1、培訓過程中，如有部分內容理解不透或消化不好，可免費在以后培訓班中重聽；
       2、課程完成后,授課老師留給學員手機和Email,保障培訓效果,免費提供半年的技術支持。
       3、培訓合格學員可享受免費推薦就業機會。☆合格學員免費頒發相關工程師等資格證書，提升職業資質。專注高端技術培訓15年，曙海學員的能力得到大家的認同，受到用人單位的廣泛贊譽，曙海的證書受到廣泛認可。

• 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范疇、人才需求情況和主要算法。對課程章節、課程安排、適用人群、前提條件以及學習完成后達到的程度進行了介紹，讓同學們對本課程有基本的認識。
• 1-1 課程導學
  第2章 神經網絡入門
  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，通過若干項目舉例講解了深度學習的新進展。通過講解和實戰神經網絡中的基本結構——神經元及其擴展邏輯斯蒂回歸模型，對本課程的基本知識進行全面的講解，包括神經元、激活函數、目標函數、梯度下降、學習率、Tensorflow基礎以及模型的Tensorflow代碼實現。...
• 2-1 機器學習、深度學習簡介
  2-2 神經元-邏輯斯底回歸模型
  2-3 神經元多輸出
  2-4 梯度下降
  2-5 數據處理與模型圖構建(1)
  2-6 數據處理與模型圖構建(2)
  2-7 神經元實現（二分類邏輯斯蒂回歸模型實現）
  2-8 神經網絡實現（多分類邏輯斯蒂回歸模型實現）
  第3章 卷積神經網絡
  本節課程共兩部分，第一部分對神經網絡進行了完整的介紹，包括神經網絡結構、正向傳播、反向傳播、梯度下降等。第二部分對卷積神經網絡的基本結構，包括卷積、池化和全連接等進行講解。尤其側重卷積操作的細節，包括卷積核結構、卷積計算、卷積核參數數目計算等，并介紹了一個基本的卷積神經網絡結構。...
• 3-1 神經網絡進階
  3-2 卷積神經網絡（1）
  3-3 卷積神經網絡（2）
  3-4 卷積神經網絡實戰
  第4章 卷積神經網絡進階
  本節課程對高級的卷積神經網絡結構進行了講解，包括AlexNet、VGGNet、ResNet、InceptionNet、MobileNet等以及它們的演變過程。對于每個結構，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。學完本課程后，同學們可以達到靈活搭建不同類型的卷積神經網絡的能力。...
• 4-1 卷積神經網絡進階（alexnet）
  4-2 卷積神經網絡進階（Vggnet-Resnet）
  4-3 卷積神經網絡進階（inception-mobile-net）
  4-4 VGG-ResNet實戰（1）
  4-5 VGG-ResNet實戰（2）
  4-6 Inception-mobile_net（1）
  4-7 Inception-mobile_net（2）
  第5章 卷積神經網絡調參
  本節課對卷積網絡中常用調參技巧（“煉丹術”）進行了系統總結和歸納。對部分重要調參技巧的背后原理進行了講解。調參技巧包括梯度下降、學習率、激活函數、網絡參數初始化、批歸一化、數據增強、可視化訓練過程分析、fine-tune等，很多調參技巧也適用其他網絡。完成本課程后，學員們可以自稱“煉丹師”了。...
• 5-1 adagrad_adam
  5-2 激活函數到調參技巧（1）
  5-3 激活函數到調參技巧（2）
  5-4 Tensorboard實戰（1）
  5-5 Tensorboard實戰（2）
  5-6 fine-tune-實戰
  5-7 activation-initializer-optimizer-實戰
  5-8 圖像增強api使用
  5-9 圖像增強實戰
  5-10 批歸一化實戰（1）
  5-11 批歸一化實戰（2）
  第6章 圖像風格轉換
  本節課程是卷積神經網絡的應用課程，使用一個預訓練好的VGG模型實現圖像的風格轉換算法。本節課程的知識點包括使用卷積神經網絡提取特征、內容特征與風格特征的定義以及圖片重建方法。除了基礎的圖像風格轉換算法外，本課程還進一步介紹了另外兩種改進版的風格轉換算法。...
• 6-1 卷積神經網絡的應用
  6-2 卷積神經網絡的能力
  6-3 圖像風格轉換V1算法
  6-4 VGG16預訓練模型格式
  6-5 VGG16預訓練模型讀取函數封裝
  6-6 VGG16模型搭建與載入類的封裝
  6-7 圖像風格轉換算法定義輸入與調用VGG-Net
  6-8 圖像風格轉換計算圖構建與損失函數計算
  6-9 圖像風格轉換訓練流程代碼實現
  6-10 圖像風格轉換效果展示
  6-11 圖像風格轉換V2算法
  6-12 圖像風格轉換V3算法
  第7章 循環神經網絡
  本課程循環神經網絡進行了講解。包括循環神經網絡解決序列式問題和網絡的基本結構、多層、雙向、殘差結構以及遞歸截斷梯度下降等。重點對常用變種——長短期記憶網絡進行了詳解。講解并對比了循環神經網絡與卷積神經網絡在文本分類的多種應用模型，包括TextRNN、TextCNN與HAN（層次注意力網絡，引入attention機制）等。...
• 7-1 序列式問題
  7-2 循環神經網絡
  7-3 長短期記憶網絡
  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 數據預處理之分詞
  7-8 數據預處理之詞表生成與類別表生成
  7-9 實戰代碼模塊解析
  7-10 超參數定義
  7-11 詞表封裝與類別封裝
  7-12 數據集封裝
  7-13 計算圖輸入定義
  7-14 計算圖實現
  7-15 指標計算與梯度算子實現
  7-16 訓練流程實現
  7-17 LSTM單元內部結構實現
  7-18 TextCNN實現
  7-19 循環神經網絡總結
  第8章 圖像生成文本
  本課程是卷積神經網絡與循環神經網絡的聯合應用課程。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。在課程后對其反問題文本生成圖像進行了描述，引出對抗神經網絡。學完五六七課程后，同學們對卷積神經網絡和循環神經網絡的應用應該有了很深入的了解了。...
• 8-1 圖像生成文本問題引入?
  8-2 圖像生成文本評測指標
  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比與總結
  8-9 數據介紹，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預訓練模型抽取圖像特征
  8-12 輸入輸出文件與默認參數定義
  8-13 詞表載入
  8-14 文本描述轉換為ID表示
  8-15 ImageCaptionData類封裝-圖片特征讀取
  8-16 ImageCaptionData類封裝-批數據生成
  8-17 計算圖構建-輔助函數實現
  8-18 計算圖構建-圖片與詞語embedding
  8-19 計算圖構建-rnn結構實現、損失函數與訓練算子實現
  8-20 訓練流程代碼
  8-21 文本生成圖像問題引入與本節課總結
  第9章 對抗神經網絡
  本課程對深度學習的新進展——對抗神經網絡進行了講解。主要包括對抗神經網絡的思想和兩種具體的GAN網絡，深度卷積對抗生成網絡（DCGAN）和圖像翻譯（Pix2Pix）模型。涉及的知識點包括生成器G、判別器D、反卷積、U-Net等。...
• 9-1 對抗生成網絡原理
  9-2 深度卷積對抗生成網絡DCGAN(1)
  9-3 反卷積
  9-4 深度卷積對抗生成網絡DCGAN(2)
  9-5 圖像翻譯Pix2Pix
  9-6 無配對圖像翻譯CycleGAN(1)
  9-7 無配對圖像翻譯CycleGAN(2)
  9-8 多領域圖像翻譯StarGAN
  9-9 文本生成圖像Text2Img
  9-10 對抗生成網絡總結
  9-11 DCGAN實戰引?
  9-12 數據生成器實現
  9-13 DCGAN生成器?實現
  9-14 DCGAN判別?實現
  9-15 DCGAN計算圖構建實現與損失函數實現
  9-16 DCGAN訓練算子實現
  9-17 訓練流程實現與效果展示
  第10章 自動機器學習網絡-AutoML
  本課程對深度學習的新進展——自動機器學習網絡進行了講解。自動機器學習使用循環神經網絡，對需要調整的網絡結構參數進行自動搜索，從而得到比人類“煉丹師”更好的效果。本課程主要對三種新的自動機器學習算法進行了講解，三種算法依次遞進，自動搜索得到目前在圖像分類領域優的卷積神經網絡結構。...
• 10-1 AutoML引入
  10-2 自動網絡結構搜索算法一
  10-3 自動網絡結構搜索算法一的分布式訓練
  10-4 自動網絡結構搜索算法二
  10-5 自動網絡結構搜索算法三