CV计算机视觉实战：深度学习与视觉技术（附源码）

 1. 为什么选择计算机视觉作为AI进阶方向 
计算机视觉是人工智能领域发展最快的分支之一，在自动驾驶、医疗影像、工业检测等领域有广泛应用。本课程通过100+实战任务系统讲解CV核心技术，从基础的图像处理到复杂的LSTM注意力模型，覆盖计算机视觉工程师必备的知识体系。 

课程采用"理论推导+代码实现"双轨教学模式，每个算法都配有可运行的Python源码，特别适合希望快速掌握CV实战能力的学习者。通过鸢尾花分类、自动驾驶预测等工业级项目，帮助学员建立完整的计算机视觉知识框架。 

 2. 课程核心内容模块解析 
深度学习基础模块（任务1-20）系统讲解机器学习发展史、逻辑回归、梯度下降等核心概念，配有PyCharm环境配置指南。神经网络进阶模块（任务21-49）深入剖析BP算法、梯度消亡、正则化等关键问题，通过方向盘预测项目巩固学习效果。 

递归神经网络专题（任务50-70）重点突破LSTM、GRU、Seq2Seq等时序模型，详解Attention机制在图像描述生成中的应用。综合实战模块（任务71-100）包含看图说话、道路检测等工业级项目，手把手教您从数据预处理到模型部署的全流程开发。 

 3. 特色教学资源与学习路径 
课程提供完整配套的源码课件，包含： 

- 鸢尾花分类的Keras实现 

- 自动驾驶数据增强代码 

- 基于VGG16的特征提取工具 

- 图像标题生成模型 

- 车道线检测的OpenCV实现 

学习路径设计遵循"基础→进阶→项目"三阶段模型，每个任务视频时长控制在30分钟内，特别适合碎片化学习。通过霍夫变换、Canny边缘检测等经典案例，快速掌握OpenCV实战技巧。 

 4. 适合哪些人群学习 
本课程适合： 

- 希望转型AI视觉方向的开发者 

- 计算机/自动化相关专业学生 

- 需要补充深度学习实战经验的研究人员 

- 对自动驾驶、医疗影像等领域感兴趣的技术爱好者 

建议学习者具备Python编程基础，对线性代数、概率统计有基本了解。课程包含从环境配置到模型调优的全套解决方案，即使是初学者也能循序渐进掌握核心技能。 

 5. 课程带来的能力提升 
完成本课程后，您将能够： 

- 独立实现图像分类、目标检测等CV任务 

- 理解CNN、RNN等网络架构的数学原理 

- 掌握Keras、PyTorch等框架的实战技巧 

- 解决过拟合、梯度消失等工程难题 

- 开发基于Attention的复杂视觉系统 

通过道路检测、图像描述生成等企业级项目实战，您将获得接近工业要求的开发经验，为求职或科研打下坚实基础。

资源目录列表：

├─【贪心科技】CV计算机视觉集训营 - 带源码课件
│  ├─CV计算机视觉集训营（视频）
│  │  ├─任务1：机器学习、深度学习简介.mp4
│  │  ├─任务10：问答环节.mp4
│  │  ├─任务100：道路行车道检测代码讲解.mp4
│  │  ├─任务11：环境安装.mp4
│  │  ├─任务12：二元分类问题.mp4
│  │  ├─任务13：逻辑函数.mp4
│  │  ├─任务14：指数与对数 、逻辑回归.mp4
│  │  ├─任务15：示例.mp4
│  │  ├─任务16：损失函数.mp4
│  │  ├─任务17：损失函数推演.mp4
│  │  ├─任务18：梯度下降法.mp4
│  │  ├─任务19：应用.mp4
│  │  ├─任务2：深度学习的发展历史.mp4
│  │  ├─任务20：直播答疑.mp4
│  │  ├─任务21：自动驾驶方向盘预测论文分析.mp4
│  │  ├─任务22：使用PyCharm Keras建立深度网络模型.mp4
│  │  ├─任务23：数据预处理 数据增强.mp4
│  │  ├─任务24：建立BatchGenerator高效读取数据.mp4
│  │  ├─任务25：训练网络 保存训练的中间过程数据.mp4
│  │  ├─任务26：查看网络训练过程 判断网络是否过拟合 欠拟合.mp4
│  │  ├─任务27：神经网络分类问题的经典数据（集鸢尾花数据集）介绍，神经网络Python库Keras的介绍.mp4
│  │  ├─任务28：使用Pandas读取鸢尾花数据集， 使用LabelEncoder对类别标签进行编码.mp4
│  │  ├─任务29：使用Keras创建一个用于鸢尾花分类识别的神经网络.mp4
│  │  ├─任务3：现代深度学习的典型例子.mp4
│  │  ├─任务30：训练用于鸢尾花分类的神经网络 解读训练输出的日志 了解如何评价神经网络的性能.mp4
│  │  ├─任务31：神经网络数学原理（1）： 神经网络的结点，权值，激活函数.mp4
│  │  ├─任务32：神经网络数学原理（2）： 神经网络的前馈（Feed Forward）算法.mp4
│  │  ├─任务33：神经网络数学原理（3）：神经网络的前馈（Feed Forward）算法续，Softmax层的数值问题.mp4
│  │  ├─任务34：神经网络数学原理（4）：神经网络BP（误差反向传播）算法.mp4
│  │  ├─任务35：神经网络数学原理（5）：神经网络BP（误差反向传递）算法续.mp4
│  │  ├─任务36：神经网络数学原理（6）：手动演算神经网络BP算法（误差向后传递）.mp4
│  │  ├─任务37：神经网络数学原理（7）：手动演算神经网络BP算法（误差向后传递）续.mp4
│  │  ├─任务38：Neural.Network.Loss-直播01.mp4
│  │  ├─任务39：Neural.Network.Loss-直播02.mp4
│  │  ├─任务4：深度学习在计算机视觉中的应用.mp4
│  │  ├─任务40：Neural.Network.Loss-直播03.mp4
│  │  ├─任务41：梯度消亡.mp4
│  │  ├─任务42：梯度消亡问题分析.mp4
│  │  ├─任务43：梯度消亡解决方案.mp4
│  │  ├─任务44：过拟合.mp4
│  │  ├─任务45：DropOut 训练.mp4
│  │  ├─任务46：正则化.mp4
│  │  ├─任务47：最大范数约束 神经元的初始化.mp4
│  │  ├─任务48：作业讲解与答疑-01.mp4
│  │  ├─任务49：作业讲解与答疑-02.mp4
│  │  ├─任务5：深度学习的总结.mp4
│  │  ├─任务50：为什么需要递归神经网络？.mp4
│  │  ├─任务51：递归神经网络介绍.mp4
│  │  ├─任务52：语言模型.mp4
│  │  ├─任务53：RNN的深度.mp4
│  │  ├─任务54：梯度爆炸和梯度消失.mp4
│  │  ├─任务55：Gradient Clipping.mp4
│  │  ├─任务56：LSTM的介绍.mp4
│  │  ├─任务57：LSTM的应用.mp4
│  │  ├─任务58：Bi-Directional LSTM.mp4
│  │  ├─任务59：Gated Recurrent Unit.mp4
│  │  ├─任务6：开发环境的配置, Python, Numpy, Keras入门教程.mp4
│  │  ├─任务60：机器翻译.mp4
│  │  ├─任务61：Multimodal Learning.mp4
│  │  ├─任务62：Seq2Seq模型.mp4
│  │  ├─任务63：回顾RNN与LSTM.mp4
│  │  ├─任务64：Attention for Image Captioning.mp4
│  │  ├─任务65：Attention for Machine Translation.mp4
│  │  ├─任务66：Self-Attention.mp4
│  │  ├─任务67：Attention总结.mp4
│  │  ├─任务68：neural network optimizer直播-01.mp4
│  │  ├─任务69：neural network optimizer直播-02.mp4
│  │  ├─任务7：GPU驱动程序安装.mp4
│  │  ├─任务70：neural network optimizer直播-03.mp4
│  │  ├─任务71：项目介绍.mp4
│  │  ├─任务72：看图说话任务一-01.mp4
│  │  ├─任务73：看图说话任务一-02.mp4
│  │  ├─任务74：看图说话任务一-03.mp4
│  │  ├─任务75：任务介绍.mp4
│  │  ├─任务76：如何实现 load_img_as_np_array 这个函数.mp4
│  │  ├─任务77：如何实现“load_vgg16_model”函数.mp4
│  │  ├─任务78：如何实现“extract_features”函数.mp4
│  │  ├─任务79：创建Tokenizer01.mp4
│  │  ├─任务8：CUDA的安装.mp4
│  │  ├─任务80：创建Tokenizer02.mp4
│  │  ├─任务81：产生模型需要的输入数据01.mp4
│  │  ├─任务82：产生模型需要的输入数据02.mp4
│  │  ├─任务83：任务的概述.mp4
│  │  ├─任务84：Input Embedding和Dropout层介绍.mp4
│  │  ├─任务85：LSTM Add层的介绍.mp4
│  │  ├─任务86：如何训练模型.mp4
│  │  ├─任务87：如何使用深度神经网络模型做预测 产生标题 完成generate_caption函数01.mp4
│  │  ├─任务88：如何使用深度神经网络模型做预测 产生标题 完成generate_caption函数02.mp4
│  │  ├─任务89：如何调用generate_caption函数.mp4
│  │  ├─任务9：cuDNN的安装, Tensorflow, PyTorch的GPU测试.mp4
│  │  ├─任务90：如何评价标题生成模型的性能.mp4
│  │  ├─任务91：读取和显示数字图像.mp4
│  │  ├─任务92：数字图像大小缩放.mp4
│  │  ├─任务93：数字图像直方图均衡.mp4
│  │  ├─任务94：图像去噪声.mp4
│  │  ├─任务95：图像边缘检测.mp4
│  │  ├─任务96：图像关键点检测.mp4
│  │  ├─任务97：道路行车道检测简介.mp4
│  │  ├─任务98：Canny边缘检测.mp4
│  │  ├─任务99：霍夫变换用于直线检测.mp4