课时1：机器学习、深度学习简介.mp4
课时2：深度学习的发展历史.mp4
课时3：现代深度学习的典型例子.mp4
课时4：深度学习在计算机视觉中的应用.mp4
课时5：深度学习的总结.mp4
课时6：开发环境的配置, python, Numpy, Keras入门教程.mp4
课时7：GPU驱动程序安装.mp4
课时8：CUDA的安装.mp4
课时9：cuDNN的安装, Tensorflow, PyTorch的GPU测试.mp4
课时10：问答环节.mp4
课时11：环境安装.mp4
课时12：二元分类问题.mp4
课时13：逻辑函数.mp4
课时14：指数与对数 、逻辑回归.mp4
课时15：示例.mp4
课时16：损失函数.mp4
课时17：损失函数推演.mp4
课时18：梯度下降法.mp4
课时19：应用.mp4
课时20：直播答疑.mp4
课时21：自动驾驶方向盘预测论文分析.mp4
课时22：使用PyCharm Keras建立深度网络模型.mp4
课时23：数据预处理 数据增强.mp4
课时24：建立BatchGenerator高效读取数据.mp4
课时25：训练网络 保存训练的中间过程数据.mp4
课时26：查看网络训练过程 判断网络是否过拟合 欠拟合.mp4
课时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.mp4
课时28：使用Pandas读取鸢尾花数据集， 使用LabelEncoder对类别标签进行编码.mp4
课时29：使用Keras创建一个用于鸢尾花分类识别的神经网络.mp4
课时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.mp4
课时31：神经网络数学原理（1）： 神经网络的结点，权值，激活函数.mp4
课时32：神经网络数学原理（2）： 神经网络的前馈（Feed Forward）算法.mp4
课时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.mp4
课时34：神经网络数学原理（4）：神经网络BP（误差反向传播）算法.mp4
课时35：神经网络数学原理（5）：神经网络BP（误差反向传递）算法续.mp4
课时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）.mp4
课时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.mp4
课时38：Neural.Network.Loss-直播01.mp4
课时39：Neural.Network.Loss-直播02.mp4
课时40：Neural.Network.Loss-直播03.mp4
课时41：梯度消亡.mp4
课时42：梯度消亡问题分析.mp4
课时43：梯度消亡解决方案.mp4
课时44：过拟合.mp4
课时45：DropOut 训练.mp4
课时46：正则化.mp4
课时47：最大范数约束 神经元的初始化.mp4
课时48：作业讲解与答疑-01.mp4
课时49：作业讲解与答疑-02.mp4
课时50：为什么需要递归神经网络？.mp4
课时51：递归神经网络介绍.mp4
课时52：语言模型.mp4
课时53：RNN的深度.mp4
课时54：梯度爆炸和梯度消失.mp4
课时55：Gradient Clipping.mp4
课时56：LSTM的介绍.mp4
课时57：LSTM的应用.mp4
课时58：Bi-Directional LSTM.mp4
课时59：Gated Recurrent Unit.mp4
课时60：机器翻译.mp4
课时61：Multimodal Learning.mp4
课时62：Seq2Seq模型.mp4
课时63：回顾RNN与LSTM.mp4
课时64：Attention for Image Captioning.mp4
课时65：Attention for Machine Translation.mp4
课时66：Self-Attention.mp4
课时67：Attention总结.mp4
课时68：neural network optimizer直播-01.mp4
课时69：neural network optimizer直播-02.mp4
课时70：neural network optimizer直播-03.mp4
课时71：项目介绍.mp4
课时72：看图说话课时一-01.mp4
课时73：看图说话课时一-02.mp4
课时74：看图说话课时一-03.mp4
课时75：课时介绍.mp4
课时76：如何实现 load_img_as_np_array 这个函数.mp4
课时77：如何实现“load_vgg16_model”函数.mp4
课时78：如何实现“extract_features”函数.mp4
课时79：创建Tokenizer01.mp4
课时80：创建Tokenizer02.mp4
课时81：产生模型需要的输入数据01.mp4
课时82：产生模型需要的输入数据02.mp4
课时83：课时的概述.mp4
课时84：Input Embedding和Dropout层介绍.mp4
课时85：LSTM Add层的介绍.mp4
课时86：如何训练模型.mp4
课时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.mp4
课时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.mp4
课时89：如何调用generate_caption函数.mp4
课时90：如何评价标题生成模型的性能.mp4
课时91：读取和显示数字图像.mp4
课时92：数字图像大小缩放.mp4
课时93：数字图像直方图均衡.mp4
课时94：图像去噪声.mp4
课时95：图像边缘检测.mp4
课时96：图像关键点检测.mp4
课时97：道路行车道检测简介.mp4
课时98：Canny边缘检测.mp4
课时99：霍夫变换用于直线检测.mp4
课时101：在图像和视频上面演示道路行车道检测.mp4
课时102：项目介绍.mp4
课时103：交通指示牌识别的简介.mp4
课时104：交通指示牌识别课程的编程课时.mp4
课时105：如何分析数据 (util.py 的详细介绍).mp4
课时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.mp4
课时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.mp4
课时108：色彩空间转换.mp4
课时109：直方图均衡.mp4
课时110：图像标准化.mp4
课时111：使用ImageDataGenerator做图像增强.mp4
课时112：作业上传的要求.mp4
课时113：介绍经典交通指示牌卷积神经网络模型.mp4
课时114：代码实现经典交通指示牌识别卷积神经网络模型.mp4
课时115：卷积神经网络的数学原理01.mp4
课时116：卷积神经网络的数学原理02.mp4
课时117：深度学习调参-直播-01.mp4
课时118：深度学习调参-直播-02.mp4
课时119：深度学习调参-直播-03.mp4
课时120：卷积层的启发.mp4
课时121：卷积层的定量分析.mp4
课时122：单通道输入 单通道输出的卷积层的实例.mp4
课时123：多通道输入 多通道输出的卷积层的实例.mp4
课时124：池化层的原理 定量分析.mp4
课时125：卷积神经网络和全连接神经网络的比较.mp4
课时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.mp4
课时127：基于深度学习的图像分类历史回顾.mp4
课时128：AlexNet的结构分析.mp4
课时129：ZFNet的结构分析.mp4
课时130：VGG的结构分析.mp4
课时131：GoogleNet Inception的结构分析.mp4
课时132：Inception V3的结构分析.mp4
课时133：ResNet的结构分析.mp4
课时134：ResNet的代码实现.mp4
课时135：基于内容的图像搜索理论基础.mp4
课时136：基于去噪自动编码器的图像搜索代码实现.mp4
课时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.mp4
课时138：项目1-看图说话（助教）讲解和答疑-01.mp4
课时139：项目1-看图说话（助教）讲解和答疑-02.mp4
课时140：项目介绍.mp4
课时141：自动驾驶方向盘转动方向预测的背景知识.mp4
课时142：如何收集训练数据.mp4
课时143：理解分析训练数据.mp4
课时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.mp4
课时145：提高网络性能的思路 图像处理、数据增强、网络结构优化.mp4
课时146：探索数据01.mp4
课时147：探索数据02.mp4
课时148：图像增强01.mp4
课时149：图像增强02.mp4
课时150：解决数据不平衡的问题 DataGenerator的应用.mp4
课时151：网络结构实例.mp4
课时152： 图像增强部分的代码讲解.mp4
课时153：DataGenerator部分的代码讲解.mp4
课时154：网络结构实现部分的代码讲解.mp4
课时155：方向盘转动方向预测网络模型的性能评估方法.mp4
课时156：使用模拟器定性的判断网络性能的方法以及代码讲解.mp4
课时157：模拟器自动驾驶的展示.mp4
课时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.mp4
课时159：如何安装Python 连接模拟器的Python 库.mp4
课时160：windows 下面使用自动驾驶模拟器的教程.mp4
课时161：mac 下面使用自动驾驶模拟器的教程.mp4
课时162：目标识别综述.mp4
课时163：基于HOG(梯度直方图)的目标识别.mp4
课时164：Non-Max Suppression IoU 和 Hard Negative Mining.mp4
课时165：R-CNN的工作原理.mp4
课时166：R-CNN中的边界框(Bounding Box)预测原理.mp4
课时167：R-CNN的不足之处.mp4
课时168：Fast R-CNN详解.mp4
课时169：Faster R-CNN Region Proposal Network.mp4
课时170：R-CNN Fast R-CNN Faster R-CNN的总结.mp4
课时171：目标识别 R-CNN家族的回顾.mp4
课时172：SSD的简介 SSD与R-CNN的比较.mp4
课时173：SSD的网络结构.mp4
课时174：如何使用卷积作为最后的预测层.mp4
课时175：SSD的训练过程.mp4
课时176：SSD的实验结果分析.mp4
课时177：VGG16到SSD网络的演化 L2Normalization层的实现.mp4
课时178：SSD各个技术对失败率的影响 Atrous卷积层的原理.mp4
课时179：使用卷积作为最后的预测层详解.mp4
课时180：SSD定位损失函数详解.mp4
课时181：SSD中Anchor尺寸 宽高比 中心位置的确定.mp4
课时182：SSD中分类损失函数详解.mp4
课时183：Non-Max Suppression的原理.mp4
课时184：SSD和YOLO的比较 SSD的总结.mp4
课时185：图像分割简介.mp4
课时186：基于深度学习的图像分割U-Net的原理.mp4
课时187：Transposed Convolution原理与运用.mp4
课时188：U-Net的代码讲解.mp4
课时189：图像生成的原理.mp4
课时190：使用深度学习自动图像生成手写数字的代码讲解.mp4
课时191：图像风格转移的原理.mp4
课时192：使用深度学习实现图像风格转移的代码讲解.mp4
课时193：SSD的原理回顾.mp4
课时194：编程项目的训练数据介绍.mp4
课时195：对SSD模型对产生Anchor有影响的参数讲解.mp4
课时196：对候选框精选处理有影响的参数讲解.mp4
课时197：对输入模型参数的合法性检测和转换.mp4
课时198：具有7层的SSD的网络结构讲解.mp4
课时199：编译模型, 使用模型做预测.mp4
课时200：SSD解码的实现.mp4
课时201：帮助函数IoU, 坐标转换, SSD损失函数, Non-Max-Suppression的实现.mp4
课时202：二值化神经网络的简介.mp4
课时203：二值化网络的前向后向传播, 梯度计算原理.mp4
课时204：二值化网络的训练算法.mp4
课时205：二值化网络的实验结果.mp4
课时206：二值化全连接网络的代码讲解.mp4
课时207：DropoutNoScale层的实现.mp4
课时208：BinaryDense层的实现.mp4
课时209：二值化卷积神经网络的代码讲解.mp4
课时210：项目作业要求.mp4
课时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.mp4
课时212：MobileNet, Depthwise Seperable Convolution的原理计算量分析.mp4
课时213：ShuffleNet, Group Convolution, Channel Shuffle的原理.mp4
课时214：EffNet, Spatial Seperable Convolution的原理计算量分析和实验效果.mp4
课时215：lightweight-network答疑时间.mp4
课时216：回顾EffNet的原理.mp4
课时217：EffNet的代码讲解.mp4
课时218：One-Shot Learning 的意义和工作原理.mp4
课时219：用于One-Shot Learning 的Siamese 深度神经网络的介绍.mp4
课时220：Siamese 深度神经网络的实验和结果分析.mp4
课时221：Transposed Convolution 的应用, 算法回顾, 以及使用矩阵乘法实现.mp4
课时222：Transposed Convolution 的梯度推导.mp4
课时223：将卷积核转换为Toeplitz Matrix用于矩阵乘法实现Transposed.mp4
课时224：同学对课程的效果反馈调查.mp4
课时225：使用 Siamese 网络做门禁卡系统的入门介绍, 数据集的介绍.mp4
课时226：PyTorch 基础教程.mp4
课时227：Siamese One-Shot learning 知识回顾.mp4
课时228：使用 PyTorch torchvision 库高效读取数据.mp4
课时229：使用 PyTorch 定义 Siamese 网络结构.mp4
课时230：使用 PyTorch 写训练网络的代码.mp4
课时231：使用 PyTorch 写测试网络的代码.mp4
课件源码资料[1.24G].zip