本课程将从数据准备开始，介绍如何获取并预处理阿尔兹海默病的 ADNI 数据集，其中使用到了 nibabel 库对医学影像数据进行预处理和可视化方法。接着，将介绍 PyTorch 中最基本的数据结构张量（Tensor），以及如何使用 PyTorch 构建分类器模型，并对模型进行基础的测试。在模型训练和调优环节，将讲解损失函数、优化器等概念，并对分类器模型进行训练和调优，实现对阿尔兹海默病的自动诊断。

在本课程的重头戏中，我们将搭建一个基于 PyWebIO 和 PyTorch 的图像识别 Web 应用程序，实现医学影像上传、模型预测和诊断结果的反馈。通过 PyWebIO 的 UI 组件和高级特性，将用户上传的医学影像预处理后送入已经训练好的分类器模型中进行预测，最后将结果反馈给用户。整个流程简单明了，代码量少，容易上手，通过几十行纯 Python 代码即可实现动态 Web 应用，是初学者掌握深度学习并实现 Web 应用的极佳案例。

本课程是一门实践性很强的课程。通过本课程，学生将学习到如何使用一个完整的工具链，从数据准备到模型建立再到 Web 应用程序实现，完整地呈现了一个深度学习项目的流程。

效果展示

适合人群

• 对深度学习的实现感兴趣的初学者。
• 具备深度学习基础，但不具备 Web 开发知识的朋友。
• 想要了解如何将深度学习应用到医疗影像识别领域的朋友。

先学课程

• 了解蓝桥云课的基本操作，推荐学习 新手入门指南
• 了解 Python 基础语法，推荐学习 Python 新手入门课
• 了解 PyTorch 深度学习基础，推荐学习 PyTorch 深度学习基础入门

课程信息

• 学习周期：课程有效期 2 个月，2 个月后无法进行在线实验，但可查看文档内容。高级会员有效期内可一直学习，到期后课程失效，且无法查看文档。部分云主机实验环境因成本较高，存在开启次数限制。关于课程退款等相关注意事项说明，请阅读 用户付费协议。
• 版权说明：课程内容为蓝桥云课原创或蓝桥云课在原作者授权下制作。未经书面同意，擅自爬取、转载和再分发课程内容，均将受到严肃追责。
• 发票申请：请点击 发票