深度學習之神經網路（CNN/RNN/GAN）演算法原理+實戰 完整版

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演算法。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 神經網路入門
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，通過若干專案舉例講解了深度學習的最新進展。通過講解和實戰神經網路中的基本結構——神經元及其擴充套件邏輯斯蒂迴歸模型，對本課程的基本知識進行全面的講解，包括神經元、啟用函式、目標函式、梯度下降、學習率、Tensorflow基礎以及模型的Tensorflow程式碼實現。...

第3章 卷積神經網路
本節課程共兩部分，第一部分對神經網路進行了完整的介紹，包括神經網路結構、正向傳播、反向傳播、梯度下降等。第二部分對卷積神經網路的基本結構，包括卷積、池化和全連線等進行講解。尤其側重卷積操作的細節，包括卷積核結構、卷積計算、卷積核引數數目計算等，並介紹了一個基本的卷積神經網路結構。...

第4章 卷積神經網路進階
本節課程對高階的卷積神經網路結構進行了講解，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型別的卷積神經網路的能力。...

第5章 卷積神經網路調參
本節課對卷積網路中常用調參技巧（“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、啟用函式、網路引數初始化、批歸一化、資料增強、視覺化訓練過程分析、fine-tune等，很多調參技巧也適用其他網路。完成本課程後，學員們可以自稱“煉丹師”了。...

第6章 影像風格轉換
本節課程是卷積神經網路的應用課程，使用一個預訓練好的VGG模型實現影像的風格轉換演算法。本節課程的知識點包括使用卷積神經網路提取特徵、內容特徵與風格特徵的定義以及圖片重建方法。除了基礎的影像風格轉換演算法外，本課程還進一步介紹了另外兩種改進版的風格轉換演算法。...

第7章 迴圈神經網路
本課程迴圈神經網路進行了講解。包括迴圈神經網路解決序列式問題和網路的基本結構、多層、雙向、殘差結構以及遞迴截斷梯度下降等。重點對常用變種——長短期記憶網路進行了詳解。講解並對比了迴圈神經網路與卷積神經網路在文字分類的多種應用模型，包括TextRNN、TextCNN與HAN（層次注意力網路，引入attention機制）等。...

第8章 影像生成文字
本課程是卷積神經網路與迴圈神經網路的聯合應用課程。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字生成影像進行了描述，引出對抗神經網路。學完五六七課程後，同學們對卷積神經網路和迴圈神經網路的應用應該有了很深入的瞭解了。...

第9章 對抗神經網路
本課程對深度學習的最新進展——對抗神經網路進行了講解。主要包括對抗神經網路的思想和兩種具體的GAN網路，深度卷積對抗生成網路（DCGAN）和影像翻譯（Pix2Pix）模型。涉及的知識點包括生成器G、判別器D、反摺積、U-Net等。...

第10章 自動機器學習網路-AutoML
本課程對深度學習的最新進展——自動機器學習網路進行了講解。自動機器學習使用迴圈神經網路，對需要調整的網路結構引數進行自動搜尋，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演算法進行了講解，三種演算法依次遞進，自動搜尋得到目前在影像分類領域最優的卷積神經網路結構。...

第11章 課程總結
對課程整體進行回顧

 

下載地址:深度學習之神經網路（CNN/RNN/GAN）演算法原理+實戰