第一课 DNN与混合网络：google Wide&Deep
知识点1： 深度学习在图像与NLP上的应用
知识点2： 线性分类器数据与参数概念
知识点3： hinge loss、交叉熵损失、softmax分类器
知识点4： 神经网络的网络结构
知识点5： 非线性表达能力及原理
知识点6： 网络表达能力与过拟合解决方法
知识点7： 反向传播算法及推导、参数更新
实战项目： 手写一个神经网络算法进行分类
第二课 CNN:从AlexNet到ResNet
知识点1： CNN结构（输入层、卷积层、激活层、池化层、全连接层）
知识点2： CNN特征层级间的特征提取，可视化理解
知识点3： CNN的损失函数和优化算法
知识点4： 正则化和dropout
知识点5： 典型的CNN模型（Alexnet、Vggnet、Resnet、Densenet等）
实战项目： 用Keras实战CNN图片分类
第三课 NN框架：tensorflow与pytorch
知识点1： 深度学习框架介绍
知识点2： Tensorflow基本概念：张量、变量、计算图、会话机制
知识点3： Tensorflow框架使用方法
知识点4： Tensorflow框架可视化
知识点5： pytorch框架介绍：张量、自动求导
实战项目： 从LR/softmax到CNN到RNN/LSTM到可视化
第四课 生成对抗网络GAN
知识点1： GAN应用与基础
知识点2： GAN原理介绍和公式推导
知识点3： DCGAN实践
实战项目： 手写数字的DCGAN图像生成
第五课：风格迁移原理、风格损失和内容损失函数理解
知识点1： 风格迁移论文介绍
知识点2： 风格迁移原理理解
知识点3： 内容损失、风格损失、总损失函数理解
实战项目： 图片风格迁移代码讲解
第六课 循环神经网络与自然语言处理
知识点1： RNN的应用场景
知识点2： RNN与CNN的区别和优势
知识点3： RNN的网络层级结构
知识点4： 深层双向RNN与BPTT算法
知识点5： LSTM的结构（输入门、忘记门、更新门）
知识点6： GRU的结构
实战项目： 用LSTM模型建立一个唐诗生成器
第七课：RNN条件生成与attention
知识点1： 图像注意力模型
知识点2： 字符级别生成模型
知识点3： 传统翻译系统
知识点4： 神经网络翻译系统
知识点5： 双向RNN的Attention机制
第八课：增强学习与Deep Q Network
知识点1： 强化学习基础
知识点2： 马尔可夫决策过程MDP
知识点3： Q-learning
知识点4： Deep Q-Network
知识点5： Experience Replay 经验回放
实战项目： 用Tensorflow搭建Deep Q learning玩Flappy bird
第九课：物体检测与迁移学习
知识点1： 图像识别和定位思路
知识点2： RCNN、Fast-RCNN到Faster-RCNN
知识点3： 迁移学习
知识点4： 多任务学习
知识点5： 域对抗学习
获取资料的同学请加VX：itpenguin
image.png
网友评论