依次 正向 重要 深入 tun 機器學習算法 及其 卷積 -m

第1章 課程介紹 深度學習的導學課程，主要介紹了深度學習的應用範疇、人才需求情況和主要算法。對課程章節、課程安排、適用人群、前提條件以及學習完成後達到的程度進行了介紹，讓同學們對本課程有基本的認識。 第2章 神經網絡入門 本次實戰課程的入門課程。對機器學習和深度學習做了引入性講解，通過若幹項目舉例講解了深度學習的最新進展。通過講解和實戰神經網絡中的基本結構——神經元及其擴展邏輯斯蒂回歸模型，對本課程的基本知識進行全面的講解，包括神經元、激活函數、目標函數、梯度下降、學習率、Tensorflow基礎以及模型的Tensorflow代碼實現。... 第3章 卷積神經網絡 本節課程共兩部分，第一部分對神經網絡進行了完整的介紹，包括神經網絡結構、正向傳播、反向傳播、梯度下降等。第二部分對卷積神經網絡的基本結構，包括卷積、池化和全連接等進行講解。尤其側重卷積操作的細節，包括卷積核結構、卷積計算、卷積核參數數目計算等，並介紹了一個基本的卷積神經網絡結構。... 第4章 卷積神經網絡進階 本節課程對高級的卷積神經網絡結構進行了講解，包括AlexNet、VGGNet、ResNet、InceptionNet、MobileNet等以及它們的演變過程。對於每個結構，本課程對其解決的問題、子結構的基本思想以及模型中使用的重要技巧一一進行了講解。學完本課程後，同學們可以達到靈活搭建不同類型的卷積神經網絡的能力。... 第5章 卷積神經網絡調參 本節課對卷積網絡中常用調參技巧（“煉丹術”）進行了系統總結和歸納。對部分重要調參技巧的背後原理進行了講解。調參技巧包括梯度下降、學習率、激活函數、網絡參數初始化、批歸一化、數據增強、可視化訓練過程分析、fine-tune等，很多調參技巧也適用其他網絡。完成本課程後，學員們可以自稱“煉丹師”了。... 第6章 圖像風格轉換 本節課程是卷積神經網絡的應用課程，使用一個預訓練好的VGG模型實現圖像的風格轉換算法。本節課程的知識點包括使用卷積神經網絡提取特征、內容特征與風格特征的定義以及圖片重建方法。除了基礎的圖像風格轉換算法外，本課程還進一步介紹了另外兩種改進版的風格轉換算法。... 第7章 循環神經網絡 本課程循環神經網絡進行了講解。包括循環神經網絡解決序列式問題和網絡的基本結構、多層、雙向、殘差結構以及遞歸截斷梯度下降等。重點對常用變種——長短期記憶網絡進行了詳解。講解並對比了循環神經網絡與卷積神經網絡在文本分類的多種應用模型，包括TextRNN、TextCNN與HAN（層次註意力網絡，引入attention機制）等。... 第8章 圖像生成文本 本課程是卷積神經網絡與循環神經網絡的聯合應用課程。本課程對多個模型變種進行了講解，包括Multi-Modal RNN、Show and Tell、Show Attend and Tell等。在課程最後對其反問題文本生成圖像進行了描述，引出對抗神經網絡。學完五六七課程後，同學們對卷積神經網絡和循環神經網絡的應用應該有了很深入的了解了。... 第9章 對抗神經網絡 本課程對深度學習的最新進展——對抗神經網絡進行了講解。主要包括對抗神經網絡的思想和兩種具體的GAN網絡，深度卷積對抗生成網絡（DCGAN）和圖像翻譯（Pix2Pix）模型。涉及的知識點包括生成器G、判別器D、反卷積、U-Net等。... 第10章 自動機器學習網絡-AutoML 本課程對深度學習的最新進展——自動機器學習網絡進行了講解。自動機器學習使用循環神經網絡，對需要調整的網絡結構參數進行自動搜索，從而得到比人類“煉丹師”更好的效果。本課程主要對三種最新的自動機器學習算法進行了講解，三種算法依次遞進，自動搜索得到目前在圖像分類領域最優的卷積神經網絡結構。... 第11章 課程總結 對課程整體進行回顧 下載地址:百度網盤下載

深度學習之神經網絡（CNN/RNN/GAN） 算法原理+實戰