【中英字幕】吴恩达深度学习课程第四课 — 卷积神经网络
https://mooc.study.163.com/course/2001281004
视频仅供学习使用，若侵权请联系删除！
这是深度学习工程师微专业的第四门课。
通过这门课的学习，你将会：
-理解如何搭建一个神经网络，包括最新的变体，例如残余网络
-知道如何将卷积网络应用到视觉检测和识别任务。
-知道如何使用神经风格迁移生成艺术。
-能够在图像、视频以及其他2D或3D数据上应用这些算法。
视频选集
（1/43）
【第一周 卷积神经网络】1.1 计算机视觉
05:45
1.2 边缘检测示例
11:31
1.3 更多边缘检测内容
07:58
1.4 Padding
09:50
1.5 卷积步长
09:02
1.6 三维卷积
10:45
1.7 单层卷积网络
16:11
1.8 简单卷积网络示例
08:33
1.9 池化层
10:26
1.10 卷积神经网络示例
12:38
1.11 为什么使用卷积？
09:41
【第二周 深度卷积网络：实例探究】2.1 为什么要进行实例探究？
03:09
2.2 经典网络
18:19
2.3 残差网络
07:08
2.4 残差网络为什么有用？
09:13
2.5 网络中的网络以及 1×1 卷积
06:41
2.6 谷歌 Inception 网络简介
10:15
2.7 Inception 网络
08:47
2.8 使用开源的实现方案
04:57
2.9 迁移学习
08:48
2.10 数据扩充
09:32
2.11 计算机视觉现状
12:39
【第三周 目标检测】3.1 目标定位
11:55
3.2 特征点检测
05:57
3.3 目标检测
05:50
3.4 卷积的滑动窗口实现
11:09
3.5 Bounding Box预测
14:32
3.6 交并比
04:19
3.7 非极大值抑制
08:03
3.8 Anchor Boxes
09:43
3.9 YOLO 算法
07:02
3.10 候选区域
06:28
【第四周 特殊应用：人脸识别和神经风格转换】4.1 什么是人脸识别？
04:25
4.2 One-Shot 学习
04:45
4.3 Siamese 网络
04:36
4.4 Triplet 损失
15:31
4.5 面部验证与二分类
06:06
4.6 什么是神经风格转换？
02:03
4.7 什么是深度卷积网络？
07:58
4.8 代价函数
03:51
4.9 内容代价函数
03:38
4.10 风格代价函数
17:01
4.11 一维到三维推广
09:09
顶部