課程簡介
眾所周知，人工智能是高級計算智能最寬泛的概念，機器學習是研究人工智能的一個工具，深度學習是機器學習的一個子集，是目前研究領域卓有成效的學習方法。深度學習的框架有很多，而TenforFlow將神經網絡、算法這些平時停留在理論層面的知識，組織成一個平臺框架，集合了神經網絡的各個算法函數組成一個工具箱，讓廣大工程師可以專心建造自己的目標領域的“輪子”，而且TenforFlow是基于Python語言的，極易上手，這些優(yōu)勢迅速吸引了全世界的工程師。
目標收益
1）深度學習必備基礎知識點
2）神經網絡模型和神經網絡案例實戰(zhàn)
3）神經網絡原理詳解及實戰(zhàn)
4）TensorFlow實戰(zhàn)自然語言處理-Word2Vec
5）深度學習頂級論文算法詳解
培訓對象
課程大綱
| 第一講：深度學習必備基礎知識點 |
1深度學習與人工智能簡介 2計算機視覺面臨挑戰(zhàn)與常規(guī)套路 3用K近鄰來進行圖像分類 4超參數與交叉驗證 5線性分類 6損失函數 7正則化懲罰項 8softmax分類器 9最優(yōu)化形象解讀 10梯度下降算法原理 11反向傳播 |
| 第二講：神經網絡模型和神經網絡案例實戰(zhàn) |
1神經網絡整體架構 2神經網絡模型實例演示 3過擬合問題解決方案 1Python環(huán)境搭建 2VSCode中搭建python環(huán)境（選自己喜歡的IDE就好） 3深度學習入門視頻課程——動手完成簡單神經網絡 本節(jié)我們動手去寫一個單層和兩層的神經網絡去整體的了解神經網絡的整體框架。 4感受神經網絡的強大 對比神經網絡去線性分類方法，感受神經網絡的實際效果 5神經網絡案例-cifar分類任務 使用簡易神經網絡對cifar數據集進行分類 6神經網絡案例-分模塊構造神經網絡 分模塊構造神經網絡的組成部分 7神經網絡案例-訓練神經網絡完成分類任務開始學習 配置參數，訓練構造好的神經網絡去完成圖像分類任務 |
| 第三講：神經網絡原理詳解及實戰(zhàn) |
1 感受卷積神經網絡在目標檢測、圖像分割上能做的事情 2 卷積層詳解 3 卷積計算流程 4 卷積核參數分析 5 卷積參數共享原則 6 池化層（Pooling）原理 7 卷積神經網絡反向傳播原理 8 實現(xiàn)卷積層的前向傳播與反向傳播 9 實現(xiàn)Pooling層的前向傳播與反向傳播 10 經典卷及網絡架構實例 11 RNN網絡結構:解析RNN相比于傳統(tǒng)神經網絡結構的不同和應用范圍 12 RNN網絡細節(jié) 13 python實現(xiàn)RNN算法 14 LSTM網絡結構簡介 15 分類與回歸（Location）任務應用詳解 從兩個最經典的問題分類和回歸入手分析卷積神經網絡如何解決這些問題 |
| 第四講：Tensorflow入門及案例實戰(zhàn)——Tensorflow基礎操作 |
1 課程簡介 2 Tensor框架的安裝（GPU版本及CPU版本） 3 基本計算單元-變量 4 常用基本操作 5 構造線性回歸模型 6 Mnist數據集簡介 7 邏輯回歸框架 8 迭代完成邏輯回歸模型 |
| 第五講：Tensorflow入門及案例實戰(zhàn)——Tensorflow實現(xiàn)神經網絡 |
1 神經網絡模型架構：初始化神經網絡模型的參數以及架構 2 訓練神經網絡 對定義的網絡模型進行訓練完成網絡的迭代 3 卷積神經網絡模型架構 構造卷積神經網絡的卷積核以及網絡架構 4 卷積神經網絡模型參數 詳解卷積神經網絡所涉及的卷積核參數以及權重參數連接 5 模型的保存和讀取 6 加載訓練好的VGG網絡模型 7 使用VGG模型進行測試 使用VGG模型進行分類的測試以及網絡模型可視化 8 使用RNN處理Mnist數據集 9 RNN網絡模型 10 訓練RNN網絡 |
| 第六講：TensorFlow與圖像處理 |
1 人臉關鍵點檢測算法框架 2 多標簽數據源制作以及標簽坐標轉換 3 對原始數據進行數據增強 4 完成第一階段HDF5數據源制作 5 第一階段網絡訓練 6 第二三階段網絡數據源制作 7 第二三階段網絡模型訓練 8 網絡模型參數初始化 9 完成全部測試結果 10 人臉關鍵點檢測效果 11 項目總結分析 12 算法框架分析 |
| 第七講：TensorFlow實戰(zhàn)自然語言處理-Word2Vec |
1 中文數據預處理 2 word2vec模型構造 3 構造圖計算模型 4 word2vec訓練 5 模型訓練模塊 6 迭代預測效果 案例：情感分類任務 1 影評情感分類任務概述 2 基于詞袋模型訓練分類器 3 準備word2vec輸入數據 4 使用gensim構建word2vec詞向量 |
| 第八講：深度學習頂級論文算法詳解 |
1 檢測通用框架FasterRCNN結構詳解 總結Faster-Rcnn算法優(yōu)勢和應用場景以及和其他算法相比的強勢之處 2 Faster-Rcnn之RPN層詳解 Faster-Rcnn之RPN層原理以及實現(xiàn)方式解讀 3 Faster-Rcnn整體框架流程 Faster-Rcnn層次結構分析，詳解每一層原理 4 Faster-Rcnn框架實驗結果評估 對比Faster-Rcnn和Fast-Rcnn效果，分析優(yōu)缺點和實驗效果 5 關鍵點定位論文算法整體框架 論文Convolutional Pose Machines算法整體框架分析 6 關鍵點定位論文細節(jié)實現(xiàn)解讀 論文Convolutional Pose Machines算法梯度消失問題以及關鍵點協(xié)同定位方法分析 7 關鍵點定位論網絡結構詳解 論文Convolutional Pose Machines算法網絡結構流程詳解 8 深度殘差網絡架構分析 分析對比深度殘差網絡和經典CNN網絡之間的差異和傳統(tǒng)深度網絡的缺陷 9 深度殘差網絡實現(xiàn)細節(jié)開始學習 分析論證深度殘差網絡如何實現(xiàn)堆疊式的網絡架構 |
|
第一講：深度學習必備基礎知識點 1深度學習與人工智能簡介 2計算機視覺面臨挑戰(zhàn)與常規(guī)套路 3用K近鄰來進行圖像分類 4超參數與交叉驗證 5線性分類 6損失函數 7正則化懲罰項 8softmax分類器 9最優(yōu)化形象解讀 10梯度下降算法原理 11反向傳播 |
|
第二講：神經網絡模型和神經網絡案例實戰(zhàn) 1神經網絡整體架構 2神經網絡模型實例演示 3過擬合問題解決方案 1Python環(huán)境搭建 2VSCode中搭建python環(huán)境（選自己喜歡的IDE就好） 3深度學習入門視頻課程——動手完成簡單神經網絡 本節(jié)我們動手去寫一個單層和兩層的神經網絡去整體的了解神經網絡的整體框架。 4感受神經網絡的強大 對比神經網絡去線性分類方法，感受神經網絡的實際效果 5神經網絡案例-cifar分類任務 使用簡易神經網絡對cifar數據集進行分類 6神經網絡案例-分模塊構造神經網絡 分模塊構造神經網絡的組成部分 7神經網絡案例-訓練神經網絡完成分類任務開始學習 配置參數，訓練構造好的神經網絡去完成圖像分類任務 |
|
第三講：神經網絡原理詳解及實戰(zhàn) 1 感受卷積神經網絡在目標檢測、圖像分割上能做的事情 2 卷積層詳解 3 卷積計算流程 4 卷積核參數分析 5 卷積參數共享原則 6 池化層（Pooling）原理 7 卷積神經網絡反向傳播原理 8 實現(xiàn)卷積層的前向傳播與反向傳播 9 實現(xiàn)Pooling層的前向傳播與反向傳播 10 經典卷及網絡架構實例 11 RNN網絡結構:解析RNN相比于傳統(tǒng)神經網絡結構的不同和應用范圍 12 RNN網絡細節(jié) 13 python實現(xiàn)RNN算法 14 LSTM網絡結構簡介 15 分類與回歸（Location）任務應用詳解 從兩個最經典的問題分類和回歸入手分析卷積神經網絡如何解決這些問題 |
|
第四講：Tensorflow入門及案例實戰(zhàn)——Tensorflow基礎操作 1 課程簡介 2 Tensor框架的安裝（GPU版本及CPU版本） 3 基本計算單元-變量 4 常用基本操作 5 構造線性回歸模型 6 Mnist數據集簡介 7 邏輯回歸框架 8 迭代完成邏輯回歸模型 |
|
第五講：Tensorflow入門及案例實戰(zhàn)——Tensorflow實現(xiàn)神經網絡 1 神經網絡模型架構：初始化神經網絡模型的參數以及架構 2 訓練神經網絡 對定義的網絡模型進行訓練完成網絡的迭代 3 卷積神經網絡模型架構 構造卷積神經網絡的卷積核以及網絡架構 4 卷積神經網絡模型參數 詳解卷積神經網絡所涉及的卷積核參數以及權重參數連接 5 模型的保存和讀取 6 加載訓練好的VGG網絡模型 7 使用VGG模型進行測試 使用VGG模型進行分類的測試以及網絡模型可視化 8 使用RNN處理Mnist數據集 9 RNN網絡模型 10 訓練RNN網絡 |
|
第六講：TensorFlow與圖像處理 1 人臉關鍵點檢測算法框架 2 多標簽數據源制作以及標簽坐標轉換 3 對原始數據進行數據增強 4 完成第一階段HDF5數據源制作 5 第一階段網絡訓練 6 第二三階段網絡數據源制作 7 第二三階段網絡模型訓練 8 網絡模型參數初始化 9 完成全部測試結果 10 人臉關鍵點檢測效果 11 項目總結分析 12 算法框架分析 |
|
第七講：TensorFlow實戰(zhàn)自然語言處理-Word2Vec 1 中文數據預處理 2 word2vec模型構造 3 構造圖計算模型 4 word2vec訓練 5 模型訓練模塊 6 迭代預測效果 案例：情感分類任務 1 影評情感分類任務概述 2 基于詞袋模型訓練分類器 3 準備word2vec輸入數據 4 使用gensim構建word2vec詞向量 |
|
第八講：深度學習頂級論文算法詳解 1 檢測通用框架FasterRCNN結構詳解 總結Faster-Rcnn算法優(yōu)勢和應用場景以及和其他算法相比的強勢之處 2 Faster-Rcnn之RPN層詳解 Faster-Rcnn之RPN層原理以及實現(xiàn)方式解讀 3 Faster-Rcnn整體框架流程 Faster-Rcnn層次結構分析，詳解每一層原理 4 Faster-Rcnn框架實驗結果評估 對比Faster-Rcnn和Fast-Rcnn效果，分析優(yōu)缺點和實驗效果 5 關鍵點定位論文算法整體框架 論文Convolutional Pose Machines算法整體框架分析 6 關鍵點定位論文細節(jié)實現(xiàn)解讀 論文Convolutional Pose Machines算法梯度消失問題以及關鍵點協(xié)同定位方法分析 7 關鍵點定位論網絡結構詳解 論文Convolutional Pose Machines算法網絡結構流程詳解 8 深度殘差網絡架構分析 分析對比深度殘差網絡和經典CNN網絡之間的差異和傳統(tǒng)深度網絡的缺陷 9 深度殘差網絡實現(xiàn)細節(jié)開始學習 分析論證深度殘差網絡如何實現(xiàn)堆疊式的網絡架構 |
近期公開課推薦
