[AI/大数据] 612 PyTorch深度学习开发医学影像端到端判别项目 构建深度学习模型 更新中

课程介绍：
越来越多的科研及企业项目，会把PyTorch作为首选的深度学习框架。它容易上手，功能完善，不管是新入门学习还是上手实战项目，PyTorch都是非常优秀的工具。本课程以实践为目的，把深度学习概念及基础学习贯穿在几个实践项目中，荒川老师将带领你们进入PyTorch深度学习的世界，使用PyTorch将其一一实现。

课程目录：
第1章 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

第2章 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

第3章 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

第4章 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）

第5章 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

第6章 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

第7章 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

第8章 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

第9章 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

第10章 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