近年来，Python语言由于其开源、简单等特点，受到了广大程序开发者的偏爱，丰富的函数库使得其在各行各业中得到了广泛的应用。伴随着新一轮人工智能（尤其是深度学习）的快速发展，许多深度学习框架应运而生，譬如：Tensorflow、Keras、Caffe、PyTorch等。其中，PyTorch作为后起之秀，发展非常迅猛，在学术界逐渐占据垄断地位，许多计算机顶级期刊、会议的最新文章的源代码都采用PyTorch深度学习框架。
第一天：
1、Python环境搭建（Python软件下载、安装与版本选择；PyCharm下载、安装；Python之Hello World；第三方模块的安装与使用；Python 2.x与Python 3.x对比）
2、Python基本语法（Python变量命名规则；Python基本数学运算；Python常用变量类型的定义与操作；Python程序注释）
3、Python流程控制（条件判断；for循环；while循环；break和continue关键字；嵌套循环与可变循环）
4、Python函数与对象（函数的定义与调用；函数的参数传递与返回值；变量作用域与全局变量；对象的创建与使用）
5、Matplotlib的安装与图形绘制（设置散点、线条、坐标轴、图例、注解等属性；绘制多图；图的嵌套）
6、科学计算模块库（Numpy的安装；ndarray类型属性与数组的创建；数组索引与切片；Numpy常用函数简介与使用）
7、深度学习框架概述（PyTorch、Tensorflow、Keras等）
8、PyTorch简介（PyTorch的版本、动态计算图与静态计算图机制、PyTorch的优点）
9、PyTorch的安装与环境配置（Pip vs. Conda包管理方式、验证是否安装成功）
张量（Tensor）的定义，以及与标量、向量、矩阵的区别与联系）
10、张量（Tensor）的常用属性与方法（dtype、device、layout、requires_grad、cuda()等）
11、张量（Tensor）的创建（直接创建、从numpy创建、依据数值创建、依据概率分布创建）
12、张量（Tensor）的运算（加法、减法、矩阵乘法、哈达玛积（element wise）、除法、幂、开方、指数与对数、近似、裁剪）
13、张量（Tensor）的索引与切片
14、PyTorch的自动求导（Autograd）机制与计算图的理解
15、PyTorch常用工具包及API简介（torchvision（transforms、datasets、model）、torch.nn、torch.optim、torch.utils（Dataset、DataLoader））
第二天：
1、BP神经网络的基本原理（人工神经网络的分类有哪些？有导师学习和无导师学习的区别是什么？BP神经网络的拓扑结构和训练过程是怎样的？什么是梯度下降法？BP神经网络建模的本质是什么？）
2、BP神经网络的Python代码实现（怎样划分训练集和测试集？为什么需要归一化？归一化是必须的吗？什么是梯度爆炸与梯度消失？）
3、PyTorch代码实现神经网络的基本流程（Data、Model、Loss、Gradient）及训练过程（Forward、Backward、Update）
4、案例演示：Linear模型、Logistic模型、Softmax函数输出、BP神经网络
5、实操练习
6、值得研究的若干问题（隐含层神经元个数、学习率、初始权值和阈值等如何设置？什么是交叉验证？过拟合（Overfitting）与欠拟合(Underfitting)、泛化性能评价指标的设计、样本不平衡问题、模型评价与模型选择（奥卡姆剃刀定律）等）
7、深度学习简介（深度学习大事记：Model + Big Data + GPU + AlphaGo）
8、深度学习与传统机器学习的区别与联系（神经网络的隐含层数越多越好吗？深度学习与传统机器学习的本质区别是什么？）
9、卷积神经网络的基本原理（什么是卷积核？CNN的典型拓扑结构是怎样的？CNN的权值共享机制是什么？CNN提取的特征是怎样的？）
10、卷积神经网络的进化史：LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet等经典深度神经网络的区别与联系
11、利用PyTorch构建卷积神经网络（Convolution层、Batch Normalization层、Pooling层、Dropout层、Flatten层等）
12、案例讲解：（1）CNN预训练模型实现物体识别
（2）利用卷积神经网络抽取抽象特征
（3）自定义卷积神经网络拓扑结构
13、实操练习
14、PyTorch Lightning简介与快速入门（PyTorch Lightning与PyTorch的联系、PyTorch Lightning安装、案例演示）
第三天：
1、迁移学习算法的基本原理（为什么需要迁移学习？为什么可以迁移学习？迁移学习的基本思想是什么？）
2、基于深度神经网络模型的迁移学习算法
3、案例讲解：猫狗大战（Dogs vs. Cats）
4、实操练习
5、生成式对抗网络GAN（什么是对抗生成网络？为什么需要对抗生成网络？对抗生成网络可以帮我们做什么？GAN给我们带来的启示）
6、GAN的基本原理及GAN进化史
7、案例讲解：GAN的PyTorch代码实现（手写数字生成）
8、实操练习
9、循环神经网络RNN的基本工作原理
10、长短时记忆网络LSTM的基本工作原理
11、案例讲解：时间序列预测（北京市污染物预测）
12、实操练习
13、什么是目标检测？目标检测与目标识别的区别与联系
14、YOLO模型的工作原理，YOLO模型与传统目标检测算法的区别
15、案例讲解：（1）利用预训练好的YOLO模型实现目标检测
（2）数据标注演示
（3）训练自己的目标检测数据集
16、实操练习
17、相关资料拷贝与分享
18、答疑与讨论（大家提前把问题整理好）
联系人：
李莎：158-3333-2534
615
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
