├── 1-课程导学/
│ ├── [ 53M] 1-1 课程导学
│ ├── [ 23M] 1-2 深度学习如何影响生活
│ └── [ 21M] 1-3 常用深度学习框架
├── 2-课程内容整体规划/
│ ├── [ 30M] 2-1 环境安装与配置
│ ├── [ 39M] 2-2 使用预训练的ResNet网络给图片分类（一）
│ ├── [ 30M] 2-3 使用预训练的ResNet网络给图片分类（二）
│ └── [ 43M] 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/
│ ├── [ 56M] 3-1 工业级数据挖掘流程（一）
│ ├── [ 35M] 3-2 工业级数据挖掘流程（二）
│ ├── [ 11M] 3-3 课程重难点技能分布
│ └── [ 15M] 3-4 课程实战项目简介
├── 4-PyTorch基础知识必备-张量/
│ ├── [ 24M] 4-1 什么是张量
│ ├── [ 36M] 4-2 张量的获取与存储（一）
│ ├── [ 34M] 4-3 张量的获取与存储（二）
│ ├── [ 19M] 4-4 张量的基本操作（一）
│ ├── [ 36M] 4-5 张量的基本操作（二）
│ ├── [ 16M] 4-6 张量中的元素类型
│ ├── [ 20M] 4-7 张量的命名
│ ├── [9.5M] 4-8 把张量传递到GPU中进行运算
│ ├── [ 39M] 4-9 张量的底层实现逻辑（一）
│ └── [ 26M] 4-10 张量的底层实现逻辑（二）
├── 5-PyTorch如何处理真实数据/
│ ├── [ 22M] 5-1 普通二维图像的加载（一）
│ ├── [ 23M] 5-2 普通二维图像的加载（二）
│ ├── [ 32M] 5-3 3D图像的加载
│ ├── [ 33M] 5-4 普通表格数据加载
│ ├── [ 36M] 5-5 有时间序列的表格数据加载
│ ├── [ 27M] 5-6 连续值、序列值、分类值的处理
│ ├── [ 34M] 5-7 自然语言文本数据加载
│ └── [5.4M] 5-8 本章小结
├── 6-神经网络理念解决温度计转换/
│ ├── [ 19M] 6-1 常规模型训练的过程
│ ├── [ 18M] 6-2 温度计示数转换
│ ├── [ 21M] 6-3 神经网络重要概念-损失
│ ├── [ 38M] 6-4 PyTorch中的广播机制
│ ├── [ 37M] 6-5 神经网络重要概念-梯度
│ ├── [ 42M] 6-6 神经网络重要概念-学习率
│ ├── [ 54M] 6-7 神经网络重要概念-归一化
│ ├── [ 26M] 6-8 使用超参数优化我们的模型效果
│ ├── [ 37M] 6-9 使用PyTorch自动计算梯度
│ ├── [ 31M] 6-10 使用PyTorch提供的优化器
│ ├── [ 37M] 6-11 神经网络重要概念-激活函数
│ ├── [ 18M] 6-12 用PyTorch的nn模块搭建神经网络
│ ├── [ 29M] 6-13 构建批量训练方法
│ └── [ 46M] 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/
│ ├── [ 16M] 7-1 CIFAR-10数据集介绍
│ ├── [ 20M] 7-2 为数据集实现Dataset类
│ ├── [ 24M] 7-3 为模型准备训练集和验证集
│ ├── [ 15M] 7-4 借助softmax方法给出分类结果
│ ├── [ 12M] 7-5 分类模型常用损失之交叉熵损失
│ ├── [ 60M] 7-6 全连接网络实现图像分类
│ ├── [ 23M] 7-7 对全连接网络的改进之卷积网络
│ ├── [ 34M] 7-8 借助PyTorch搭建卷积网络模型
│ ├── [ 10M] 7-9 卷积中的数据填充方法padding
│ ├── [ 18M] 7-10 使用卷积提取图像中的特定特征
│ ├── [ 16M] 7-11 借助下采样压缩数据
│ ├── [ 19M] 7-12 借助PyTorch搭建卷积网络
│ ├── [ 22M] 7-13 训练我们的分类模型
│ ├── [4.0M] 7-14 训练好的模型如何存储
│ ├── [ 21M] 7-15 该用GPU训练我们的模型
│ ├── [ 19M] 7-16 优化方案之增加模型宽度-width
│ ├── [ 26M] 7-17 优化方案之数据正则化-normalization（一）
│ ├── [ 34M] 7-18 优化方案之数据正则化-normalization（二）
│ ├── [ 16M] 7-19 优化方案之数据正则化-normalization（三）
│ ├── [ 30M] 7-20 优化方案之增加模型深度-depth
│ └── [8.0M] 7-21 本章小结
├── 8-项目实战一：理解业务与数据/
│ ├── [ 29M] 8-1 肺部癌症检测的项目简介
│ ├── [ 18M] 8-2 CT数据是什么样子
│ ├── [ 19M] 8-3 制定一个解决方案
│ ├── [ 22M] 8-4 下载项目中的数据集
│ ├── [ 24M] 8-5 原始数据是长什么样子的
│ ├── [ 37M] 8-6 加载标注数据
│ ├── [ 16M] 8-7 加载CT影像数据
│ ├── [ 45M] 8-8 数据坐标系的转换
│ ├── [ 23M] 8-9 编写Dataset方法
│ ├── [ 20M] 8-10 分割训练集和验证集
│ ├── [ 24M] 8-11 CT数据可视化实现（一）
│ ├── [ 38M] 8-12 CT数据可视化实现（二）
│ ├── [ 29M] 8-13 CT数据可视化实现（三）
│ └── [5.4M] 8-14 本章小结
├── 9-项目实战二：模型训练与优化/
│ ├── [ 24M] 9-1 第一个模型：结节分类
│ ├── [ 38M] 9-2 定义模型训练框架
│ ├── [ 21M] 9-3 初始化都包含什么内容
│ ├── [ 16M] 9-4 编写数据加载器部分
│ ├── [ 44M] 9-5 实现模型的核心部分
│ ├── [ 38M] 9-6 定义损失计算和训练验证环节（一）
│ ├── [ 22M] 9-7 定义损失计算和训练验证环节（二）
│ ├── [ 46M] 9-8 在日志中保存重要信息
│ ├── [ 69M] 9-9 尝试训练第一个模型
│ ├── [ 41M] 9-10 借助TensorBoard绘制指标曲线
│ ├── [ 31M] 9-11 新的模型评估指标：F1score
│ ├── [ 18M] 9-12 实现F1Score计算逻辑
│ ├── [ 25M] 9-13 数据优化方法
│ ├── [ 37M] 9-14 数据重复采样的代码实现
│ ├── [ 46M] 9-15 数据增强的代码实现
│ ├── [ 25M] 9-16 第二个模型：结节分割
│ ├── [ 24M] 9-17 图像分割的几种类型
│ ├── [ 46M] 9-18 U-Net模型介绍
│ ├── [ 55M] 9-19 为图像分割进行数据预处理
│ ├── [ 54M] 9-20 为图像分割构建Dataset类
│ ├── [ 26M] 9-21 构建训练Dataset和使用GPU进行数据增强
│ ├── [ 21M] 9-22 Adam优化器和Dice损失
│ ├── [ 41M] 9-23 构建训练流程
│ ├── [ 19M] 9-24 模型存储、图像存储代码介绍
│ ├── [ 55M] 9-25 分割模型训练及在TensorBoard中查看结果
│ └── [ 18M] 9-26 本章小结
├── 10-项目实战三：实现端到端的模型预测/
│ ├── @优库it资源网
│ ├── [ 61M] 10-1 连接分割模型和分类模型
│ ├── [ 82M] 10-2 新的评价指标：AUC-ROC曲线
│ ├── [ 68M] 10-3 使用finetune方法构建肿瘤恶性判断模型
│ ├── [ 50M] 10-4 完整的实现端到端肺部肿瘤检测
│ ├── [ 34M] 10-5 使用合适的框架把模型部署上线（一）
│ ├── [ 39M] 10-6 使用合适的框架把模型部署上线（二）
│ └── [ 11M] 10-7 本章小结
├── 11-课程总结与面试问题/
│ ├── [ 32M] 11-1 肿瘤检测系统架构回顾
│ ├── [ 30M] 11-2 课程中的神经网络回顾
│ ├── [ 23M] 11-3 模型优化方法回顾
│ ├── [ 57M] 11-4 面试过程中可能遇到的问题
│ └── [ 47M] 11-5 持续学习的几个建议