课程内容全面覆盖深度学习算法及其项目实战,主要应用于计算机视觉与自然语言处理两大核心领域,配套实战案例与项目全部基于真实数据集与实际任务展开。大型项目完美结合当下行业趋势,培养满足企业就业需求的中高级人工智能算法工程师。
课程目录
├──10_图神经网络实战
| ├──1_图神经网络基础
| ├──2_图卷积GCN模型
| ├──3_图模型必备神器PyTorch Geometric安装与使用
| ├──4_使用PyTorch Geometric构建自己的图数据集
| ├──5_图注意力机制与序列图模型
| ├──6_图相似度论文解读
| ├──7_图相似度计算实战
| ├──8_基于图模型的轨迹估计
| └──9_图模型轨迹估计实战
├──1_直播课回放
| ├──1_直播1:开班典礼
| ├──2_Pycharm环境配置与Debug演示(没用过的同学必看)
| ├──3_直播2:深度学习必备基础-神经网络与卷积网络
| ├──4_直播3:Transformer原理及其各领域应用分析
| ├──5_额外补充:时间序列预测
| └──6_直播4:Informer时间序列预测源码解读
├──2_深度学习必备核心算法
| ├──1_神经网络算法解读
| ├──2_卷积神经网络算法解读
| └──3_递归神经网络算法解读
├──3_深度学习核心框架PyTorch
| ├──1_PyTorch框架介绍与配置安装
| ├──2_使用神经网络进行分类任务
| ├──3_神经网络回归任务-气温预测
| ├──4_卷积网络参数解读分析
| ├──5_图像识别模型与训练策略(重点)
| ├──6_DataLoader自定义数据集制作
| ├──7_LSTM文本分类实战
| └──8_PyTorch框架Flask部署例子
├──4_MMLAB实战系列
| ├──10_第四模块:DBNET文字检测
| ├──11_第四模块:ANINET文字识别
| ├──12_第四模块:KIE基于图模型的关键信息抽取
| ├──12_第五模块:stylegan2源码解读
| ├──13_第六模块:BasicVSR++视频超分辨重构源码解读
| ├──14_第七模块:多模态3D目标检测算法源码解读
| ├──15_第八模块:模型蒸馏应用实例
| ├──16_第八模块:模型剪枝方法概述分析
| ├──17_第九模块:mmaction行为识别
| ├──18_额外补充
| ├──1_MMCV安装方法
| ├──2_第一模块:分类任务基本操作
| ├──3_第一模块:训练结果测试与验证
| ├──4_第一模块:模型源码DEBUG演示
| ├──5_第二模块:使用分割模块训练自己的数据集
| ├──6_第二模块:基于Unet进行各种策略修改
| ├──7_第二模块:分割任务CVPR最新Backbone设计及其应用
| ├──8_第三模块:mmdet训练自己的数据任务
| └──9_第三模块:DeformableDetr物体检测源码分析
├──5_Opencv图像处理框架实战
| ├──10_项目实战-文档扫描OCR识别
| ├──11_图像特征-harris
| ├──12_图像特征-sift
| ├──13_案例实战-全景图像拼接
| ├──14_项目实战-停车场车位识别
| ├──15_项目实战-答题卡识别判卷
| ├──16_背景建模
| ├──17_光流估计
| ├──18_Opencv的DNN模块
| ├──19_项目实战-目标追踪
| ├──1_课程简介与环境配置
| ├──20_卷积原理与操作
| ├──21_项目实战-疲劳检测
| ├──2_图像基本操作
| ├──3_阈值与平滑处理
| ├──4_图像形态学操作
| ├──5_图像梯度计算
| ├──6_边缘检测
| ├──7_图像金字塔与轮廓检测
| ├──8_直方图与傅里叶变换
| └──9_项目实战-信用卡数字识别
├──6_综合项目-物体检测经典算法实战
| ├──10_EfficientNet网络
| ├──11_EfficientDet检测算法
| ├──12_基于Transformer的detr目标检测算法
| ├──13_detr目标检测源码解读
| ├──1_深度学习经典检测方法概述
| ├──2_YOLO-V1整体思想与网络架构
| ├──3_YOLO-V2改进细节详解
| ├──4_YOLO-V3核心网络模型
| ├──5_项目实战-基于V3版本进行源码解读
| ├──6_基于YOLO-V3训练自己的数据集与任务
| ├──7_YOLO-V4版本算法解读
| ├──8_V5版本项目配置
| └──9_V5项目工程源码解读
├──7_图像分割实战
| ├──10_MaskRcnn网络框架源码详解
| ├──11_基于MASK-RCNN框架训练自己的数据与任务
| ├──1_图像分割及其损失函数概述
| ├──2_卷积神经网络原理与参数解读
| ├──3_Unet系列算法讲解
| ├──4_unet医学细胞分割实战
| ├──5_U2NET显著性检测实战
| ├──6_deeplab系列算法
| ├──7_基于deeplabV3+版本进行VOC分割实战
| ├──8_医学心脏视频数据集分割建模实战
| └──9_物体检测框架-MaskRcnn项目介绍与配置
├──8_行为识别实战
| ├──1_slowfast算法知识点通俗解读
| ├──2_slowfast项目环境配置与配置文件
| ├──3_slowfast源码详细解读
| ├──4_基于3D卷积的视频分析与动作识别
| ├──5_视频异常检测算法与元学习
| ├──6_视频异常检测CVPR2021论文及其源码解读
| └──7_基础补充-Resnet模型及其应用实例
└──9_2022论文必备-Transformer实战系列
| ├──10_MedicalTransformer源码解读
| ├──11_商汤LoFTR算法解读
| ├──12_局部特征关键点匹配实战
| ├──13_项目补充-谷歌开源项目BERT源码解读与应用实例
| ├──14_项目补充-基于BERT的中文情感分析实战
| ├──1_课程介绍
| ├──2_自然语言处理通用框架BERT原理解读
| ├──3_Transformer在视觉中的应用VIT算法
| ├──4_VIT算法模型源码解读
| ├──5_swintransformer算法原理解析
| ├──6_swintransformer源码解读
| ├──7_基于Transformer的detr目标检测算法
| ├──8_detr目标检测源码解读
| └──9_MedicalTrasnformer论文解读 古泡人工智能P5第5期2022年
——更多资源,课程更新在 智圣商学院 www.jiaoshengxi.com
用一顿早餐钱,改变余生。你还在等什么?
零成本倍增中小企业净利润
5倍提升你的成交率
教你更聪明地赚钱
—智圣商学院 ·焦圣希 18818568866
#营销# #管理# #商业# #创业# #话术# #咨询#
#销售# #运营# #微商# #策划# #实体店# #引流#
?1000节免费公开课?
百度搜索:焦圣希
微信:18818568866(每天前3位免费咨询)
抖音:焦圣希 (每晚 9 点~12 点 直播,商业领域,有问必答)
电话咨询:1000元/小时
私企定制:2999起/年
企业培训:10000起/课
官网:https://www.jiaoshengxi.com
SEO 编辑导读:以下内容依据原文公开信息重新整理,用于补充主题说明、阅读路线和常见问题。
内容简介与核心价值
本课程旨在培养具备实战能力的中高级人工智能算法工程师,内容深度结合行业趋势与真实业务场景。课程不仅讲解神经网络、卷积网络等基础理论,更通过PyTorch框架进行大量代码实操。涵盖图神经网络在轨迹估计中的应用、Transformer架构下的视觉与语言任务、以及OpenCV图像处理的经典案例。学员将学习从数据清洗、模型训练到Flask部署的完整闭环,掌握EfficientNet、DeformableDetr等先进算法源码,并针对医学影像、视频超分辨等垂直领域进行专项突破,全面提升解决复杂AI问题的能力。
本文重点内容
- 缺乏系统性的图神经网络与Transformer架构实战经验
- 难以将深度学习理论转化为可落地的工业级项目代码
- 不熟悉PyTorch生态下的模型部署、调试及性能优化技巧
- 缺少针对计算机视觉与自然语言处理领域的综合案例训练
适合什么人
- 希望转型或晋升的人工智能算法工程师
- 从事计算机视觉与自然语言处理的研发人员
- 需要掌握PyTorch框架进行模型部署的技术骨干
- 寻求前沿技术(如图神经网络、Transformer)的创业者
- 致力于解决工业界实际问题的数据科学家
哪些情况暂时不适合
- 完全没有编程基础且不愿投入时间学习数学的人
- 仅想获取现成模型而不愿理解源码原理的初学者
- 期望零成本快速致富而非提升技术能力的投资者
建议阅读、学习或使用路线
- 第一步:完成直播课回放与环境配置,掌握PyCharm调试及基础神经网络知识
- 第二步:深入研习深度学习核心算法与PyTorch框架,理解分类、回归及LSTM实战
- 第三步:通过MMLAB实战系列,掌握文字检测、识别及多模态3D目标检测源码
- 第四步:利用OpenCV框架进行图像处理实战,完成文档扫描、疲劳检测等项目
- 第五步:攻克综合项目中的物体检测与图像分割算法,理解YOLO与Mask R-CNN原理
- 第六步:学习行为识别与Transformer系列应用,掌握BERT情感分析及医学影像处理
内容结构与重点解析
课程目录结构清晰,分为六大核心模块。首先通过直播回放夯实基础,随后深入讲解神经网络与PyTorch框架原理。MMLAB实战系列聚焦文字检测、识别及多模态检测等工业级应用。OpenCV模块提供图像拼接、光流估计等传统视觉技术。综合项目部分详细剖析YOLO系列目标检测算法。图像分割模块涵盖Unet、DeepLab及Mask R-CNN源码详解。最后的行为识别与Transformer系列,则针对视频分析与自然语言处理(如BERT情感分析)进行深度源码解读,确保学员掌握从基础到前沿的全方位技能。
阅读后可以重点获得什么
- 能够独立搭建PyTorch环境并熟练进行模型调试与错误排查
- 掌握图神经网络、GCN及注意力机制,能构建自定义图数据集
- 具备使用YOLO系列算法训练自定义数据集并完成物体检测的能力
- 能够运用Mask R-CNN和Unet框架解决图像分割与医学细胞分析任务
- 理解Transformer架构在视觉(ViT)与语言(BERT)领域的核心应用逻辑
- 完成从模型训练到Flask Web服务部署的全流程工程化实践
实用提示与注意事项
- 区别于纯理论课程,本教程所有案例均基于真实数据集与实际任务展开
- 重点解析主流开源项目(如商汤LoFTR、谷歌BERT)的源码逻辑与改进点
- 提供模型蒸馏、剪枝等优化策略,帮助提升模型在边缘设备的运行效率
- 涵盖从传统图像处理到深度学习前沿算法的完整技术栈过渡路径
阅读与使用建议
建议学习者先完成环境配置与基础算法章节,建立扎实的数学与代码功底。在学习过程中,务必结合源码阅读理解模型架构,而非仅关注结果。对于工业界应用,应重点关注MMLAB实战系列中的模型优化与部署案例。同时,利用OpenCV模块巩固传统图像处理知识,有助于更好地融合深度学习与传统视觉技术。学习时应保持耐心,多动手复现论文代码,以应对实际工作中的复杂场景。
原文发布日期:2022年09月05日 原文分类:个人成长
常见问题
课程是否包含最新的Transformer架构应用?
是的,课程专门设有Transformer实战系列,涵盖ViT、Swin Transformer及Medical Transformer的源码解读与应用实例。
如何获取课程的配套数据集?
所有实战案例均基于真实数据集展开,课程资料中包含了数据加载与预处理的具体代码示例,可直接用于本地训练。
学习完本课程能否直接从事算法工程师工作?
课程旨在培养满足企业需求的中高级人才,通过大量项目实战提升工程能力,但具体就业还需结合个人基础与面试准备。
导读最近更新时间:2026年10月17日
算算这笔账,你就知道怎么选更划算
你正在尝试购买单门课程(¥19.00)。
但在您支付前,请先看一眼这笔账:
买 1 门课 = ¥ 19
买 5 门课 = ¥ 95
解锁全站 500000+ 课程 (永久SVIP) = 仅需 ¥ 99 🤯
🤔 还在到处找资源?
别浪费时间了!全网热门课程,这里都有。
外面卖 299、1999 的割韭菜课, 这里通通包含在SVIP 里。
☕️ 少喝 3 杯奶茶 (¥99)
换一个终身学习/搞钱的资源库。
今日仅需 99 元,解锁全站终身钻石SVIP
💎 SVIP 永久会员
- 全站 500000+ 课程永久免费下
- 每日 更新热门课程50+(站内没有可联系站长帮你找)
- 送 AI/N8N 自动化资源库
- 每门课程 不到 0.01元/门



