深度學習的案例
深度學習訓練營-使用 Python、Pytorch 的神經網絡 ￥10
：S 形函數
第 28 講 深度學習基礎：多類問題
第 29 講 深度學習基礎：負分問題
第 30 講 深度學習基礎知識：Softmax 的需求
第 31 講 深度學習基礎知識：對 Softmax 進行編碼
第 32 講 深度學習基礎知識：一個熱門編碼
第 33 講 深度學習基礎知識：最大似然法 第 1 部分
第 34 講 深度學習基礎知識：最大似然 第 2 部分
第 35 講 深度學習基礎：交叉熵
第 36 講 深度學習基礎知識：交叉熵公式
第 37 講 深度學習基礎：多類交叉熵
第 38 講 深度學習基礎：交叉熵實現
第 39 講 深度學習基礎：Sigmoid 函數實現
第 40 講 深度學習基礎：輸出函數實現
第 41 講 深度學習：Gradient Decent 簡介
第 42 講 深度學習：凸函數
第 43 講 深度學習：導數的使用
第 44 講 深度學習：Gradient Decent 的工作原理
第 45 講 深度學習：梯度步驟
第 46 講 深度學習：Logistic 回歸算法
第 47 講 深度學習：數據可視化和讀取
第 48 講：深度學習：在 Python 中更新權重
第 49 講 深度學習：實施 Logistic 回歸
第 50 講 深度學習：可視化和結果
第 51 講 深度學習：梯度 Decent 與 Perceptron
第 52 講 深度學習：線性到非線性邊界
第 53 講 深度學習：組合概率
第 54 講 深度學習：加權和
第 55 講 深度學習：神經網絡架構
第 56 講 深度學習：層和 DEEP 網絡
第 57 講 深度學習：多類分類
第 58 講 深度學習：前饋基礎知識
第 59 講 深度學習：DEEP Net 的前饋
展開 深度學習|基于MobileNet的多目標跟蹤深度學習算法
源自：控制與決策 作者：薛俊韜 馬若寒 胡超芳
摘要
針對深度學習算法在多目標跟蹤中的實時性問題, 提出一種基于MobileNet的多目標跟蹤算法. 借助于MobileNet深度可分離卷積能夠對深度網絡模型進行壓縮的原理, 將YOLOv3主干網絡替換為MobileNet, 通過將標準卷積分解為深度卷積和逐點卷積, 保留多尺度預測部分, 以有效減少參數量. 對于檢測得到的邊框信息, 利用Deep-SORT算法進行跟蹤. 實驗結果表明, 所提出方法在跟蹤效果基本不變的情況下可提升處理速度近50%.
關鍵詞
深度學習 多目標跟蹤 目標檢測 YOLOv3 deep-SORT MobileNet
0 引言
多目標跟蹤是計算機視覺領域的研究熱點, 可應用于交通監測、安防等多個領域, 具有一定的應用價值和挑戰性[1]. 檢測方式可以分為檢測跟蹤和無檢測跟蹤兩類, 前者需要檢測目標后再進行跟蹤; 后者需要在第1幀手動初始化目標, 然后進行跟蹤. 在目標跟蹤中, 涌現出許多具有良好性能的算法, 如SSD[2]、R-CNN[3-4]以及YOLO系列[5-7], 其中YOLOv3[7]算法在檢測跟蹤中體現出較強的優勢.
由于深度學習的發展, 卷積神經網絡模型逐漸替代了傳統手工設計的特征, 提供了一種端到端的處理方法, 精度也大幅提高. 但CNN模型在不斷提高精度的同時, 其網絡深度和尺寸也在成倍增長, 需要GPU來進行加速, 使得基于深度學習的跟蹤算法無法直接應用于移動設備, 導致難以符合實時性要求. 因此降低算法復雜度、提高實時性、簡化和加速模型便成為亟待解決的問題. 文獻[8-10]使用剪枝方法對神經網絡進行網絡壓縮. 文獻[11]提出從零開始訓練低秩約束卷積神經網絡模型的方法, 不僅速度得到提升, 而且在一些情況下模型性能也有所提高.
展開 三個相關概念：深度學習Vs機器學習Vs模式識別
而在深度學習的模型中，受寵愛最多的就是被用在大規模圖像識別任務中的卷積神經網絡（Convolutional Neural Nets，CNN），簡稱ConvNets。
圖4 ConvNet框架（圖來源于 Torch的教程 ）
深度學習強調的是你使用的模型（例如深度卷積多層神經網絡），模型中的參數通過從數據中學習獲得。然而，深度學習也帶來了一些其他需要考慮的問題。因為你面對的是一個高維的模型（即龐大的網絡），所以你需要大量的數據（大數據）和強大的運算能力（圖形處理器，GPU）才能優化這個模型。卷積被廣泛用于深度學習（尤其是計算機視覺應用中），而且它的架構往往都是非淺層的。
如果你要學習Deep Learning，那就得先復習下一些線性代數的基本知識，當然了，也得有編程基礎。我強烈推薦Andrej Karpathy的博文：“ 神經網絡的黑客指南 ”。另外，作為學習的開端，可以選擇一個不用卷積操作的應用問題，然后自己實現基于CPU的反向傳播算法。
對于深度學習，還存在很多沒有解決的問題。既沒有完整的關于深度學習有效性的理論，也沒有任何一本能超越機器學習實戰經驗的指南或者書。另外，深度學習不是萬能的，它有足夠的理由能日益流行，但始終無法接管整個世界。不過，只要你不斷增加你的機器學習技能，你的飯碗無憂。但也不要對深度框架過于崇拜，不要害怕對這些框架進行裁剪和調整，以得到和你的學習算法能協同工作的軟件框架。未來的Linux內核也許會在Caffe（一個非常流行的深度學習框架）上運行，然而，偉大的產品總是需要偉大的愿景、領域的專業知識、市場的開發，和最重要的：人類的創造力。
其他相關術語
1）大數據（Big-data）：大數據是個豐富的概念，例如包含大量數據的存儲，數據中隱含信息的挖掘等。對企業經營來說，大數據往往可以給出一些決策的建議。
展開 機器學習與深度學習簡述和工程案例展示
機器學習(Machine Learning)，是一門人工智能的科學，是通過用算法解析數據，不斷學習，對世界中發生的事做出判斷和預測的一項技術。
深度學習(Deep Learning)，是用于建立、模擬人腦進行分析學習的神經網絡，并模仿人腦的機制來解釋數據的一種機器學習技術。
人工智能、機器學習與深度學習的關系
工程應用中 機器學習與深度學習的主要區別有以下幾方面：
機器學習典型過程：
（1）首先在計算機中存儲歷史的數據。
（2）將這些數據通過機器學習算法進行處理，這個過程在機器學習中叫做“訓練”。
（3）處理的結果可以被我們用來對新的數據進行預測，這個結果一般稱之為“模型”。
（4）對新數據的預測過程在機器學習中叫做“預測”。
“訓練”與“預測”是機器學習的兩個過程，“模型”則是過程的中間輸出結果，“訓練”產生“模型”，“模型”指導 “預測”。
機器學習與人類思考的類比
深度學習的主要差異：
深度學習不需要我們去提取特征，而是自動地對數據進行篩選，自動地提取數據高維特征。如下圖所示，深度學習與機器學習中的監督學習一般方法相比，少了特征工程，節約了工程師們大量工作時間。
展開 
深度學習在人工智能領域的前世今生
因為深度學習是一個映射的過程，從輸入A映射到輸出B，而在企業活動中如果我已經擁有了這樣的A→B映射，為什么還需要機器學習來推斷呢？讓機器自己在數據中尋找這種映射關系或者進行yc，目前還存在很大難度。
缺乏理論基礎，這是困擾著研究者的問題。比如說，AlphaGo這盤棋贏了，你很難弄懂它是怎么贏的。可以說，深度學習是一個黑箱子，神經網絡需要多少個隱層來訓練，到底需要多少有效的參數等，都沒有很好的理論解釋。
深度學習需要大量的訓練樣本。由于深度學習的多層網絡結構，模型的參數也會增加，如果訓練樣本不夠大是很難實現的，需要海量的標記數據，避免產生過擬合現象（overfitting）而不能很好的表示整個數據。
深度學習在NLP領域還面臨很大挑戰，目前的模型缺乏理解及推理能力。
因此，深度學習將來的發展方向也將涉及到以上問題的解決。Hinton、LeCun和Bengio三位AI領袖曾在合著的一篇論文（Deep Learning）的結尾提出了深度學習的未來發展方向：
無監督學習。雖然監督學習在深度學習中表現不俗，超過了無監督學習在預訓練中的效果，但人類和動物的學習都是無監督學習方式，我們感知世界都是通過我們自己的觀察，因此若要更加接近人類大腦的學習模式，無監督學習需要得到更好的發展。
強化學習。增強學習指的是從外部環境到行為映射的學習，通過基于回報函數的試錯來發現最優行為。由于在實際運用中數據量是遞增的，在新數據中能否學習到有效的數據并做出修正非常重要，深度+強化學習可以提供獎勵的反饋機制讓機器自主的學習，典型案例是AlphaGo。
理解自然語言。老教授們說：趕緊讓機器讀懂人類的語言吧！
遷移學習。把利用大數據訓練好的模型遷移運用到有效數據量小的任務上，也就是把學到的知識有效的解決不同但相關領域的問題。
展開 流體力學深度學習建模技術進展
根據作者相關研究經驗和初步認識，深度學習技術在流體力學中的應用主要面臨以下挑戰和需要盡快突破的科學問題：1) 數據構造與學習方式；2) 神經網絡超參數和激活函數選取；3) 訓練方法；4) 可靠性問題；5) 深度學習與流體力學的深度融合；6) 流體力學標準數據集的構造；7）空氣動力數字孿生技術；8）數據驅動的流體力學研究新范式構建。
以深度學習技術為代表的人工智能技術本身仍處于發展階段，過去幾年在各行各業取得了令人矚目的成就，這顯示出深度學習技術的強大潛力。流體力學深度學習技術方興未艾呈現出百花齊放的良好局面，但目前正處于起步和探索階段，與工業界對該技術的能力期望有較大差距，這需要科研工作者的共同努力。
3
總結與展望
流體力學與人工智能技術的交叉有著巨大發展前景，人工智能技術推動流體力學形成第四研究新范式只是時間問題【3】。根據作者相關研究經驗和初步認識，深度學習技術在流體力學中的應用主要面臨以下挑戰和需要盡快突破的科學問題：1) 數據構造與學習方式；2) 神經網絡超參數和激活函數選取；3) 訓練方法；4) 可靠性問題；5) 深度學習與流體力學的深度融合；6) 流體力學標準數據集的構造；7）空氣動力數字孿生技術；8）數據驅動的流體力學研究新范式構建。
以深度學習技術為代表的人工智能技術本身仍處于發展階段，過去幾年在各行各業取得了令人矚目的成就，這顯示出深度學習技術的強大潛力。流體力學深度學習技術方興未艾呈現出百花齊放的良好局面，但目前正處于起步和探索階段，與工業界對該技術的能力期望有較大差距，這需要科研工作者的共同努力。
展開 流體力學深度學習建模技術研究進展
流體力學深度學習建模技術研究進展
王怡星、韓仁坤、劉子揚、張揚、陳剛
摘要： 深度學習技術在圖像處理、語言翻譯、疾病診斷、游戲競賽等領域已帶來了顛覆性的變化。流體力學問題由于維度高、非線性強、數據量大等特點，恰恰是深度學習擅長并可以帶來研究范式創新的重要領域。目前，深度學習技術已在流體力學領域得到了初步應用，其應用潛力逐漸得到證實。以流體力學深度學習技術為背景，結合課題組近期研究結果，探討了流體力學深度學習建模技術及其最新進展。首先，對深度學習技術所涉及的基本理論做了介紹，闡釋流場建模中常用深度學習方法背后的數學原理。其次，分別對流體力學控制方程、流場重構、特征量建模和應用等幾個典型的人工智能與流體力學交叉問題應用場景所涉及的深度學習技術研究進展進行了介紹。最后，探討了流體力學深度學習建模技術所面臨的挑戰與未來發展趨勢。
關鍵詞: 深度學習, 流體力學, 降階技術, 流場重構, 幾何特征提取, 非線性系統建模
窗體底端
維度高、非線性強、數據量大是流體力學問題的主要特點。近年來火熱的深度學習技術由于以數據驅動為主、可以解決高維復雜問題，目前已在流體力學領域得到了一定應用。文章結合課題組近期研究探討了流體力學深度學習建模技術的最新進展。當前學術界關于流體力學與深度學習技術的交叉研究可以概括為以下三個方面：
1. 對流體力學控制方程的學習
通過從偏微分方程的數學求解出發，應用神經網絡進行輔助求解。主要可分為兩個思路：以偏微分方程整體為目標進行學習，以及只對雷諾應力等部分項進行的學習。
圖 1 翼型繞流渦黏系數云圖
上圖展示了西北工業大學張偉偉教授等采用神經網絡算法，以高雷諾數翼型繞流的S-A湍流模型計算結果為訓練數據，重構出渦黏系數與平均流動變量之間的映射關系。模型對于亞音速翼型附著流動，實現了與原始SA模型相當的性能。
2.
展開 深度學習驅動的流體力學計算
關于舉辦“深度學習驅動的流體力學計算與應用”實戰培訓會議的通知
一、背景：
在深度學習與流體力學深度融合的背景下，科研邊界不斷拓展，創新成果層出不窮。從物理模型融合到復雜流動模擬，從數據驅動研究到流場智能分析，深度學習正以前所未有的力量重塑流體力學領域。近期在Nature和Science雜志上發表的深度學習驅動的流體力學方面的論文主要集中以下幾個方面：
1、深度學習與物理模型的融合：構建物理增強的深度學習模型，將流體力學的控制方程、邊界條件等物理規則內嵌于模型中，以提高模型的準確性和物理一致性。
2、復雜流動現象的模擬與預測：深度學習被應用于模擬湍流、多相流等復雜流動現象，利用其強大的表征學習能力揭示傳統數值方法難以捕捉的流動復雜性。
3、數據驅動的流體動力學研究：深度學習可以從海量流體數據中挖掘流動的內在規律，為實際工程應用提供數據支持。
4、流場特征的自動識別與分析：深度學習架構能夠有效從流體數據中抽取關鍵特征，應用于流場預測、流動優化、流場可視化等多個領域，極大地提升了流體問題的分析效率和精度。
5、深度強化學習在流體控制中的應用：深度強化學習被應用于流體控制系統設計，如優化飛行器空氣動力學性能，展現了其在解決實際工程問題中的巨大潛力。
6、開源軟件與工具的發展：伴隨深度學習在流體力學研究中應用的普及，相關的開源軟件和工具為科研人員提供了便捷的平臺，簡化了深度學習模型的實現與應用過程，加速了研究成果的轉化。
展開 深度學習驅動的流體力學計算與應用
關于舉辦“深度學習驅動的流體力學計算與應用”實戰培訓會議的通知
一、背景：
在深度學習與流體力學深度融合的背景下，科研邊界不斷拓展，創新成果層出不窮。從物理模型融合到復雜流動模擬，從數據驅動研究到流場智能分析，深度學習正以前所未有的力量重塑流體力學領域。近期在Nature和Science雜志上發表的深度學習驅動的流體力學方面的論文主要集中以下幾個方面：
1、深度學習與物理模型的融合：構建物理增強的深度學習模型，將流體力學的控制方程、邊界條件等物理規則內嵌于模型中，以提高模型的準確性和物理一致性。
2、復雜流動現象的模擬與預測：深度學習被應用于模擬湍流、多相流等復雜流動現象，利用其強大的表征學習能力揭示傳統數值方法難以捕捉的流動復雜性。
3、數據驅動的流體動力學研究：深度學習可以從海量流體數據中挖掘流動的內在規律，為實際工程應用提供數據支持。
4、流場特征的自動識別與分析：深度學習架構能夠有效從流體數據中抽取關鍵特征，應用于流場預測、流動優化、流場可視化等多個領域，極大地提升了流體問題的分析效率和精度。
5、深度強化學習在流體控制中的應用：深度強化學習被應用于流體控制系統設計，如優化飛行器空氣動力學性能，展現了其在解決實際工程問題中的巨大潛力。
6、開源軟件與工具的發展：伴隨深度學習在流體力學研究中應用的普及，相關的開源軟件和工具為科研人員提供了便捷的平臺，簡化了深度學習模型的實現與應用過程，加速了研究成果的轉化。
展開 【1月8-11日 北京】全國人工智能Python機器學習與深度學習核心技術應用及項目實戰培訓班
目前，微軟、騰訊、谷歌、Facebook、百度、阿里巴巴等把深度學習作為未來工業和互聯網發展的研究重心。中國科學院、清華大學、北京大學等高校和科研院所成立專業研究中心和實驗室把深度學習進行科學技術成果轉化，顯著推動了深度學習應用的發展。我們已經舉辦培訓班共二十期，一百余家企業、高校和科研院所參加了培訓班，共計培訓學員數百名。培訓班實實在在提高了學員的Python編程基礎，機器學習與深度學習算法科研水平和解決問題能力，通過實際操作和訓練，讓學員們掌握了機器學習與深度學習算法使用的方法，獲得一致好評。
為進一步推動高等院校、科研院所及企事業單位在人工智能研究工作的開展，中國管理科學研究院職業資格認證培訓中心、北京富卓佰揚職業技能培訓中心特邀請在人工智能學術和研發領域一線專家共同舉辦全國人工智能Python機器學習與深度學習核心技術應用及項目實戰培訓班。本次培訓主打理論結合實踐主題，課程強調動手操作；內容以代碼落地為主，以理論講解為根，以公式推導為輔。具體事宜如下：
一、培訓目標
1、掌握人工智能程序編程，包括python基礎使用、科學計算包numpy使用、繪圖工具包使用；
2、掌握機器學習的思維方式和關鍵技術及各種算法實現；了解人工智能在當前工業界的落地應用；
3、掌握最新Tensorflow2.0版本、卷積神經網絡、長短時記憶網絡、循環神經網絡、遷移學習等。
4、參加一次，后期本人可以免費參加相同課程，不限次數、學會為止！
二、培訓專家
中國科學院、清華大學、上海大學等科研機構的高級專家。人工智能領域一線實戰專家，機器學習，深度學習領域多年開發研究經驗。精通python軟件程序編程、機器學習與深度學習算法原理與案例實踐。擁有多項國家專利。長期從事人工智能、機器學習、深度學習、計算機視覺等領域的教學與研究工作。
展開 深度學習逼近死胡同，拐點已至
混合人工智能（而不僅僅是深度學習或符號處理）似乎是最好的前進方向
：
世界上的許多知識，從歷史到技術，目前主要以符號形式出現。試圖在沒有這些知識的情況下構建 AGI（Artificial General Intelligence），而不是像純粹的深度學習那樣從頭開始重新學習所有東西，這似乎是一種過度而魯莽的負擔
即使在像算術這樣有序的領域中，深度學習本身也在繼續掙扎，混合系統可能比任何一個系統都具有更大的潛力
在計算基本方面，符號仍然遠遠超過當前的神經網絡
更有能力通過復雜的場景進行推理，可以更系統、更可靠地進行算術等基本運算
更好地精確表示部分和整體之間的關系
它們在表示和查詢大型數據庫的能力方面更加魯棒和靈活
符號也更有利于形式驗證技術，這對于安全的某些方面至關重要，并且在現代微處理器的設計中無處不在
將深度學習的學習能力與符號明確、語義豐富性聯系起來的混合體可能具有變革性
深度學習系統是黑盒子，我們可以查看其輸入和輸出，但我們在研究其內部運作時遇到了很多麻煩，我們不能確切了解為什么模型會做出這種決定，而且如果模型給出錯誤的答案，我們通常不知道該怎么處理（除了收集更多數據）。
展開 
周志華教授：關于深度學習的一點思考
來源 | 周志華教授，專知
前言：深度學習有很多問題目前還不清楚。例如深度神經網絡為什么要“深”？它成功背后的關鍵因素是什么？深度學習只能是深度神經網絡嗎？本文將分享一些我們關于深度學習的粗淺思考。
1 引言
深度學習已被廣泛應用到涉及圖像、視頻、語音等的諸多任務中并取得巨大成功。如 果我們問“深度學習是什么？”很可能會得到這樣的回答：“深度學習就是深度神經網 絡”。至少在目前，當“深度學習”作為一個術語時幾乎就是“深度神經網絡”的同義詞， 而當它指向一個技術領域時則如 SIAM News 頭版文章所稱[1]，是“機器學習中使用深度神經網絡的子領域”。關于深度學習有很多問題還不清楚。例如深度神經網絡為什么要“深”？它成功背后的關鍵因素是什么？深度學習只能是深度神經網絡嗎？本文將分享一些我們關于深度學習的粗淺思考。
2 深度神經網絡
神經網絡并不是“新生事物”，它已經被研究了半個多世紀[2]。傳統神經網絡通常包 含一個或兩個隱層，其中每個“神經元”是非常簡單的計算單元。如圖 1 所示，神經元 接收來自其他神經元的輸入信號，這些信號通過連接權放大，到達神經元之后如果其總 量超過某個閾值，則當前神經元就被“激活”并向外傳遞其輸出信號。實際上每個神經 元就是圖 1 中非常簡單的計算式，而所謂神經網絡就是很多這樣的計算式通過嵌套迭代 得到的一個數學系統。
今天的“深度神經網絡”是指什么？簡單來說，就是有很多隱層的神經網絡。
展開 【11月21-24日 北京】全國人工智能Python機器學習與深度學習核心技術應用及項目實戰培訓班
目前，微軟、騰訊、谷歌、Facebook、百度、阿里巴巴等把深度學習作為未來工業和互聯網發展的研究重心。中國科學院、清華大學、北京大學等高校和科研院所成立專業研究中心和實驗室把深度學習進行科學技術成果轉化，顯著推動了深度學習應用的發展。我們已經舉辦培訓班共二十期，一百余家企業、高校和科研院所參加了培訓班，共計培訓學員數百名。培訓班實實在在提高了學員的Python編程基礎，機器學習與深度學習算法科研水平和解決問題能力，通過實際操作和訓練，讓學員們掌握了機器學習與深度學習算法使用的方法，獲得一致好評。
為進一步推動高等院校、科研院所及企事業單位在人工智能研究工作的開展，中國管理科學研究院職業資格認證培訓中心、北京富卓佰揚職業技能培訓中心特邀請在人工智能學術和研發領域一線專家共同舉辦全國人工智能Python機器學習與深度學習核心技術應用及項目實戰培訓班。本次培訓主打理論結合實踐主題，課程強調動手操作；內容以代碼落地為主，以理論講解為根，以公式推導為輔。具體事宜如下：
一、培訓目標
1、掌握人工智能程序編程，包括python基礎使用、科學計算包numpy使用、繪圖工具包使用；
2、掌握機器學習的思維方式和關鍵技術及各種算法實現；了解人工智能在當前工業界的落地應用；
3、掌握最新Tensorflow2.0版本、卷積神經網絡、長短時記憶網絡、循環神經網絡、遷移學習等。
4、參加一次，后期本人可以免費參加相同課程，不限次數、學會為止！
二、培訓專家
中國科學院、清華大學、上海大學等科研機構的高級專家。人工智能領域一線實戰專家，機器學習，深度學習領域多年開發研究經驗。精通python軟件程序編程、機器學習與深度學習算法原理與案例實踐。擁有多項國家專利。長期從事人工智能、機器學習、深度學習、計算機視覺等領域的教學與研究工作。
展開 深度學習與大模型Transformer
當前，ChatGPT的火熱發展，其基礎技術就是來源于深度學習。ChatGPT是一種基于深度學習的人工智能模型，其核心技術是神經網絡。ChatGPT使用多層神經網絡來學習和預測自然語言序列的概率分布，以實現對話生成和自然語言處理等任務。深度學習是一種多層神經網絡的機器學習方法，可以通過大量數據的訓練來學習復雜的特征和模式，并實現高效的分類和預測。
為積極響應科研及工程人員的需求，根據《國務院關于推行終身職業技能培訓制度的意見》提出的“緊跟新技術、新職業發展變化，建立職業分類動態調整機制，加快職業標準開發工作”要求，中國管理科學研究院現代教育研究所（http://www.zgyxdjy.com）聯合北京龍騰亞太教育咨詢有限公司特舉辦“深度學習核心技術實踐與圖神經網絡新技術應用研修班”。本次培訓采用全實戰培訓模式。
本次培訓由北京龍騰亞太教育咨詢有限公司承辦并進行相關費用收取及發票開具。具體通知如下：
一、培訓專家:
來自中國科學院自動化技術研究所、北京理工大學等科研機構和大學的高級專家，擁有豐富的科研及工程技術經驗，長期從事人工智能、機器學習、深度學習、大數據分析等領域的教學與研究工作。
二、時間地點:
2023年7月27日 — 2023年7月31日 上海（同時轉線上直播）
（27日報到發放上課材料，28日-31日上課）
三、培訓特色：
1、采用深入淺出的方法，結合實例并配以大量代碼練習，重點講解深度學習框架模型、科學算法、訓練過程技巧。
2、能夠把握深度學習的技術發展趨勢，可以熟練掌握深度學習核心技術、實踐技巧，同時針對工作中存在的疑難問題進行分析講解和專題討論，有效的提升學員解決復雜問題的能力；
3、掌握深度學習大模型Transformer訓練網絡搭建與配置、掌握數據價值的深度挖掘。
展開 Tensorflow+實戰Google深度學習框架pdf高清文檔下載
TensorFlow是谷歌2015年開源的主流深度學習框架，目前已得到廣泛應用。《TensorFlow：實戰Google深度學習框架（第2版）》為TensorFlow入門參考書，旨在幫助讀者以快速、有效的方式上手TensorFlow和深度學習。書中省略了煩瑣的數學模型推導，從實際應用問題出發，通過具體的TensorFlow示例介紹如何使用深度學習解決實際問題。書中包含深度學習的入門知識和大量實踐經驗，是走進這個前沿、熱門的人工智能領域的優選參考書。
第2版將書中所有示例代碼從TensorFlow 0.9.0升級到了TensorFlow 1.4.0。在升級API的同時，第2版也補充了更多只有TensorFlow 1.4.0才支持的功能。另外，第2版還新增兩章分別介紹TensorFlow高層封裝和深度學習在自然語言領域應用的內容。
《TensorFlow：實戰Google深度學習框架（第2版）》適用于想要使用深度學習或TensorFlow的數據科學家、工程師，希望了解深度學習的大數據平臺工程師，對人工智能、深度學習感興趣的計算機相關從業人員及在校學生等。
全網最全Python必讀書藉合集（PDF文檔免費下載）
目錄
第1章 深度學習簡介
第2章 TensorFlow環境搭建
第3章 TensorFlow入門
第4章 深層神經網絡
第5章 MNIST數字識別問題
第6章 圖像識別與卷積神經網絡
第7章 圖像數據處理
第8章 循環神經網絡
第9章 自然語言處理
第10章 TensorFlow高層封裝
第11章 TensorBoard可視化
第12章 TensorFlow計算加速小結
展開 