投稿

fast.ai 2019 课程（人工中文翻译进行中）

1.4万

26

2019-01-29 23:21:24

转载自 https://course.fast.ai/videos/ 深度碎片的翻译，在字幕CC：中文（简体）选项中查看（已完成第3-4课）深度碎片字幕会在fastai官方版（中文字幕选项）持续更新，见https://course.fast.ai/videos/ Youtube英中机翻译字幕，在字幕CC：中文（中国）选项中查看，感谢@枫颜风予，上传分享第三课已完结，第四课进行中，第一二课最后翻译欢迎大家来fastai论坛玩，https://forums.fast.ai/

字幕制作者（中文（中国））：枫颜风予

深度碎片发消息

As Simple As Possible

原视频 Lesson 1 - Deep Learning 2019 - Image classification

01:40:12

Lesson 2 - Deep Learning 2019 - Data cleaning and production; SGD from scratch-c

01:58:48

Lesson 3 - Deep Learning 2019 - Data blocks; Multi-label classification; Segment

02:04:54

Lesson 4 - Deep Learning 2019 - NLP; Tabular data; Collaborative filtering; Embe

01:43:39

Lesson 5 - Deep Learning 2019 - Back propagation; Accelerated SGD; Neural net fr

02:13:34

Lesson 6 - Deep Learning 2019 - Regularization; Convolutions; Data ethics-hkBa9p

02:17:43

Lesson 7 - Deep Learning 2019 - Resnets from scratch; U-net; Generative (adversa

02:12:07

1.01 从零开始的深度学习需要什么

02:45

1.02 为什么用jupyter以及应该如何使用视频课程

01:47

1.03 为什么这是我见过的最好深度学习课程

08:04

1.04 真正的coder会用快捷键

00:54

1.05 人人必用的notebook magics

00:45

1.06 为什么要用pytorch与fastai

01:52

1.07 不要纠结import的使用方式

02:13

1.08 学术与kaggle数据集以及难点所在

03:17

1.09 如何下载数据集

02:49

1.10 如何快速查看下载文件夹中内容以及生成独立路径

01:11

1.11 如何从图片名称中提取标注

03:00

1.12 如何将数据集打包成训练验证测试集

04:12

1.13 如何展示一个batch中的图片以及图片经历怎样的处理

01:30

1.14 什么是和为什么要做normalization

01:16

1.15 如何最大化GPU效果

00:38

1.16 如何查看数据以及为什么这很重要

00:39

1.17 如何查看标记以及data.c的重要性

01:07

1.18 如何创建一个ConvNet

02:22

1.19 ResNet模型ImageNet数据与迁移学习

02:49

1.20 什么是过拟合以及如何规避

01:40

1.21 如何用onecycle训练模型以及函数细节快捷键tab shift tab

02:22

1.22 对比2012年学术界的顶级水平

02:14

1.23 关于应该如何学习此课的宝贵经验教训

01:59

1.24 fastai library的成就与目标

00:49

1.25 fastai是最易用最强大深度学习库

03:08

1.26 fast.ai课程成就你我以及如何使用论坛

13:27

1.27 为什么选择ResNet而非Inception

02:02

1.28 如何训练与保存更新的参数

00:50

1.29 如何构建模型解读器并画出高自信但出错的图

02:01

1.30 如何快捷查阅fastai文档源码

02:21

1.31 解读器生成confusion matrix和most confused

01:53

1.32 finetune 很棒但要更厉害需要unfreeze并更新全部参数

01:35

1.33 为什么重新更新全部参数is bad

06:44

1.34 通过选择更有学习率来更新全参数

04:28

1.35 Resnet50模型太大GPU内存小时怎么处理

02:37

1.36 通过most confused看看模型实际改进效果

01:31

1.37 本周作业

00:39

1.38 databunch处理文件夹名称就是数据的标注

01:41

1.39 databunch处理数据标注存储在CSV中

00:51

1.40 databunch处理数据标注存储复杂文件名中

01:13

1.41 docs就是jupyter notebooks

02:25

1.42 问答-多GPU设置与MRI图片

00:44

1.43 多用多玩多问

02:03

2.01 最重要的论坛页面以及论坛生存秘技

03:21

2.02 如何用github更新fastai课程到本地

01:02

2.03 仅用一周所学可以创造的超酷项目有哪些

08:19

2.04 part1课程结构

01:31

2.05 fast.ai的教学哲学观

02:25

2.06 项目任务介绍-训练一个小熊分辨器

01:53

2.07 如何创建自己的图片数据集

05:45

2.08 如何将数据集整理成ImageDataBuch

03:10

2.09 fastai标准的训练流程长什么样子

02:53

2.10 如何用confusion matrix解读模型好坏

00:29

2.11 如何半自动化从验证数据集中清理错误数据

07:44

2.12 避免biased noise

00:54

2.13 如何将训练好的模型升级为web app

07:24

2.14 如何调试学习率和训练次数来改良模型效果

07:37

2.15 如何用数字来理解图片

01:14

2.16 如何用函数来理解深度学习以及argmax的用途

02:12

2.17 如何查询源码了解metrics的设计

02:40

2.18 如何“闭眼”调试学习率

02:05

2.19 如何知道我们需要更多数据？

01:39

2.20 如何创建一个未训练的CNN resnet模型

02:41

2.21 如何理解模型的函数性质与vectorization

08:15

2.22 如何手动训练线性函数模型和SGD

31:25

2.23 如何制作作图动画

01:59

2.24 解释深度学习中的常用词汇

04:19

2.25 数学是全人类的天性

01:43

2.26 过拟合与regularization

04:45

3.01 吴恩达课程fastai.ML课程

01:39

3.02 Zeit与大量学生项目分享

07:55

3.03 如何下载Kaggle数据集

05:35

3.04 如何将多标注图片转化为DataBunch

03:42

3.05 转化成DataBunch所需代码步骤

11:46

3.06 如何对图片做变形处理data augmentation

03:02

3.07 一图多标签预测accuracy_thresh, partial, f_beta

09:10

3.08 如何做finetuning尤其是有了纠正数据的情况下

02:02

3.09 如何进一步理解data block的工作流程

03:41

3.10 如何截取视频中的frames

01:00

3.11 如何精选学习率

01:57

3.12 如何借助迁移学习将模型改进到kaggle前30

06:02

3.13 介绍Camvid 数据集

03:58

3.14 总结学习率的经验选择法

02:42

3.15 如何下载查阅camvid数据集中的图片和标注

02:54

3.16 如何将camvid数据整理成DataBunch并show_batch

03:15

3.18 是否可用无监督学习来做segmentation

00:54

3.19 是否应该尝试用更小规格的图片来做验证

01:47

3.20 如何设计合适Camvid数据集的accuracy

02:31

3.21 遇到持续的训练损失值大于验证损失值时，该如何处理

01:22

3.22 为什么用Unet建模以及到底什么是one-cycle-learning

04:13

3.23 one-cycle-learning的奥妙以及如何精炼模型

12:07

3.24 如何通过降低计算精度来提升模型泛化能力

03:05

3.25 如何对BIWI（人脸中心坐标）数据集做线性回归模型

07:17

3.26 如何用IMDB数据集训练NLP模型

05:44

3.27 为什么使用ImageNet.stats训练模型

01:53

3.28 非线性激活函数的意义与深度学习理论

08:07

3.29 如何学习像san fransisco 这样的token 如何训练2或4个channel的图片数据

04:43

3.30 总结

03:35

4.01 lesson4 简介

01:01

4.02 fastai模型打破CamVid数据记录

01:05

4.03 NLP迁移学习是怎么实现的

13:15

顶部