• 搜素结果

 / 

深度学习原理及项目实战

前百度
研发工程师
391
2414
1430
深度学习原理及项目实战
推荐课程
暂无评分
推荐课程
暂无评分
¥

每人

课程时长

课程排期

如您想参加此课程,您可以点击“我想参加”按钮提交您的需求,我们会及时与您联系

地点: 该课程暂无排期
没有地点信息
将课程带入到您的团队,为您的团队进行一对一辅导。
预约内训

课程详细[html版]

课程信息

众所周知,人工智能是高级计算智能最宽泛的概念,机器学习是研究人工智能的一个工具,深度学习是机器学习的一个子集,是目前研究领域卓有成效的学习方法。深度学习的框架有很多,而TenforFlow将神经网络、算法这些平时停留在理论层面的知识,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

深度学习的革命性在于,它不需要我们过多地提取特征,在神经网络的每一层中,计算机都可以自动学习出特征。为了实现深度学习中运用的神经网络,TensorFlow这样的深度学习开源工具就应运而生。我们可以使用它来搭建自己的神经网络。这就有点儿类似于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,使开发时能够简化代码,呈现出来的模型尽可能简洁易懂。
TensorFlow是目前最流行的深度学习卡框架。它的一大亮点是支持异构设备分布式计算(heterogeneous distributed computing)。
何为异构?这里的异构设备是指使用CPU、GPU等核心进行有效地协同合作;与只依靠CPU相比,性能更高,功耗更低。
那何为分布式?分布式架构目的在于帮助我们调度和分配计算资源(甚至容错,如某个计算节点宕机或者太慢),使得上千万、上亿数据量的模型能够有效地利用机器资源进行训练。

目标收益

1)深度学习必备基础知识点
2)神经网络模型和神经网络案例实战
3)神经网络原理详解及实战
4)TensorFlow实战自然语言处理-Word2Vec
5)深度学习顶级论文算法详解

课程大纲

主题 内容

第一讲:深度学习必备基础知识点

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

第二讲:神经网络模型和神经网络案例实战

1神经网络整体架构
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深度学习入门视频课程——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体的了解神经网络的整体框架。
4感受神经网络的强大
对比神经网络去线性分类方法,感受神经网络的实际效果
5神经网络案例-cifar分类任务
使用简易神经网络对cifar数据集进行分类
6神经网络案例-分模块构造神经网络
分模块构造神经网络的组成部分
7神经网络案例-训练神经网络完成分类任务开始学习
配置参数,训练构造好的神经网络去完成图像分类任务

第三讲:神经网络原理详解及实战

1 感受卷积神经网络在目标检测、图像分割上能做的事情
2 卷积层详解
3 卷积计算流程
4 卷积核参数分析
5 卷积参数共享原则
6 池化层(Pooling)原理
7 卷积神经网络反向传播原理
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 分类与回归(Location)任务应用详解
从两个最经典的问题分类和回归入手分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 常用基本操作
5 构造线性回归模型
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VGG模型进行测试
使用VGG模型进行分类的测试以及网络模型可视化
8 使用RNN处理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

1 人脸关键点检测算法框架
2 多标签数据源制作以及标签坐标转换
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 项目总结分析
12 算法框架分析

第七讲:TensorFlow实战自然语言处理-Word2Vec

1 中文数据预处理
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:情感分类任务
1 影评情感分类任务概述
2 基于词袋模型训练分类器
3 准备word2vec输入数据
4 使用gensim构建word2vec词向量

第八讲:深度学习顶级论文算法详解

1 检测通用框架FasterRCNN结构详解
总结Faster-Rcnn算法优势和应用场景以及和其他算法相比的强势之处
2 Faster-Rcnn之RPN层详解
Faster-Rcnn之RPN层原理以及实现方式解读
3 Faster-Rcnn整体框架流程
Faster-Rcnn层次结构分析,详解每一层原理
4 Faster-Rcnn框架实验结果评估
对比Faster-Rcnn和Fast-Rcnn效果,分析优缺点和实验效果
5 关键点定位论文算法整体框架
论文Convolutional Pose Machines算法整体框架分析
6 关键点定位论文细节实现解读
论文Convolutional Pose Machines算法梯度消失问题以及关键点协同定位方法分析
7 关键点定位论网络结构详解
论文Convolutional Pose Machines算法网络结构流程详解
8 深度残差网络架构分析
分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学习
分析论证深度残差网络如何实现堆叠式的网络架构

第一讲:深度学习必备基础知识点

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

第二讲:神经网络模型和神经网络案例实战

1神经网络整体架构
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深度学习入门视频课程——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体的了解神经网络的整体框架。
4感受神经网络的强大
对比神经网络去线性分类方法,感受神经网络的实际效果
5神经网络案例-cifar分类任务
使用简易神经网络对cifar数据集进行分类
6神经网络案例-分模块构造神经网络
分模块构造神经网络的组成部分
7神经网络案例-训练神经网络完成分类任务开始学习
配置参数,训练构造好的神经网络去完成图像分类任务

第三讲:神经网络原理详解及实战

1 感受卷积神经网络在目标检测、图像分割上能做的事情
2 卷积层详解
3 卷积计算流程
4 卷积核参数分析
5 卷积参数共享原则
6 池化层(Pooling)原理
7 卷积神经网络反向传播原理
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 分类与回归(Location)任务应用详解
从两个最经典的问题分类和回归入手分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 常用基本操作
5 构造线性回归模型
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VGG模型进行测试
使用VGG模型进行分类的测试以及网络模型可视化
8 使用RNN处理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

1 人脸关键点检测算法框架
2 多标签数据源制作以及标签坐标转换
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 项目总结分析
12 算法框架分析

第七讲:TensorFlow实战自然语言处理-Word2Vec

1 中文数据预处理
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:情感分类任务
1 影评情感分类任务概述
2 基于词袋模型训练分类器
3 准备word2vec输入数据
4 使用gensim构建word2vec词向量

第八讲:深度学习顶级论文算法详解

1 检测通用框架FasterRCNN结构详解
总结Faster-Rcnn算法优势和应用场景以及和其他算法相比的强势之处
2 Faster-Rcnn之RPN层详解
Faster-Rcnn之RPN层原理以及实现方式解读
3 Faster-Rcnn整体框架流程
Faster-Rcnn层次结构分析,详解每一层原理
4 Faster-Rcnn框架实验结果评估
对比Faster-Rcnn和Fast-Rcnn效果,分析优缺点和实验效果
5 关键点定位论文算法整体框架
论文Convolutional Pose Machines算法整体框架分析
6 关键点定位论文细节实现解读
论文Convolutional Pose Machines算法梯度消失问题以及关键点协同定位方法分析
7 关键点定位论网络结构详解
论文Convolutional Pose Machines算法网络结构流程详解
8 深度残差网络架构分析
分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学习
分析论证深度残差网络如何实现堆叠式的网络架构

+加载更多
Donec quam felis

Thousand unknown plants are noticed by me: when I hear the buzz of the little world among the stalks, and grow familiar with the countless indescribable forms of the insects and flies, then I feel the presence of the Almighty, who formed us in his own image, and the breath

I am alone, and feel the charm of existence in this spot, which was created for the bliss of souls like mine. I am so happy, my dear friend, so absorbed in the exquisite sense of mere tranquil existence, that I neglect my talents. I should be incapable of drawing a single stroke at the present moment; and yet.

+加载更多

近期公开课推荐

31
三月
上海
卓越软件设计匠艺

1、全真案例,借助案例与设计模式知识的原理…

31
三月
广东
从零搭建用户增长体系

人人都在谈增长,究竟哪些因素影响用户增长…

31
三月
北京
项目管理最佳实践

让大家对于项目管理有个明确清晰的认识,知…

31
三月
北京
创新设计思维工作坊

你想推出新的产品与服务,却不知道该从何开…

31
三月
北京
机器学习(深度学习)算法和应用

机器学习(深度学习)算法和应用

31
三月
上海
技术管理者训练营

“猛将必发于卒伍,宰相必起于州郡”,软件…

课程反馈

当前课程还没有反馈信息

用户还看了其他课程

OKRs 在中小企业中的应用与实践

OKRs 在中小企业中的应用与实践

2811人看过
0人评价
《ISO27001信息安全管理体系》

《ISO27001信息安全管理体系》

25337人看过
0人评价

欢迎来到msup!

还不是msup会员?快来注册吧!

立即注册

服务热线

400-812-8020

market@msup.com.cn

官方微信公众号

微信公众号:msupclub

Copyright © 2017 msup

京ICP备09001521号