建卷积深度学习项目。

本课程适用于：

• 任何想了解如何使用 Python 和 Pytorch 实现卷积神经网络的人
• 任何想了解如何开发深度学习项目的人

要求

• 需要基本的 Python 知识
• 无需具备卷积神经网络方面的知识
• 不需要以前的深度学习知识
• 不需要机器学习方面的先前知识
• 不需要 Pytorch 的先前知识