课程介绍

PyTorch深度学习开发医学影像端到端判别课程是一个专门针对医学影像数据进行深度学习模型开发的课程。该课程旨在教授学员如何使用PyTorch框架进行医学影像的端到端判别任务，以实现准确的疾病诊断和预测。

在这门课程中，学员将学习如何处理医学影像数据，包括数据预处理、数据增强和数据标注。学员还将学习如何构建深度学习模型，包括卷积神经网络（CNN）和循环神经网络（RNN），以及如何使用PyTorch进行模型训练和优化。

课程还将介绍医学影像的端到端判别任务，如疾病检测、病灶分割和病情预测等。学员将学习如何设计合适的损失函数和评估指标，以评估模型的性能和准确度。

此外，课程还将涵盖一些实际的医学影像案例，如乳腺癌检测、肺部疾病识别和脑部肿瘤检测等。学员将学习如何处理不同类型的医学影像数据，并根据具体的任务需求进行模型设计和训练。

通过完成这门课程，学员将掌握PyTorch深度学习框架在医学影像端到端判别任务中的应用，能够独立设计和开发深度学习模型，以解决医学影像分析中的实际问题。

课程目录

8-001-【imooc】课程汇总/
│【imooc-612】PyTorch深度学习开发医学影像端到端判别[2023新课]/
││├─README.md 130byte
││├─第01章 课程导学
││├─第02章 课程内容整体规划
││├─第03章 PyTorch项目热身实践
││├─第04章 PyTorch基础知识必备-张量
││├─第05章 PyTorch如何处理真实数据
││├─第06章 神经网络理念解决温度计转换
││├─第07章 使用神经网络区分小鸟和飞机图像
││├─第08章 项目实战一：理解业务与数据
││├─第09章 项目实战二：模型训练与优化
││├─第10章 项目实战三：实现端到端的模型预测
││├─第11章 课程总结与面试问题
││├─说明.png 1.8MB
││├─课程说明.txt 273byte

详细目录

││第01章 课程导学/
│││├─1-1课程导学.mp4 49MB
│││├─1-2深度学习如何影响生活.mp4 20.2MB
│││├─1-3常用深度学习框架.mp4 24.9MB
││第02章 课程内容整体规划/
│││├─2-1环境安装与配置.mp4 27.2MB
│││├─2-2使用预训练的ResNet网络给图片分类一.mp4 31.9MB
│││├─2-3使用预训练的ResNet网络给图片分类二.mp4 30.1MB
│││├─2-4使用预训练的GAN网络把马变成斑马.mp4 38.3MB
││第03章 PyTorch项目热身实践/
│││├─3-1工业级数据挖掘流程一.mp4 41.1MB
│││├─3-2工业级数据挖掘流程二.mp4 31.9MB
│││├─3-3课程重难点技能分布.mp4 8.5MB
│││├─3-4课程实战项目简介.mp4 10.9MB
││第04章 PyTorch基础知识必备-张量/
│││├─4-10张量的底层实现逻辑二.mp4 18.5MB
│││├─4-1什么是张量.mp4 21.5MB
│││├─4-2张量的获取与存储一.mp4 25.8MB
│││├─4-3张量的获取与存储二.mp4 21.7MB
│││├─4-4张量的基本操作一.mp4 13.5MB
│││├─4-5张量的基本操作二.mp4 28.8MB
│││├─4-6张量中的元素类型.mp4 12.6MB
│││├─4-7张量的命名.mp4 14.4MB
│││├─4-8把张量传递到GPU中进行运算.mp4 9.5MB
│││├─4-9张量的底层实现逻辑一.mp4 30MB
││第05章 PyTorch如何处理真实数据/
│││├─5-1普通二维图像的加载一.mp4 21.2MB
│││├─5-2普通二维图像的加载二.mp4 17.8MB
│││├─5-33D图像的加载.mp4 32.1MB
│││├─5-4普通表格数据加载.mp4 28.4MB
│││├─5-5有时间序列的表格数据加载.mp4 30.5MB
│││├─5-6连续值序列值分类值的处理.mp4 23.6MB
│││├─5-7自然语言文本数据加载.mp4 31.1MB
│││├─5-8本章小结.mp4 7.1MB
││第06章 神经网络理念解决温度计转换/
│││├─6-10使用PyTorch提供的优化器.mp4 22.5MB
│││├─6-11神经网络重要概念-激活函数.mp4 27.9MB
│││├─6-12用PyTorch的nn模块搭建神经网络.mp4 16.8MB
│││├─6-13构建批量训练方法.mp4 21.3MB
│││├─6-14使用神经网络解决温度计示数转换问题.mp4 34.2MB
│││├─6-1常规模型训练的过程.mp4 19.1MB
│││├─6-2温度计示数转换.mp4 15.6MB
│││├─6-3神经网络重要概念-损失.mp4 18.6MB
│││├─6-4PyTorch中的广播机制.mp4 27.5MB
│││├─6-5神经网络重要概念-梯度.mp4 35.1MB
│││├─6-6神经网络重要概念-学习率.mp4 36.7MB
│││├─6-7神经网络重要概念-归一化.mp4 49.3MB
│││├─6-8使用超参数优化我们的模型效果.mp4 21.9MB
│││├─6-9使用PyTorch自动计算梯度.mp4 32.2MB
││第07章 使用神经网络区分小鸟和飞机图像/
│││├─7-10使用卷积提取图像中的特定特征.mp4 13.3MB
│││├─7-11借助下采样压缩数据.mp4 12.4MB
│││├─7-12借助PyTorch搭建卷积网络.mp4 14.8MB
│││├─7-13训练我们的分类模型.mp4 17.5MB
│││├─7-14训练好的模型如何存储.mp4 3.9MB
│││├─7-15该用GPU训练我们的模型.mp4 16.6MB
│││├─7-16优化方案之增加模型宽度-width.mp4 17.6MB
│││├─7-17优化方案之数据正则化-normalization一.mp4 21.7MB
│││├─7-18优化方案之数据正则化-normalization二.mp4 27.1MB
│││├─7-19优化方案之数据正则化-normalization三.mp4 14.8MB
│││├─7-1CIFAR-10数据集介绍.mp4 11.6MB
│││├─7-20优化方案之增加模型深度-depth.mp4 35.3MB
│││├─7-21本章小结.mp4 8.8MB
│││├─7-2为数据集实现Dataset类.mp4 15.7MB
│││├─7-3为模型准备训练集和验证集.mp4 19.6MB
│││├─7-4借助softmax方法给出分类结果.mp4 15.6MB
│││├─7-5分类模型常用损失之交叉熵损失.mp4 12.2MB
│││├─7-6全连接网络实现图像分类.mp4 47.6MB
│││├─7-7对全连接网络的改进之卷积网络.mp4 22.2MB
│││├─7-8借助PyTorch搭建卷积网络模型.mp4 26.1MB
│││├─7-9卷积中的数据填充方法padding.mp4 7.7MB
││第08章 项目实战一：理解业务与数据/
│││├─8-10分割训练集和验证集.mp4 13.2MB
│││├─8-11CT数据可视化实现一.mp4 19.3MB
│││├─8-12CT数据可视化实现二.mp4 38.8MB
│││├─8-13CT数据可视化实现三.mp4 29.2MB
│││├─8-14本章小结.mp4 7.2MB
│││├─8-1肺部癌症检测的项目简介.mp4 23.4MB
│││├─8-2CT数据是什么样子.mp4 14.5MB
│││├─8-3制定一个解决方案.mp4 14.2MB
│││├─8-4下载项目中的数据集.mp4 17.1MB
│││├─8-5原始数据是长什么样子的.mp4 19.1MB
│││├─8-6加载标注数据.mp4 29.3MB
│││├─8-7加载CT影像数据.mp4 11.7MB
│││├─8-8数据坐标系的转换.mp4 32.1MB
│││├─8-9编写Dataset方法.mp4 16.4MB
││第09章 项目实战二：模型训练与优化/
│││├─9-10借助TensorBoard绘制指标曲线.mp4 38.8MB
│││├─9-11新的模型评估指标F1score.mp4 26.9MB
│││├─9-12实现F1Score计算逻辑.mp4 11.7MB
│││├─9-13数据优化方法.mp4 21.7MB
│││├─9-14数据重复采样的代码实现.mp4 24.4MB
│││├─9-15数据增强的代码实现.mp4 32.6MB
│││├─9-16第二个模型结节分割.mp4 20.1MB
│││├─9-17图像分割的几种类型.mp4 21.5MB
│││├─9-18U-Net模型介绍.mp4 42.6MB
│││├─9-19为图像分割进行数据预处理.mp4 46.3MB
│││├─9-1第一个模型结节分类.mp4 25.8MB
│││├─9-20为图像分割构建Dataset类.mp4 35.2MB
│││├─9-21构建训练Dataset和使用GPU进行数据增强.mp4 22.4MB
│││├─9-22Adam优化器和Dice损失.mp4 17.5MB
│││├─9-23构建训练流程.mp4 26.2MB
│││├─9-24模型存储图像存储代码介绍.mp4 17.4MB
│││├─9-25分割模型训练及在TensorBoard中查看结果.mp4 51.8MB
│││├─9-26本章小结.mp4 21.9MB
│││├─9-2定义模型训练框架.mp4 25.6MB
│││├─9-3初始化都包含什么内容.mp4 14.9MB
│││├─9-4编写数据加载器部分.mp4 13.6MB
│││├─9-5实现模型的核心部分.mp4 30MB
│││├─9-6定义损失计算和训练验证环节一.mp4 31.3MB
│││├─9-7定义损失计算和训练验证环节二.mp4 16.1MB
│││├─9-8在日志中保存重要信息.mp4 36.1MB
│││├─9-9尝试训练第一个模型.mp4 70MB
││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.mp4 44.3MB
│││├─10-2新的评价指标AUC-ROC曲线.mp4 55.3MB
│││├─10-3使用finetune方法构建肿瘤恶性判断模型.mp4 58.9MB
│││├─10-4完整的实现端到端肺部肿瘤检测.mp4 50.4MB
│││├─10-5使用合适的框架把模型部署上线一.mp4 29.1MB
│││├─10-6使用合适的框架把模型部署上线二.mp4 37.9MB
│││├─10-7本章小结.mp4 12.4MB
││第11章 课程总结与面试问题/
│││├─11-1肿瘤检测系统架构回顾.mp4 27.4MB
│││├─11-2课程中的神经网络回顾.mp4 23.6MB
│││├─11-3模型优化方法回顾.mp4 19MB
│││├─11-4面试过程中可能遇到的问题.mp4 45.5MB
│││├─11-5持续学习的几个建议.mp4 42.6MB