人工智能(néng)和深度學(xué)习培训

前沿技术 / 2020-04-26 17:53:19
人工智能(néng)和深度學(xué)习培训
    马上咨询

    李嘉璇 《TensorFlow技术解析与实战》（版权也已被台湾引进）作者

    51CTO WOTI、Oreilly Strata、Boolan等大会深度學(xué)习讲师， 对深度學(xué)习框架的架构、源码分(fēn)析及在不同领域的应用(yòng)有(yǒu)些心得，有(yǒu)处理(lǐ)图像、社交文(wén)本数据情感分(fēn)析、数据挖掘等实战经验，曾在BAT公司長(cháng)期从事一線(xiàn)研发工作，目前研究构建高性能(néng)的神经网络模型及TensorFlow下的模型压缩工具链，包括模型量化、常数化、剪枝。

    课程信息

    众所周知，人工智能(néng)是高级计算智能(néng)最宽泛的概念，机器學(xué)习是研究人工智能(néng)的一个工具，深度學(xué)习是机器學(xué)习的一个子集，是目前研究领域卓有(yǒu)成效的學(xué)习方法。深度學(xué)习的框架有(yǒu)很(hěn)多(duō)，而TenforFlow将神经网络、算法这些平时停留在理(lǐ)论层面的知识，组织成一个平台框架，集合了神经网络的各个算法函数组成一个工具箱，让广大工程师可(kě)以专心建造自己的目标领域的“轮子”，而且TenforFlow是基于Python语言的，极易上手，这些优势迅速吸引了全世界的工程师。

    培训特色

    深度學(xué)习的革命性在于，它不需要我们过多(duō)地提取特征，在神经网络的每一层中，计算机都可(kě)以自动學(xué)习出特征。為(wèi)了实现深度學(xué)习中运用(yòng)的神经网络，Tensor Flow这样的深度學(xué)习开源工具就应运而生。我们可(kě)以使用(yòng)它来搭建自己的神经网络。这就有(yǒu)点儿类似于PHP开发当中的CodeIgniter框架，Java开发当中的SSH三大框架，Python开发当中的Tornado、Django框架，C++当中的MFC、ACE框架。框架的主要目的就是提供一个工具箱，使开发时能(néng)够简化代码，呈现出来的模型尽可(kě)能(néng)简洁易懂。TensorFlow是目前最流行的深度學(xué)习卡框架。它的一大亮点是支持异构设备分(fēn)布式计算（heterogeneousdistributed computing）。

    目标收益

    • 深度學(xué)习必备基础知识点
    • 神经网络模型和神经网络案例实战
    • 神经网络原理(lǐ)详解及实战
    • TensorFlow实战自然语言处理(lǐ)-Word2Vec
    • 深度學(xué)习顶级论文(wén)算法详解

    课程大纲

    主题

    内容

    第一讲：深度學(xué)习必备基础知识点

    1深度學(xué)习与人工智能(néng)简介
     2计算机视觉面临挑战与常规套路
     3用(yòng)K近邻来进行图像分(fēn)类
     4超参数与交叉验证
     5線(xiàn)性分(fēn)类
     6损失函数
     7正则化惩罚项
     8softmax分(fēn)类器
     9最优化形象解读
     10梯度下降算法原理(lǐ)
     11反向传播

    第二讲：神经网络模型和神经网络案例实战

    1神经网络整體(tǐ)架构
     2神经网络模型实例演示
     3过拟合问题解决方案
     1Python环境搭建
     2VSCode中搭建python环境（选自己喜欢的IDE就好）
     3深度學(xué)习入门视频课程——动手完成简单神经网络
     本节我们动手去写一个单层和两层的神经网络去整體(tǐ)的了解神经网络的整體(tǐ)框架。
     4感受神经网络的强大
     对比神经网络去線(xiàn)性分(fēn)类方法，感受神经网络的实际效果
     5神经网络案例-cifar分(fēn)类任務(wù)
     使用(yòng)简易神经网络对cifar数据集进行分(fēn)类
     6神经网络案例-分(fēn)模块构造神经网络
     分(fēn)模块构造神经网络的组成部分(fēn)
     7神经网络案例-训练神经网络完成分(fēn)类任務(wù)开始學(xué)习
     配置参数，训练构造好的神经网络去完成图像分(fēn)类任務(wù)

    第三讲：神经网络原理(lǐ)详解及实战

    1 感受卷积神经网络在目标检测、图像分(fēn)割上能(néng)做的事情
     2 卷积层详解
     3 卷积计算流程
     4 卷积核参数分(fēn)析
     5 卷积参数共享原则
     6 池化层（Pooling）原理(lǐ)
     7 卷积神经网络反向传播原理(lǐ)
     8 实现卷积层的前向传播与反向传播
     9 实现Pooling层的前向传播与反向传播
     10 经典卷及网络架构实例
     11 RNN网络结构:解析RNN相比于传统神经网络结构的不同和应用(yòng)范围
     12 RNN网络细节
     13 python实现RNN算法
     14 LSTM网络结构简介
     15 分(fēn)类与回归（Location）任務(wù)应用(yòng)详解
     从两个最经典的问题分(fēn)类和回归入手分(fēn)析卷积神经网络如何解决这些问题

    第四讲：Tensorflow入门及案例实战——Tensorflow基础操作

    1 课程简介
     2 Tensor框架的安装（GPU版本及CPU版本）
     3 基本计算单元-变量
     4 常用(yòng)基本操作
     5 构造線(xiàn)性回归模型
     6 Mnist数据集简介
     7 逻辑回归框架
     8 迭代完成逻辑回归模型

    第五讲：Tensorflow入门及案例实战——Tensorflow实现神经网络

    		1 神经网络模型架构：初始化神经网络模型的参数以及架构
     2 训练神经网络
     对定义的网络模型进行训练完成网络的迭代
     3 卷积神经网络模型架构
     构造卷积神经网络的卷积核以及网络架构
     4 卷积神经网络模型参数
     详解卷积神经网络所涉及的卷积核参数以及权重参数连接
     5 模型的保存和读取
     6 加载训练好的VGG网络模型
     7 使用(yòng)VGG模型进行测试
     使用(yòng)VGG模型进行分(fēn)类的测试以及网络模型可(kě)视化
     8 使用(yòng)RNN处理(lǐ)Mnist数据集
     9 RNN网络模型
     10 训练RNN网络

    第六讲：TensorFlow与图像处理(lǐ)

    		1 人脸关键点检测算法框架
     2 多(duō)标签数据源制作以及标签坐(zuò)标转换
     3 对原始数据进行数据增强
     4 完成第一阶段HDF5数据源制作
     5 第一阶段网络训练
     6 第二三阶段网络数据源制作
     7 第二三阶段网络模型训练
     8 网络模型参数初始化
     9 完成全部测试结果
     10 人脸关键点检测效果
     11 项目总结分(fēn)析
     12 算法框架分(fēn)析

    第七讲：TensorFlow实战自然语言处理(lǐ)-Word2Vec

    		1 中文(wén)数据预处理(lǐ)
     2 word2vec模型构造
     3 构造图计算模型
     4 word2vec训练
     5 模型训练模块
     6 迭代预测效果
     案例：情感分(fēn)类任務(wù)
     1 影评情感分(fēn)类任務(wù)概述
     2 基于词袋模型训练分(fēn)类器
     3 准备word2vec输入数据
     4 使用(yòng)gensim构建word2vec词向量

    第八讲：深度學(xué)习顶级论文(wén)算法详解

    		1 检测通用(yòng)框架FasterRCNN结构详解
     总结Faster-Rcnn算法优势和应用(yòng)场景以及和其他(tā)算法相比的强势之处
     2 Faster-Rcnn之RPN层详解
     Faster-Rcnn之RPN层原理(lǐ)以及实现方式解读
     3 Faster-Rcnn整體(tǐ)框架流程
     Faster-Rcnn层次结构分(fēn)析，详解每一层原理(lǐ)
     4 Faster-Rcnn框架实验结果评估
     对比Faster-Rcnn和Fast-Rcnn效果，分(fēn)析优缺点和实验效果
     5 关键点定位论文(wén)算法整體(tǐ)框架
     论文(wén)Convolutional Pose Machines算法整體(tǐ)框架分(fēn)析
     6 关键点定位论文(wén)细节实现解读
     论文(wén)Convolutional Pose Machines算法梯度消失问题以及关键点协同定位方法分(fēn)析
     7 关键点定位论网络结构详解
     论文(wén)Convolutional Pose Machines算法网络结构流程详解
     8 深度残差网络架构分(fēn)析
     分(fēn)析对比深度残差网络和经典CNN网络之间的差异和传统深度网络的缺陷
     9 深度残差网络实现细节开始學(xué)习
     分(fēn)析论证深度残差网络如何实现堆叠式的网络架构
    返回顶部