1、培訓(xùn)過(guò)程中，如有部分內(nèi)容理解不透或消化不好，可免費(fèi)在以后培訓(xùn)班中重聽(tīng)；
       2、培訓(xùn)結(jié)束后,授課老師留給學(xué)員聯(lián)系方式,保障培訓(xùn)效果,免費(fèi)提供課后技術(shù)支持。
       3、培訓(xùn)合格學(xué)員可享受免費(fèi)推薦就業(yè)機(jī)會(huì)。☆合格學(xué)員免費(fèi)頒發(fā)相關(guān)工程師等資格證書，提升職業(yè)資質(zhì)。專注高端技術(shù)培訓(xùn)15年，端海學(xué)員的能力得到大家的認(rèn)同，受到用人單位的廣泛贊譽(yù)，端海的證書受到廣泛認(rèn)可。

• 第1章 課程介紹
  深度學(xué)習(xí)的導(dǎo)學(xué)課程，主要介紹了深度學(xué)習(xí)的應(yīng)用范疇、人才需求情況和主要算法。對(duì)課程章節(jié)、課程安排、適用人群、前提條件以及學(xué)習(xí)完成后達(dá)到的程度進(jìn)行了介紹，讓同學(xué)們對(duì)本課程有基本的認(rèn)識(shí)。
• 1-1 課程導(dǎo)學(xué)
  第2章 神經(jīng)網(wǎng)絡(luò)入門
  本次實(shí)戰(zhàn)課程的入門課程。對(duì)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)做了引入性講解，通過(guò)若干項(xiàng)目舉例講解了深度學(xué)習(xí)的最新進(jìn)展。通過(guò)講解和實(shí)戰(zhàn)神經(jīng)網(wǎng)絡(luò)中的基本結(jié)構(gòu)——神經(jīng)元及其擴(kuò)展邏輯斯蒂回歸模型，對(duì)本課程的基本知識(shí)進(jìn)行全面的講解，包括神經(jīng)元、激活函數(shù)、目標(biāo)函數(shù)、梯度下降、學(xué)習(xí)率、Tensorflow基礎(chǔ)以及模型的Tensorflow代碼實(shí)現(xiàn)。...
• 2-1 機(jī)器學(xué)習(xí)、深度學(xué)習(xí)簡(jiǎn)介
  2-2 神經(jīng)元-邏輯斯底回歸模型
  2-3 神經(jīng)元多輸出
  2-4 梯度下降
  2-5 數(shù)據(jù)處理與模型圖構(gòu)建(1)
  2-6 數(shù)據(jù)處理與模型圖構(gòu)建(2)
  2-7 神經(jīng)元實(shí)現(xiàn)（二分類邏輯斯蒂回歸模型實(shí)現(xiàn)）
  2-8 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)（多分類邏輯斯蒂回歸模型實(shí)現(xiàn)）
  第3章 卷積神經(jīng)網(wǎng)絡(luò)
  本節(jié)課程共兩部分，第一部分對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行了完整的介紹，包括神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、正向傳播、反向傳播、梯度下降等。第二部分對(duì)卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，包括卷積、池化和全連接等進(jìn)行講解。尤其側(cè)重卷積操作的細(xì)節(jié)，包括卷積核結(jié)構(gòu)、卷積計(jì)算、卷積核參數(shù)數(shù)目計(jì)算等，并介紹了一個(gè)基本的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。...
• 3-1 神經(jīng)網(wǎng)絡(luò)進(jìn)階
  3-2 卷積神經(jīng)網(wǎng)絡(luò)（1）
  3-3 卷積神經(jīng)網(wǎng)絡(luò)（2）
  3-4 卷積神經(jīng)網(wǎng)絡(luò)實(shí)戰(zhàn)
  第4章 卷積神經(jīng)網(wǎng)絡(luò)進(jìn)階
  本節(jié)課程對(duì)高級(jí)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了講解，包括AlexNet、VGGNet、ResNet、InceptionNet、MobileNet等以及它們的演變過(guò)程。對(duì)于每個(gè)結(jié)構(gòu)，本課程對(duì)其解決的問(wèn)題、子結(jié)構(gòu)的基本思想以及模型中使用的重要技巧一一進(jìn)行了講解。學(xué)完本課程后，同學(xué)們可以達(dá)到靈活搭建不同類型的卷積神經(jīng)網(wǎng)絡(luò)的能力。...
• 4-1 卷積神經(jīng)網(wǎng)絡(luò)進(jìn)階（alexnet）
  4-2 卷積神經(jīng)網(wǎng)絡(luò)進(jìn)階（Vggnet-Resnet）
  4-3 卷積神經(jīng)網(wǎng)絡(luò)進(jìn)階（inception-mobile-net）
  4-4 VGG-ResNet實(shí)戰(zhàn)（1）
  4-5 VGG-ResNet實(shí)戰(zhàn)（2）
  4-6 Inception-mobile_net（1）
  4-7 Inception-mobile_net（2）
  第5章 卷積神經(jīng)網(wǎng)絡(luò)調(diào)參
  本節(jié)課對(duì)卷積網(wǎng)絡(luò)中常用調(diào)參技巧（“煉丹術(shù)”）進(jìn)行了系統(tǒng)總結(jié)和歸納。對(duì)部分重要調(diào)參技巧的背后原理進(jìn)行了講解。調(diào)參技巧包括梯度下降、學(xué)習(xí)率、激活函數(shù)、網(wǎng)絡(luò)參數(shù)初始化、批歸一化、數(shù)據(jù)增強(qiáng)、可視化訓(xùn)練過(guò)程分析、fine-tune等，很多調(diào)參技巧也適用其他網(wǎng)絡(luò)。完成本課程后，學(xué)員們可以自稱“煉丹師”了。...
• 5-1 adagrad_adam
  5-2 激活函數(shù)到調(diào)參技巧（1）
  5-3 激活函數(shù)到調(diào)參技巧（2）
  5-4 Tensorboard實(shí)戰(zhàn)（1）
  5-5 Tensorboard實(shí)戰(zhàn)（2）
  5-6 fine-tune-實(shí)戰(zhàn)
  5-7 activation-initializer-optimizer-實(shí)戰(zhàn)
  5-8 圖像增強(qiáng)api使用
  5-9 圖像增強(qiáng)實(shí)戰(zhàn)
  5-10 批歸一化實(shí)戰(zhàn)（1）
  5-11 批歸一化實(shí)戰(zhàn)（2）
  第6章 圖像風(fēng)格轉(zhuǎn)換
  本節(jié)課程是卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用課程，使用一個(gè)預(yù)訓(xùn)練好的VGG模型實(shí)現(xiàn)圖像的風(fēng)格轉(zhuǎn)換算法。本節(jié)課程的知識(shí)點(diǎn)包括使用卷積神經(jīng)網(wǎng)絡(luò)提取特征、內(nèi)容特征與風(fēng)格特征的定義以及圖片重建方法。除了基礎(chǔ)的圖像風(fēng)格轉(zhuǎn)換算法外，本課程還進(jìn)一步介紹了另外兩種改進(jìn)版的風(fēng)格轉(zhuǎn)換算法。...
• 6-1 卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用
  6-2 卷積神經(jīng)網(wǎng)絡(luò)的能力
  6-3 圖像風(fēng)格轉(zhuǎn)換V1算法
  6-4 VGG16預(yù)訓(xùn)練模型格式
  6-5 VGG16預(yù)訓(xùn)練模型讀取函數(shù)封裝
  6-6 VGG16模型搭建與載入類的封裝
  6-7 圖像風(fēng)格轉(zhuǎn)換算法定義輸入與調(diào)用VGG-Net
  6-8 圖像風(fēng)格轉(zhuǎn)換計(jì)算圖構(gòu)建與損失函數(shù)計(jì)算
  6-9 圖像風(fēng)格轉(zhuǎn)換訓(xùn)練流程代碼實(shí)現(xiàn)
  6-10 圖像風(fēng)格轉(zhuǎn)換效果展示
  6-11 圖像風(fēng)格轉(zhuǎn)換V2算法
  6-12 圖像風(fēng)格轉(zhuǎn)換V3算法
  第7章 循環(huán)神經(jīng)網(wǎng)絡(luò)
  本課程循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行了講解。包括循環(huán)神經(jīng)網(wǎng)絡(luò)解決序列式問(wèn)題和網(wǎng)絡(luò)的基本結(jié)構(gòu)、多層、雙向、殘差結(jié)構(gòu)以及遞歸截?cái)嗵荻认陆档取Ｖ攸c(diǎn)對(duì)常用變種——長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行了詳解。講解并對(duì)比了循環(huán)神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)在文本分類的多種應(yīng)用模型，包括TextRNN、TextCNN與HAN（層次注意力網(wǎng)絡(luò)，引入attention機(jī)制）等。...
• 7-1 序列式問(wèn)題
  7-2 循環(huán)神經(jīng)網(wǎng)絡(luò)
  7-3 長(zhǎng)短期記憶網(wǎng)絡(luò)
  7-4 基于LSTM的文本分類模型(TextRNN與HAN)
  7-5 基于CNN的文本分類模型(TextCNN)
  7-6 RNN與CNN融合解決文本分類
  7-7 數(shù)據(jù)預(yù)處理之分詞
  7-8 數(shù)據(jù)預(yù)處理之詞表生成與類別表生成
  7-9 實(shí)戰(zhàn)代碼模塊解析
  7-10 超參數(shù)定義
  7-11 詞表封裝與類別封裝
  7-12 數(shù)據(jù)集封裝
  7-13 計(jì)算圖輸入定義
  7-14 計(jì)算圖實(shí)現(xiàn)
  7-15 指標(biāo)計(jì)算與梯度算子實(shí)現(xiàn)
  7-16 訓(xùn)練流程實(shí)現(xiàn)
  7-17 LSTM單元內(nèi)部結(jié)構(gòu)實(shí)現(xiàn)
  7-18 TextCNN實(shí)現(xiàn)
  7-19 循環(huán)神經(jīng)網(wǎng)絡(luò)總結(jié)
  第8章 圖像生成文本
  本課程是卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)的聯(lián)合應(yīng)用課程。本課程對(duì)多個(gè)模型變種進(jìn)行了講解，包括Multi-Modal RNN、Show and Tell、Show Attend and Tell等。在課程最后對(duì)其反問(wèn)題文本生成圖像進(jìn)行了描述，引出對(duì)抗神經(jīng)網(wǎng)絡(luò)。學(xué)完五六七課程后，同學(xué)們對(duì)卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的應(yīng)用應(yīng)該有了很深入的了解了。...
• 8-1 圖像生成文本問(wèn)題引入?
  8-2 圖像生成文本評(píng)測(cè)指標(biāo)
  8-3 Encoder-Decoder框架與Beam Search算法生成文本
  8-4 Multi-Modal RNN模型
  8-5 Show and Tell模型
  8-6 Show attend and Tell 模型
  8-7 Bottom-up Top-down Attention模型
  8-8 圖像生成文本模型對(duì)比與總結(jié)
  8-9 數(shù)據(jù)介紹，詞表生成
  8-10 圖像特征抽取(1)-文本描述文件解析
  8-11 圖像特征抽取(2)-InceptionV3預(yù)訓(xùn)練模型抽取圖像特征
  8-12 輸入輸出文件與默認(rèn)參數(shù)定義
  8-13 詞表載入
  8-14 文本描述轉(zhuǎn)換為ID表示
  8-15 ImageCaptionData類封裝-圖片特征讀取
  8-16 ImageCaptionData類封裝-批數(shù)據(jù)生成
  8-17 計(jì)算圖構(gòu)建-輔助函數(shù)實(shí)現(xiàn)
  8-18 計(jì)算圖構(gòu)建-圖片與詞語(yǔ)embedding
  8-19 計(jì)算圖構(gòu)建-rnn結(jié)構(gòu)實(shí)現(xiàn)、損失函數(shù)與訓(xùn)練算子實(shí)現(xiàn)
  8-20 訓(xùn)練流程代碼
  8-21 文本生成圖像問(wèn)題引入與本節(jié)課總結(jié)
  第9章 對(duì)抗神經(jīng)網(wǎng)絡(luò)
  本課程對(duì)深度學(xué)習(xí)的最新進(jìn)展——對(duì)抗神經(jīng)網(wǎng)絡(luò)進(jìn)行了講解。主要包括對(duì)抗神經(jīng)網(wǎng)絡(luò)的思想和兩種具體的GAN網(wǎng)絡(luò)，深度卷積對(duì)抗生成網(wǎng)絡(luò)（DCGAN）和圖像翻譯（Pix2Pix）模型。涉及的知識(shí)點(diǎn)包括生成器G、判別器D、反卷積、U-Net等。...
• 9-1 對(duì)抗生成網(wǎng)絡(luò)原理
  9-2 深度卷積對(duì)抗生成網(wǎng)絡(luò)DCGAN(1)
  9-3 反卷積
  9-4 深度卷積對(duì)抗生成網(wǎng)絡(luò)DCGAN(2)
  9-5 圖像翻譯Pix2Pix
  9-6 無(wú)配對(duì)圖像翻譯CycleGAN(1)
  9-7 無(wú)配對(duì)圖像翻譯CycleGAN(2)
  9-8 多領(lǐng)域圖像翻譯StarGAN
  9-9 文本生成圖像Text2Img
  9-10 對(duì)抗生成網(wǎng)絡(luò)總結(jié)
  9-11 DCGAN實(shí)戰(zhàn)引?
  9-12 數(shù)據(jù)生成器實(shí)現(xiàn)
  9-13 DCGAN生成器?實(shí)現(xiàn)
  9-14 DCGAN判別?實(shí)現(xiàn)
  9-15 DCGAN計(jì)算圖構(gòu)建實(shí)現(xiàn)與損失函數(shù)實(shí)現(xiàn)
  9-16 DCGAN訓(xùn)練算子實(shí)現(xiàn)
  9-17 訓(xùn)練流程實(shí)現(xiàn)與效果展示
  第10章 自動(dòng)機(jī)器學(xué)習(xí)網(wǎng)絡(luò)-AutoML
  本課程對(duì)深度學(xué)習(xí)的最新進(jìn)展——自動(dòng)機(jī)器學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行了講解。自動(dòng)機(jī)器學(xué)習(xí)使用循環(huán)神經(jīng)網(wǎng)絡(luò)，對(duì)需要調(diào)整的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)進(jìn)行自動(dòng)搜索，從而得到比人類“煉丹師”更好的效果。本課程主要對(duì)三種最新的自動(dòng)機(jī)器學(xué)習(xí)算法進(jìn)行了講解，三種算法依次遞進(jìn)，自動(dòng)搜索得到目前在圖像分類領(lǐng)域最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。...
• 10-1 AutoML引入
  10-2 自動(dòng)網(wǎng)絡(luò)結(jié)構(gòu)搜索算法一
  10-3 自動(dòng)網(wǎng)絡(luò)結(jié)構(gòu)搜索算法一的分布式訓(xùn)練
  10-4 自動(dòng)網(wǎng)絡(luò)結(jié)構(gòu)搜索算法二
  10-5 自動(dòng)網(wǎng)絡(luò)結(jié)構(gòu)搜索算法三