9527 黑马Python+AI人脸识别Python人工智能

课程介绍

课程来自于 Python+AI -黑马- 人脸识别Python人工智能【完结】

计算机视觉是一门涉及计算机科学和人工智能的交叉领域，旨在使计算机能够模拟和理解人类视觉系统，以分析、理解和处理图像和视频数据。计算机视觉的目标包括图像识别、物体检测、图像分割、三维重建、人脸识别、人类动作分析等。以下是计算机视觉的一些关键概念和任务：

图像采集和处理： 计算机视觉通常从摄像头、图像文件或视频流中获取图像数据。然后，对图像进行预处理，包括去噪声、调整亮度和对比度、裁剪和缩放等。

特征提取： 特征提取是从图像中提取有用信息的过程。常见的特征包括边缘、角点、颜色直方图、纹理等。这些特征用于图像识别和分类。

图像分类： 图像分类任务涉及将图像分为不同的类别或标签。深度学习技术如卷积神经网络（CNN）在图像分类中取得了巨大成功。

物体检测： 物体检测是识别图像中存在的物体并标出它们的位置的任务。一些常见的检测算法包括RCNN、YOLO（You Only Look Once）和Faster R-CNN。

图像分割： 图像分割任务将图像中的不同区域分离开来，通常用于识别和分析图像中的物体边界。语义分割可用于像素级别的分类。

人脸识别： 人脸识别是一种特殊的图像识别任务，用于识别图像中的人脸，并将其与已知的人脸进行比对。

三维重建： 三维重建任务涉及从图像或多个图像中恢复物体的三维结构。这在计算机辅助设计和虚拟现实中有广泛应用。

人体动作分析： 人体动作分析任务旨在理解图像或视频中的人体动作和姿势。它在体育分析、监控和虚拟人物等领域有应用。

深度学习： 深度学习方法，特别是卷积神经网络（CNN）和循环神经网络（RNN），在计算机视觉中取得了重大突破，使得许多任务变得更加精确和自动化。

应用领域： 计算机视觉的应用领域包括自动驾驶、医学图像分析、农业、安防监控、虚拟现实、增强现实、图像搜索和识别、机器人技术等。

Python在计算机视觉领域中非常流行，有许多库和框架可供使用，如OpenCV、PyTorch、TensorFlow、scikit-image等。这些工具可以帮助开发人员进行图像处理、特征提取、模型训练和应用程序开发，从而实现各种计算机视觉任务。

深度学习
深度学习是机器学习的一个分支，它模仿人脑的神经网络结构来进行数据分析和模式识别。深度学习的核心思想是构建深层次的神经网络，以便从大规模数据中学习和提取特征，从而能够自动地进行数据分类、识别和预测。以下是深度学习的一些关键概念和应用：

神经网络： 深度学习模型通常由多个神经网络层组成，包括输入层、隐藏层和输出层。每个神经网络层包含多个神经元，模拟生物神经元之间的连接。

深度学习模型： 常见的深度学习模型包括多层感知器（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）、自编码器（Autoencoder）等。这些模型在不同的任务中表现出色，如图像分类、语音识别、自然语言处理等。

训练过程： 深度学习模型通过训练过程来学习数据的特征和模式。训练过程使用优化算法来不断调整模型参数，使其能够最小化预测误差。

反向传播： 反向传播是一种用于训练神经网络的算法，它通过计算损失函数的梯度来调整模型参数。这使得模型能够逐渐提高预测的准确性。

大规模数据： 深度学习通常需要大规模的数据集来进行训练，以便模型能够学习到更广泛的特征和模式。互联网的普及和大数据技术的发展使得获取大规模数据变得更容易。

卷积神经网络（CNN）： CNN是一种用于图像处理和计算机视觉任务的深度学习模型，它通过卷积操作来提取图像中的特征。

循环神经网络（RNN）： RNN用于处理序列数据，如文本和时间序列。它在自然语言处理、语音识别和机器翻译等任务中非常有用。

迁移学习： 迁移学习是一种技术，允许将在一个任务上训练的深度学习模型应用到另一个相关任务上，从而加速模型的训练。

深度学习框架： 有许多深度学习框架可供使用，如TensorFlow、PyTorch、Keras、Caffe等。这些框架提供了高级API和工具，简化了深度学习模型的构建和训练。

应用领域： 深度学习在各个领域都有广泛的应用，包括计算机视觉、自然语言处理、语音识别、医学影像分析、自动驾驶、推荐系统等。

深度学习已经取得了在多个领域的显著成就，例如在图像分类、AlphaGo等任务上取得了超越人类的表现。它在解决复杂问题、处理大规模数据和自动化决策方面具有潜力，将继续在未来的科学研究和应用程序中发挥重要作用。如果你有兴趣学习深度学习，可以使用深度学习框架和在线资源开始学习和实践。

文件目录

1-3 卷积神经网络

1.卷积网络原理

1.卷积网络原理

01_卷积来源、数据量与感受野的边缘检测.mp4

02_卷积网络结构介绍.mp4

03_默认卷积的运算过程.mp4

04_零填充.mp4

05_过滤器大小与步长.mp4

06_多通道的卷积与多卷积核.mp4

07_卷积总结.mp4

08_池化层.mp4

09_全连接层.mp4

2.经典分类结构

2.经典分类结构

01_LeNet5的计算过程详解.mp4

02_常见网络结构介绍.mp4

03_Inception(1x1卷积介绍）.mp4

04_Inception结构以及改进.mp4

05_GoogleNet了解与卷积网络学习内容.mp4

3.CNN实战

3.CNN实战

01_作业介绍.mp4

02_作业讲解.mp4

03_迁移学习.mp4

1-7 自然语言处理

1.自然语言处理基础概念

1.自然语言处理基础概念

0.NLP介紹.mp4

1.NLP的种类.mp4

2.端对端深度学习模型.mp4

3.词袋.mp4

4.Seq2Seq.mp4

5.Beam Serch Decoding.mp4

6.Attention.mp4

2.自然语言处理基础实作-机器学习篇

2.自然语言处理基础实作-机器学习篇

1.机器学习-NLTK_数据读取.mp4

2.机器学习-NLTK_清理数据.mp4

3.机器学习-NLTK_大小写转换.mp4

4.机器学习-NLTK_去除虚词.mp4

5.机器学习-NLTK_词根化.mp4

6.机器学习-NLTK_还原字符串.mp4

7.机器学习-NLTK_稀疏矩阵.mp4

8.机器学习-NLTK_最大过滤.mp4

9.机器学习-NLTK_建立词袋模型.mp4

3.自然语言处理基础实作-深度学习篇

3.自然语言处理基础实作-深度学习篇

10.深度学习-Deep Learning in NLP.mp4

11.深度学习-Deep Learning in NLP_模型优化.mp4

12.深度学习-Deep Learning in NLP_模型加速.mp4

4.自然语言处理核心部分

4.自然语言处理核心部分

1.CNN REIVEW.mp4

2.CNN CODE.mp4

3.RNN REVIEW.mp4

4.RNN CODE.mp4

5.LSTM.mp4

6.LSTM_CODE.mp4

7.文本分类.mp4

8.文本分类的方式.mp4

9.文本分类CNN&RNN.mp4

10. 文本分类 CNN 模型使用.mp4

11. 文本分类 RNN 搭建.mp4

5.实战项目-从无到有打造聊天机器人

5.实战项目-从无到有打造聊天机器人

0.chatbot.mp4

01.chatbot 搭建计画.mp4

02.chatbot 环境搭建下载数据集.mp4

03.chatbot 下载数据集.mp4

04.chatbot 导入依赖包.mp4

05.ChatBot 读取数据.mp4

06.chatbot 创建对話字典.mp4

07. ChatBot 建立对话列表.mp4

08. ChatBot 问答集.mp4

09.ChatBot 数据初步清洗.mp4

10. ChatBot 清理问题集&回答集.mp4

11. ChatBot 统计字频.mp4

12. ChatBot 标记化&去除少数字.mp4

13. ChatBot 最终标记.mp4

14. ChatBot 逆向字典.mp4

15. ChatBot 添加 EOS 标签.mp4

16. ChatBot 问答数列化.mp4

17. ChatBot 长短句.mp4

18. ChatBot input&output.mp4

19. ChatBot 处理输出.mp4

20. ChatBot 建立RNN 模型.mp4

21. ChatBot 解码器训练.mp4

22. ChatBot 解码器测试.mp4

23. ChatBot 创建解码RNN.mp4

24. ChatBot Seq2Seq 模型.mp4

25. ChatBot 設置超参数.mp4

26.ChatBot 启动运算.mp4

27. ChatBot 模型 input.mp4

28. ChatBot 模型輸入序列長度.mp4

29. ChatBot 設置輸入的数据形状.mp4

30. ChatBot训练 & 测试結果.mp4

31. ChatBot 损失，优化，梯度消減.mp4

32. ChatBot 问答等长处理.mp4

33. ChatBot 问答数据批量.mp4

34. ChatBot 数据分割.mp4

35. ChatBot 训练.mp4

36. ChatBot 训练2.mp4

37. ChatBot 测试.mp4

38. ChatBot 输入修飾.mp4

39. ChatBot 开始聊天.mp4

1-1 深度学习基础

1.深度学习介绍

1.深度学习介绍

01_深度学习课程介绍.mp4

02_深度学习介绍.mp4

03_深度学习介绍2.mp4

2.神经网络基础

2.神经网络基础

01_逻辑回归介绍.mp4

02_逻辑回归损失函数.mp4

03_梯度下降算法过程以及公式.mp4

04_导数意义介绍.mp4

05_a^2函数的导数介绍.mp4

06_导数计算图与链式法则.mp4

07_逻辑回归的导数计算图分析以及参数导数.mp4

08_向量化编程介绍引入.mp4

09_向量化编程的优势.mp4

10_向量化实现逻辑回归的梯度计算更新.mp4

11_正向传播与反向传播、作业介绍.mp4

12_作业讲解题1：实现sigmoid函数与梯度实.mp4

13_作业讲解题2：单神经元神经网络(logistic)分类作业流程介绍.mp4

14_作业讲解题2：参数初始化与前向传播、反向传播.mp4

15_作业讲解题2：优化迭代实现、model逻辑实现.mp4

16_总结.mp4

3.浅层神经网络

3.浅层神经网络

00.浅层神经网络.mp4

01_浅层神经网络表示.mp4

02_浅层神经网络的前向传播.mp4

03_激活函数的选择.mp4

04_浅层神经网络的反向传播.mp4

05_作业介绍.mp4

06_作业实现：初始化模型与前向传播.mp4

07_作业实现：反向传播与更新梯度.mp4

08_作业实现：网络模型逻辑实现.mp4

09_总结.mp4

4.深层神经网络

4.深层神经网络

01_深层神经网络表示.mp4

02_深层神经网络的反向传播过程.mp4

03_参数初始化与超参数介绍.mp4

1-9 图片商品物体检测项目第二阶段-数据集制作与处理

1.数据集标记

1.数据集标记

01_目标检测数据集介绍.mp4

02_商品数据集标记.mp4

2.数据集格式转换

2.数据集格式转换

01_数据集格式转换介绍.mp4

02_格式转换：代码介绍.mp4

03_格式转换：文件读取以及存储逻辑.mp4

04_格式转换：图片数据以及XML读取.mp4

05_格式转换：example封装、总结.mp4

3.TFRecords读取

3.TFRecords读取

01_slim库介绍.mp4

02_TFRecord读取：Dataset准备.mp4

03_TFRecord读取：provider读取.mp4

04_第二阶段总结.mp4

1-4 循环神经网络

1.循环神经网络

1.循环神经网络

01_循环神经网络背景介绍.mp4

02_循环神经网络结构原理.mp4

03_词的表示与矩阵形状运算.mp4

04_交叉熵损失计算.mp4

05_时间反向传播算法.mp4

06_梯度消失、案例介绍.mp4

07_手写RNN案例：单个cell前向传播.mp4

08_手写RNN案例：所有cell的前向传播.mp4

09_手写RNN案例：单个cell的反向传播.mp4

10_手写RNN案例：所有cell的反向传播.mp4

11_案例总结.mp4

12_GRU与LSTM介绍.mp4

2.词嵌入

2.词嵌入

01_词嵌入介绍.mp4

02_词嵌入案例.mp4

3.seq2seq与Attention机制

3.seq2seq与Attention机制

01_seq2seq介绍与理解.mp4

02_seq2seq机器翻译等场景介绍分析.mp4

03_Attention原理分析.mp4

04_机器翻译案例：日期格式翻译转换、代码结构介绍.mp4

05_机器翻译案例：模型参数定义.mp4

06_机器翻译案例：数据获取以及数据格式转换介绍.mp4

07_机器翻译案例：训练逻辑与网络结构介绍.mp4

08_机器翻译案例：网络输入输出逻辑介绍.mp4

09_机器翻译案例：网络输入输出逻辑编写.mp4

10_机器翻译案例：自定义网络seq2seq的编解码器定义.mp4

11_机器翻译案例：seq2seq的输出层定义.mp4

12_机器翻译案例：attention结构定义.mp4

13_机器翻译案例：model中计算attention输出c逻辑函数实现.mp4

14_机器翻译案例：训练逻辑编写.mp4

15_机器翻译案例：训练结果与问题解决.mp4

16_机器翻译案例：测试逻辑结果演示.mp4

17_集束搜索介绍.mp4

1-8 图片商品物体检测项目第一阶段-检测算法原理

1.目标检测概述

1.目标检测概述

01_课程要求以及目标.mp4

02_项目演示结果.mp4

03_项目结构以及课程安排.mp4

04_图像识别背景.mp4

05_目标检测的定义和技术历史.mp4

06_目标检测应用场景.mp4

07_目标检测算法原理铺垫.mp4

08_目标检测任务描述.mp4

2.RCNN原理

2.RCNN原理

01_Overfeat模型.mp4

02_RCNN：步骤流程介绍.mp4

03_RCNN：候选区域以及特征提取.mp4

04_RCNN：SVM分类器.mp4

05_RCNN：非极大抑制（NMS）.mp4

06_RCNN：候选区域修正.mp4

07_RCNN：训练过程与测试过程介绍.mp4

08_RCNN：总结、优缺点与问题自测.mp4

3.SPPNet原理

3.SPPNet原理

01_SPPNet：与RCNN的区别、网络流程.mp4

02_SPPNet：映射.mp4

03_SPPNet：SPP层的作用.mp4

04_SPPNet：总结、优缺点与问题自测.mp4

4.FastRCNN原理

4.FastRCNN原理

01_FastRCNN：改进之处以及网络流程.mp4

02_FastRCNN：RoI pooling结构以及SPP对比.mp4

03_FastRCNN：多任务损失.mp4

04_FastRCNN：总结与问题自测.mp4

5.FasterRCNN原理

5.FasterRCNN原理

01_FasterRCNN：网络结构与步骤.mp4

02_FasterRCNN：RPN网络的原理.mp4

03_FasterRCNN：总结与问题自测.mp4

6.YOLO原理

6.YOLO原理

01_YOLO：算法特点与流程介绍.mp4

02_YOLO：单元格原理过程.mp4

03_YOLO：训练过程样本标记.mp4

04_YOLO：总结.mp4

7.SSD原理

7.SSD原理

01_SSD：网络结构与Detected结构.mp4

02_SSD：localization与confidence.mp4

03_SSD：训练与测试流程总结.mp4

04_TensorflowSSD接口介绍.mp4

05_第一阶段算法总结.mp4

1-6 百度人脸识别

1.平台介绍

1.平台介绍

0_课程组成和目标.mp4

1_3_百度深度学习平台_介绍.mp4

1_6_人工智能平台_服务开通.mp4

1_4_百度深度学习平台_创建集群.mp4

1_1_访问入口.mp4

1_2_机器学习平台_介绍.mp4

1_7_人工智能平台_访问方式和SDK安装.mp4

1_5_百度人工智能平台_功能介绍.mp4

2.图像技术之人脸识别

2.图像技术之人脸识别

2_1_7_人脸检测_边框.mp4

2_1_1_人脸识别功能介绍_开通应用.mp4

2_1_9_人脸检测_SDK方式.mp4

2_1_8_人脸检测_性别年龄总结.mp4

2_1_3_人脸检测_步骤和代码浏览.mp4

2_1_6_人脸检测_图像坐标.mp4

2_1_4_人脸检测_获取access_token.mp4

2_1_5_人脸检测_调用API.mp4

2_1_2人脸识别_API.mp4

3.图像技术之图像识别

3.图像技术之图像识别

2_2_10_定制化图像识别_物体检测_流程.mp4

2_2_6_定制化图像识别_图像分类_操作.mp4

2_2_8_定制化图像识别_图像分类_代码实现.mp4

2_2_2_图像识别_物体检测API_实例.mp4

2_2_9_定制化图像识别_图像分类_迭代和常见问题.mp4

2_2_4_图像检测_车辆检测.mp4

2_2_11_定制化图像识别_物体检测API_错误码.mp4

2_2_3_图像检测识别_菜品识别.mp4

2_2_7_定制化图像识别_图像分类_关联和调用流程.mp4

2_2_5_定制化图像识别_特点和功能.mp4

2_2_5_定制化图像识别_图像分类_步骤.mp4

2_2_1_图像识别功能_应用创建.mp4

4.图像技术之文字识别

4.图像技术之文字识别

2_3_1_功能介绍_创建应用.mp4

2_3_5_通用票据识别.mp4

2_3_2_通用文字识别_代码.mp4

2_3_4_车牌识别.mp4

2_3_10_分类器代码.mp4

2_3_3_通用文字识别_其他版本函数.mp4

2_3_9_创建分类器.mp4

2_3_8_自定义模板_API和代码.mp4

2_3_7_自定义模板_实际创建.mp4

2_3_6_自定义模板_步骤.mp4

5.语音技术

5.语音技术

3_1_3_语音识别案例_案例.mp4

3_2_1语音合成.mp4

3_1_2_语音识别案例_代码浏览.mp4

3_1_1_语音识别_介绍和API.mp4

6.自然语言处理

6.自然语言处理

4_1_1_自然语言处理基础技术.mp4

7.人脸识别打卡案例

7.人脸识别打卡案例

5_1_6_案例_主程序2.mp4

5_1_2_案例_人脸搜索代码浏览.mp4

5_1_1_案例_前端部分介绍.mp4

5_1_4_案例_添加用户_人脸搜索.mp4

5_1_0_人脸打卡案例_介绍.mp4

5_1_5_案例_主程序1.mp4

5_1_3_案例_获取token.mp4

1-2 深度学习优化进阶

1.多分类

1.多分类

01_深度学习紧接、多分类介绍.mp4

02_交叉熵损失原理.mp4

03_案例：Mnist手写数字数据介绍.mp4

04_案例：网络结构、流程、代码介绍.mp4

05_案例：主网络结构搭建实现.mp4

06_案例：添加准确率.mp4

07_案例：Tensorboard观察显示.mp4

08_案例：添加模型保存、预测.mp4

09_调整学习率带来的问题.mp4

2.梯度下降算法优化

2.梯度下降算法优化

01_深度学习遇到问题、为什么需要优化算法.mp4

02_Mini梯度下降与Batch梯度下降.mp4

03_指数加权平均.mp4

04_动量梯度下降原理公式理解.mp4

05_RMSProp与Adam原理与学习率递减.mp4

06_标准化输入带来的优化.mp4

07_作业介绍.mp4

08_作业讲解1.mp4

09_作业讲解2.mp4

3.深度学习正则化

3.深度学习正则化

01_深度学习偏差与方差介绍为、什么需要正则化.mp4

02_正则化概念、L2正则化与L1正则化.mp4

03_Droupout过程与原理理解.mp4

04_其它正则化方法-早停止法与数据增强.mp4

05_正则化作业介绍.mp4

06_作业讲解1.mp4

07_作业讲解2.mp4

4.神经网络调参与BN

4.神经网络调参与BN

01_神经网络调参数技巧与如何设置参数、如何运行.mp4

02_批标准化定义、公式、为什么有效.mp4

1-5 高级主题

1.生产对抗网络

1.生产对抗网络

01_高级主题介绍、GAN介绍.mp4

02_GAN原理、损失和DCGAN结构.mp4

03_生成数字图片案例：结果演示流程介绍.mp4

04_生成数字图片案例：模型初始化代码编写.mp4

05_生成数字图片案例：训练流程.mp4

06_生成数字图片案例：运行保存图片并对比.mp4

2.自动编码器

2.自动编码器

01_自动编码器介绍.mp4

02_案例：编码器类别、普通自编码器流程、模型初始化逻辑.mp4

03_案例：训练普通自编码器.mp4

04_案例：深度自编码器编写演示.mp4

05_案例：卷积自编码器编写演示.mp4

06_案例：降噪编码器介绍.mp4

07_案例：降噪编码器案例.mp4

3.CapsuleNet

3.CapsuleNet

01_CapsuleNet了解.mp4

02_深度学习课程总结.mp4

1-10 图片商品物体检测项目第三阶段-项目实现与部署

1.项目架构

1.项目架构

01_项目架构设计.mp4

02_训练与测试整体结构设计.mp4

2.数据接口实现

2.数据接口实现

01_数据接口：商品格式转换实现.mp4

02_数据接口：读取数据接口设计以及基类如何定义.mp4

03_数据接口：商品数据读取子类实现.mp4

04_数据接口：数据读取工厂逻辑实现.mp4

05_数据接口：代码运行与数据模块总结.mp4

3.模型接口实现

3.模型接口实现

01_模型接口：接口设置以及模型工厂代码.mp4

4.预处理接口实现

4.预处理接口实现

01_预处理接口：预处理需求介绍、数据增强介绍.mp4

02_预处理接口：预处理工厂代码.mp4

03_预处理接口：预处理工厂代码参数错误调整.mp4

04_数据接口、模型接口、预处理接口参数总结.mp4

5.训练过程实现

5.训练过程实现

01_训练：训练步骤与设备部署介绍.mp4

02_训练：model_deploy介绍.mp4

03_训练：训练运行结果显示与初始配置确定.mp4

04_训练：1设备配置代码以及全局步数定义.mp4

05_训练：2图片数据读取与处理逻辑介绍.mp4

06_训练：2数据模块与网络模型获取结果.mp4

07_训练：2网络参数修改、provider获取数据、预处理.mp4

08_训练：2NHWC和NCHW介绍.mp4

09_训练：2对anchors进行正负样本标记.mp4

10_训练：2批处理获取以及数据形状变换.mp4

11_训练：2队列设置.mp4

12_训练：3复制模型、添加参数观察与4添加学习率和优化器.mp4

13_训练：5总损失计算与变量平均梯度计算6训练配置.mp4

14_训练：训练流程总结.mp4

6.测试过程实现

6.测试过程实现

01_测试：测试流程介绍、代码.mp4

02_测试：图片输入、结果标记代码.mp4

7.模型部署介绍

7.模型部署介绍

01_web服务与模型部署流程关系介绍.mp4

02_本地TensorFlow Serving演示以及逻辑介绍.mp4

8.导出模型

8.导出模型

01_模型导出：模型输入输出定义.mp4

02_模型导出：Savedmodel导出模型.mp4

9.打开模型服务

9.打开模型服务

01_开启模型服务.mp4

10.TFServing客户端

10.TFServing客户端

01_Tensorflow serving client逻辑.mp4

02_Client：用户输入图片处理.mp4

03_Client：grpc与serving apis介绍.mp4

04_Client：客户端建立连接获取结果代码.mp4

05_Client：结果解析.mp4

06_Client：结果标记返回.mp4

11.服务器部署

01_服务器部署：服务器部署的代码文件需求、服务开启.mp4

02_项目总结.mp4