深度学习及应用培训课程
课程目标：
1.掌握常用深度学习模型（如：CNN、RNN、LSTM、DNN等）的原理和应用学习。
2.Tensorflow框架的原理和开发应用。
3.深度学习模型训练技巧和优化方法。
4.具备实际项目开发能力。
课程大纲：
主题 | 内容 |
神经网络 | 1. 神经网络概述 2. 单层神经网络 3. 深层神经网络DNN原理 4. 深层神经网络公式、梯度下降法原理、反向传播算法推导 5. 梯度消失和梯度爆炸 6. 常用的激活函数
实操：单层感知器 实操：深层神经网络DNN应用 |
卷积神经网络CNN | 1. 卷积神经网络CNN的原理 2. 卷积神经网络的卷积层推导 3. 卷积神经网络池化层的推导 4. Imagenet图像竞赛中的的各种模型结构分析 Alexnet模型 Vgg模型 Googlenet模型 Resnet模型 |
Tensorflow语法 | 1. Tensorflow基本概念，安装和系统框架 2. TensorFlow和其他深度学习框架的对比 3. 张量，属性，数据类型，索引和切片 4. 函数，通用函数，方法 5. 变量，自动微分，常量 6. 建模的三种方式 7. 模型编译，训练，查看，评估，预测，保存 |
Tensorflow应用 | 1. 输入层，卷积层，池化层，Flatten层，批标准化层，全连接层，Dropout层 2. 加载图片集，数据增强，保存参数，加载参数，可视化训练 |
图像竞赛分析 | Imagenet图像竞赛的代码复现： LeNet AlexNet VGGNet InceptionNet Resnet |
目标检测 | 1. 目标检测简介 2. 目标检测原理与引用
案例：对Pascal VOC图像进行目标检测 案例：缺陷检测 |
循环神经网络 | 3. 循环神经网络CNN介绍 4. 循环神经网络CNN原理和推导 5. 长短期记忆网络LSTM介绍 6. 长短期记忆网络LSTM原理和推导 7. 双向LSTM原理和推导 |
循环神经网络实战 | 实操1：图像识别 实操2：股票预测 |
迁移学习 分布式并行 | 1. 迁移学习的理论概述 2. 迁移学习的常见方法及案例 3. 多GPU并行，分布式并行 4. Tensorflow结合Spark |
强化学习 | 1. 深度强化学习简介 2. TensorFlow实现策略网络 3. TensorFlow实现估值网络 |
