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
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 |
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 |
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 |
第四讲:Tensorflow入门及案例实战——Tensorflow基础操作 | 1 课程简介 |
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 |