課程介紹
課程從理解神經網絡開始，通過tensorflow playgroud來了解神經網絡的趣味與神奇變化，并通過物理與數學的觀點進一步加深對神經網絡的理解，觀察網絡加深與加寬對模型性能的影響。然后步入深度卷積神經網絡的學習，并開展可視化的分析，真正體會卷積提取特征的本質。接著對keras和tensorflow常用的技術進行詳細的講解，快速掌握其中的技巧與方法，可以使用其開展深度學習的應用與研究。然后在分類應用、目標檢測、實例分割、循環神經網絡預測、生成對抗網絡和深度強化學習中選取優秀的實戰案例進行分享和分析，讓學員完成從菜鳥到大師的蛻變。
課程特色
1.系統化的講解
2.案例與項目式的教學
3.讓生動的例子激發學員的靈感
學習目標
1.掌握與理解神經網絡與深度學習的技術本質
2.快速上手基于keras和tensorflow的深度學習技術
3.可以真正的用深度學習技術來解決自己行業的業務難題
適用人群
只要有一定的編程與開發基礎的人員都可以，如果有python編程基礎是最好的。
講師介紹
-
劉博士
華為AI實戰大咖 | 大講臺人工智能特聘講師
計算機博士，華為智能產品線高級軟件工程師，長期從事深度學習與人工智能研究工作，領導開發過智能圖像識別系統、醫療大數據分析系統、高速道路路面檢測系統等多項人工智能項目，軟件著作權與發明專利多項，在國際頂級期刊和會議上發表論文多篇。
課程大綱
|
1. 什么是神經網絡 2. 感知器：最簡單的神經網絡 3. 神經網絡的擴展 4. 通過tensorflow playgroud了解神經網絡的趣味與神奇變化 5. 使用keras快速構建神經網絡 6. 使用tensorflow快速構建神經網絡 7. 網絡加深的效果 |
|
1. 卷積網絡的基本原理 2. 普通神經網絡與卷積網絡的區別與聯系 3. 普通深度神經網絡和卷積神經網絡分別對圖像分類對比 4. 卷積神經網絡可視化 5. 深度學習基本框架 6. 通用常見的CNN網絡 |
|
1. window下安裝與使用keras 2. Keras:基于Python的深度學習庫簡介 3. keras模型 3.1 序貫模型 3.2 函數式模型 4. 網絡層 4.1. 常見層 4.2. 卷積層 4.3. 池化層 4.4. 局部連接層 4.5. 循環層 4.6. 嵌入層 4.7. 融合層 4.8. 高級激活層 4.9. 規范層 4.10. 噪聲層 4.11. 包裝器Wrapper 4.12. 編寫自己的層 5. 數據預處理 5.1. 序列預處理 5.2. 文本預處理 5.3. 圖片預處理 6. 網絡配置 6.1. 損失函數 6.2. 優化器 6.3. 激活函數 6.4. 性能評估 6.5. 初始化方法 6.6. 正則項 6.7. 約束項 6.8. 回調函數 7. 協助使用Keras 7.1. 預訓練模型 7.2. 常用數據庫 8. 可視化 8.1. 模型可視化 8.2. 工具 9. keras常見問題與使用陷阱 |
|
1. 變量的創建，初始化，保存與恢復 2. 基本運行機制 3. TensorBoard：學習過程的可視化 4. TensorBoard：圖的可視化 5. 數據讀入 6. 線程與隊列 7. 添加新的操作 8. 自定義數據讀取 9. 使用GPU 10. 共享變量 11. API接口查詢 12. 更多的資源 13. TF-Slim庫的使用 |
|
1. 從R-CNN到Faster R-CNN 1.1. R-CNN的基本原理 1.2. Fast R-CNN的改進 1.3. Faster R-CNN的改進 2. 實例分析：醫學圖像肺結節檢測算法分析 |
|
1. 從FCN，U-Net到mask R-CNN 1.1. 基于分類的分割方法 1.2. 全卷積網絡分割 1.3. U-Net的分割改進 1.4. 從Faster R-CNN到Mask R-CNN進行分割 2. 實例分析1：關節醫學圖像的精準分割 3. 實例分析2：mask R-CNN核心算法解析 |
|
1. RNN基本原理與要解決的問題 2. RNN存在的問題 3. 從RNN到LSTM 4. 實例分析1：股票每日最高價進行預測 5. 實例分析2：自動生成中國古詩詞 6. 實例分析3：26個英文字母預測 |
|
1. GAN網絡的基本原理 2. 基于卷積的對抗生成網絡:DCGAN 3. 更多的網絡：GAN、DCGAN、CGAN和InfoGAN 4. 實例分析:CGAN網絡對圖像進行自動著色 |
