课程介绍
课程从理解神经网络开始,通过tensorflow playgroud来了解神经网络的趣味与神奇变化,并通过物理与数学的观点进一步加深对神经网络的理解,观察网络加深与加宽对模型性能的影响。然后步入深度卷积神经网络的学习,并开展可视化的分析,真正体会卷积提取特征的本质。接着对keras和tensorflow常用的技术进行详细的讲解,快速掌握其中的技巧与方法,可以使用其开展深度学习的应用与研究。然后在分类应用、目标检测、实例分割、循环神经网络预测、生成对抗网络和深度强化学习中选取优秀的实战案例进行分享和分析,让学员完成从菜鸟到大师的蜕变。
课程特色
1.系统化的讲解
2.案例与项目式的教学
3.让生动的例子激发学员的灵感
学习目标
1.掌握与理解神经网络与深度学习的技术本质
2.快速上手基于keras和tensorflow的深度学习技术
3.可以真正的用深度学习技术来解决自己行业的业务难题
适用人群
只要有一定的编程与开发基础的人员都可以,如果有python编程基础是最好的。
讲师介绍
-
刘博士
华为AI实战大咖 | 大讲台人工智能特聘讲师
计算机博士,华为智能产品线高级软件工程师,长期从事深度学习与人工智能研究工作,领导开发过智能图像识别系统、医疗大数据分析系统、高速道路路面检测系统等多项人工智能项目,软件著作权与发明专利多项,在国际顶级期刊和会议上发表论文多篇。
课程大纲
1. 什么是神经网络 2. 感知器:最简单的神经网络 3. 神经网络的扩展 4. 通过tensorflow playgroud了解神经网络的趣味与神奇变化 5. 使用keras快速构建神经网络 6. 使用tensorflow快速构建神经网络 7. 网络加深的效果 |
1. 卷积网络的基本原理 2. 普通神经网络与卷积网络的区别与联系 3. 普通深度神经网络和卷积神经网络分别对图像分类对比 4. 卷积神经网络可视化 5. 深度学习基本框架 6. 通用常见的CNN网络 |
1. window下安装与使用keras 2. Keras:基于Python的深度学习库简介 3. keras模型 3.1 序贯模型 3.2 函数式模型 4. 网络层 4.1. 常见层 4.2. 卷积层 4.3. 池化层 4.4. 局部连接层 4.5. 循环层 4.6. 嵌入层 4.7. 融合层 4.8. 高级激活层 4.9. 规范层 4.10. 噪声层 4.11. 包装器Wrapper 4.12. 编写自己的层 5. 数据预处理 5.1. 序列预处理 5.2. 文本预处理 5.3. 图片预处理 6. 网络配置 6.1. 损失函数 6.2. 优化器 6.3. 激活函数 6.4. 性能评估 6.5. 初始化方法 6.6. 正则项 6.7. 约束项 6.8. 回调函数 7. 协助使用Keras 7.1. 预训练模型 7.2. 常用数据库 8. 可视化 8.1. 模型可视化 8.2. 工具 9. keras常见问题与使用陷阱 |
1. 变量的创建,初始化,保存与恢复 2. 基本运行机制 3. TensorBoard:学习过程的可视化 4. TensorBoard:图的可视化 5. 数据读入 6. 线程与队列 7. 添加新的操作 8. 自定义数据读取 9. 使用GPU 10. 共享变量 11. API接口查询 12. 更多的资源 13. TF-Slim库的使用 |
1. 从R-CNN到Faster R-CNN 1.1. R-CNN的基本原理 1.2. Fast R-CNN的改进 1.3. Faster R-CNN的改进 2. 实例分析:医学图像肺结节检测算法分析 |
1. 从FCN,U-Net到mask R-CNN 1.1. 基于分类的分割方法 1.2. 全卷积网络分割 1.3. U-Net的分割改进 1.4. 从Faster R-CNN到Mask R-CNN进行分割 2. 实例分析1:关节医学图像的精准分割 3. 实例分析2:mask R-CNN核心算法解析 |
1. RNN基本原理与要解决的问题 2. RNN存在的问题 3. 从RNN到LSTM 4. 实例分析1:股票每日最高价进行预测 5. 实例分析2:自动生成中国古诗词 6. 实例分析3:26个英文字母预测 |
1. GAN网络的基本原理 2. 基于卷积的对抗生成网络:DCGAN 3. 更多的网络:GAN、DCGAN、CGAN和InfoGAN 4. 实例分析:CGAN网络对图像进行自动着色 |