注意：只展示部分的文件和文件夹 实际有129个文件
深度学习框架-PyTorch实战系列
深度学习框架-PyTorch实战系列 4.1GB
16 PyTorch框架实战模板解读 601.6MB
128 模块应用与BenckMark解读.mp4 125.8MB
127 训练结果可视化展示模块.mp4 68.6MB
126 训练模块功能.mp4 94.0MB
125 模型架构模块.mp4 62.5MB
124 数据读取与预处理模块功能解读.mp4 98.1MB
123 各模块配置参数解析.mp4 78.0MB
122 项目模板各模块概述.mp4 74.7MB
15 基于PyTorch实战BERT模型（民间PyTorch版） 244.1MB
121 训练网络模型.mp4 75.3MB
120 网络结构定义.mp4 63.9MB
119 数据读取与预处理.mp4 45.8MB
118 项目配置与环境概述.mp4 59.1MB
14 谷歌开源项目BERT源码解读（官方TF版） 1.1GB
117 训练BERT模型.mp4 98.4MB
116 完成Transformer模块构建.mp4 96.9MB
115 构建QKV矩阵.mp4 118.0MB
114 mask机制.mp4 91.2MB
113 加入位置编码特征.mp4 52.6MB
112 加入额外编码特征.mp4 94.5MB
111 Embedding层的作用.mp4 71.8MB
110 tfrecord制作.mp4 115.8MB
109 数据预处理模块.mp4 93.3MB
108 数据读取模块.mp4 88.4MB
107 项目参数配置.mp4 121.7MB
106 BERT开源项目简介.mp4 66.9MB
13 自然语言处理通用框架BERT原理解读 453.9MB
105 训练实例.mp4 55.8MB
104 BERT模型训练方法.mp4 45.0MB
103 transformer整体架构梳理.mp4 47.8MB
102 位置编码与多层堆叠.mp4 42.3MB
101 Multi-head的作用.mp4 44.4MB
100 特征分配与softmax机制.mp4 49.0MB
099 self-attention计算方法.mp4 53.4MB
098 注意力机制的作用.mp4 38.2MB
097 传统解决方案遇到的问题.mp4 53.0MB
096 BERT任务目标概述.mp4 25.0MB
12 基于3D卷积的视频分析与动作识别 548.8MB
095 训练网络模型.mp4 80.1MB
094 3D卷积网络所涉及模块.mp4 79.7MB
093 数据Batch制作方法.mp4 90.4MB
092 视频数据预处理方法.mp4 65.7MB
091 测试效果与项目配置.mp4 108.7MB
090 UCF101动作识别数据集简介.mp4 67.3MB
089 3D卷积原理解读.mp4 56.8MB
11 OCR文字识别项目实战 485.6MB
088 识别模块网络架构解读.mp4 84.0MB
087 CRNN识别模块所需数据与标签.mp4 36.8MB
086 网络架构各模块完成的任务解读.mp4 69.5MB
085 整体网络所需模块.mp4 43.1MB
084 候选框标签制作.mp4 77.3MB
083 检测模块候选框生成.mp4 73.7MB
082 OCR文字检测识别项目效果展示.mp4 64.1MB
081 OCR文字检测识别项目效果展示.mp4 37.1MB
10 OCR文字识别原理 304.8MB
080 CTC模块的作用.mp4 21.9MB
079 CRNN识别网络架构.mp4 36.7MB
078 CTPN细节概述.mp4 49.6MB
077 输出结果含义解析.mp4 37.3MB
076 序列网络的作用.mp4 53.2MB
075 CTPN文字检测网络概述.mp4 44.7MB
074 OCR文字识别要完成的任务.mp4 61.4MB
09 基于CycleGan开源项目实战图像合成 406.2MB
073 额外补充：VISDOM可视化配置.mp4 55.7MB
072 生成与判别损失函数指定.mp4 116.6MB
071 损失函数：identity loss计算方法.mp4 83.4MB
070 判别网络模块构造.mp4 44.3MB
069 生成网络模块构造.mp4 106.1MB
