深度学习之神经网络(CNN/RNN/GAN)算法原理+实战
深度学习算法工程师必学
本课程运用原理讲解加实战的方式学习卷积神经网络（CNN）、循环神经网络（RNN）、对立神经网络（GAN），经过图画分类、文本分类、图画风格转化、图画文本生成、图画翻译等项目，深度把握算法调参以及运用Tensorflow进行编程的能力。
合适人群
如果你现已把握了一门编程语言，想转型人工智能工程师
或者是想系统学习深度学习的在校大学生
或者是短少实战经验的初学者，那么本门课程非常合适你
技术储备要求
Python根底
根本的概率和线代数学根底
TensorFlow根底
机器学习根底
[wm_notice]试看链接：https://pan.baidu.com/s/1a3eVHQYxXuSN5QwZsJGiCQ
提取码：zmyc
–来自百度网盘超级会员V1的分享[/wm_notice]
章节目录：
-
第1章 课程介绍 试看1 节 | 11分钟
深度学习的导学课程，首要介绍了深度学习的运用范畴、人才需求情况和首要算法。对课程章节、课程安排、适用人群、前提条件以及学习完成后到达的程度进行了介绍，让同学们对本课程有根本的知道。
- 视频：1-1 课程导学 (10:11)试看
-
第2章 神经网络入门8 节 | 133分钟
本次实战课程的入门课程。对机器学习和深度学习做了引进性解说，经过若干项目举例解说了深度学习的最新进展。经过解说和实战神经网络中的根本结构——神经元及其扩展逻辑斯蒂回归模型，对本课程的根本知识进行全面的解说，包含神经元、激活函数、目标函数、梯度下降、学习率、Tensorflow根底以及模型的Tensorflow代码完成。…
- 视频：2-1 机器学习、深度学习简介 (17:03)
- 视频：2-2 神经元-逻辑斯底回归模型 (09:57)
- 视频：2-3 神经元多输出 (13:02)
- 视频：2-4 梯度下降 (11:51)
- 视频：2-5 数据处理与模型图构建(1) (16:21)
- 视频：2-6 数据处理与模型图构建(2) (16:30)
- 视频：2-7 神经元完成（二分类逻辑斯蒂回归模型完成） (29:46)
- 视频：2-8 神经网络完成（多分类逻辑斯蒂回归模型完成） (18:02)
-
第3章 卷积神经网络 试看4 节 | 75分钟
本节课程共两部分，第一部分对神经网络进行了完好的介绍，包含神经网络结构、正向传达、反向传达、梯度下降等。第二部分对卷积神经网络的根本结构，包含卷积、池化和全衔接等进行解说。尤其偏重卷积操作的细节，包含卷积核结构、卷积核算、卷积核参数数目核算等，并介绍了一个根本的卷积神经网络结构。…
- 视频：3-1 神经网络进阶 (21:20)
- 视频：3-2 卷积神经网络（1） (18:51)试看
- 视频：3-3 卷积神经网络（2） (17:35)
- 视频：3-4 卷积神经网络实战 (16:38)
-
第4章 卷积神经网络进阶7 节 | 138分钟
本节课程对高级的卷积神经网络结构进行了解说，包含AlexNet、VGGNet、ResNet、InceptionNet、MobileNet等以及它们的演化进程。关于每个结构，本课程对其解决的问题、子结构的根本思维以及模型中运用的重要技巧逐个进行了解说。学完本课程后，同学们能够到达灵活建立不同类型的卷积神经网络的才能。…
- 视频：4-1 卷积神经网络进阶（alexnet） (23:14)
- 视频：4-2 卷积神经网络进阶（Vggnet-Resnet） (22:50)
- 视频：4-3 卷积神经网络进阶（inception-mobile-net） (22:55)
- 视频：4-4 VGG-ResNet实战（1） (20:22)
- 视频：4-5 VGG-ResNet实战（2） (17:53)
- 视频：4-6 Inception-mobile_net（1） (15:27)
- 视频：4-7 Inception-mobile_net（2） (14:39)
-
第5章 卷积神经网络调参11 节 | 194分钟
本节课对卷积网络中常用调参技巧（“炼丹术”）进行了体系总结和概括。对部分重要调参技巧的背面原理进行了解说。调参技巧包含梯度下降、学习率、激活函数、网络参数初始化、批归一化、数据增强、可视化练习进程分析、fine-tune等，很多调参技巧也适用其他网络。完成本课程后，学员们能够自称“炼丹师”了。…
- 视频：5-1 adagrad_adam (10:31)
- 视频：5-2 激活函数到调参技巧（1） (24:13)
- 视频：5-3 激活函数到调参技巧（2） (20:51)
- 视频：5-4 Tensorboard实战（1） (19:54)
- 视频：5-5 Tensorboard实战（2） (21:34)
- 视频：5-6 fine-tune-实战 (17:31)
- 视频：5-7 activation-initializer-optimizer-实战 (18:42)
- 视频：5-8 图画增强api运用 (19:12)
- 视频：5-9 图画增强实战 (16:02)
- 视频：5-10 批归一化实战（1） (12:18)
- 视频：5-11 批归一化实战（2） (12:41)
-
第6章 图画风格转化12 节 | 134分钟
本节课程是卷积神经网络的运用课程，运用一个预练习好的VGG模型完成图画的风格转化算法。本节课程的知识点包含运用卷积神经网络提取特征、内容特征与风格特征的界说以及图片重建方法。除了根底的图画风格转化算法外，本课程还进一步介绍了别的两种改进版的风格转化算法。…
- 视频：6-1 卷积神经网络的运用 (05:15)
- 视频：6-2 卷积神经网络的才能 (04:38)
- 视频：6-3 图画风格转化V1算法 (11:51)
- 视频：6-4 VGG16预练习模型格局 (05:43)
- 视频：6-5 VGG16预练习模型读取函数封装 (15:39)
- 视频：6-6 VGG16模型建立与载入类的封装 (18:21)
- 视频：6-7 图画风格转化算法界说输入与调用VGG-Net (13:18)
- 视频：6-8 图画风格转化核算图构建与损失函数核算 (17:12)
- 视频：6-9 图画风格转化练习流程代码完成 (14:34)
- 视频：6-10 图画风格转化作用展现 (06:22)
- 视频：6-11 图画风格转化V2算法 (14:11)
- 视频：6-12 图画风格转化V3算法 (05:57)
-
第7章 循环神经网络 试看19 节 | 227分钟
本课程循环神经网络进行了解说。包含循环神经网络解决序列式问题和网络的根本结构、多层、双向、残差结构以及递归截断梯度下降等。重点对常用变种——长短期记忆网络进行了详解。解说并对比了循环神经网络与卷积神经网络在文本分类的多种运用模型，包含TextRNN、TextCNN与HAN（层次注意力网络，引进attention机制）等。…
- 视频：7-1 序列式问题 (05:48)
- 视频：7-2 循环神经网络 (23:31)试看
- 视频：7-3 长短期记忆网络 (10:40)
- 视频：7-4 根据LSTM的文本分类模型(TextRNN与HAN) (14:03)
- 视频：7-5 根据CNN的文本分类模型(TextCNN) (20:21)
- 视频：7-6 RNN与CNN融合解决文本分类 (15:29)
- 视频：7-7 数据预处理之分词 (16:46)
- 视频：7-8 数据预处理之词表生成与类别表生成 (13:21)
- 视频：7-9 实战代码模块解析 (06:37)
- 视频：7-10 超参数界说 (09:38)
- 视频：7-11 词表封装与类别封装 (15:02)
- 视频：7-12 数据集封装 (12:12)
- 视频：7-13 核算图输入界说 (06:20)
- 视频：7-14 核算图完成 (13:27)
- 视频：7-15 目标核算与梯度算子完成 (06:42)
- 视频：7-16 练习流程完成 (07:42)
- 视频：7-17 LSTM单元内部结构完成 (17:13)
- 视频：7-18 TextCNN完成 (09:57)
- 视频：7-19 循环神经网络总结 (01:34)
-
第8章 图画生成文本21 节 | 206分钟
本课程是卷积神经网络与循环神经网络的联合运用课程。本课程对多个模型变种进行了解说，包含Multi-Modal RNN、Show and Tell、Show Attend and Tell等。在课程最后对其反问题文本生成图画进行了描绘，引出对立神经网络。学完五六七课程后，同学们对卷积神经网络和循环神经网络的运用应该有了很深化的了解了。…
- 视频：8-1 图画生成文本问题引进⼊ (08:59)
- 视频：8-2 图画生成文本评测目标 (08:25)
- 视频：8-3 Encoder-Decoder框架与Beam Search算法生成文本 (05:34)
- 视频：8-4 Multi-Modal RNN模型 (06:45)
- 视频：8-5 Show and Tell模型 (02:34)
- 视频：8-6 Show attend and Tell 模型 (14:58)
- 视频：8-7 Bottom-up Top-down Attention模型 (05:31)
- 视频：8-8 图画生成文本模型对比与总结 (04:24)
- 视频：8-9 数据介绍，词表生成 (15:24)
- 视频：8-10 图画特征抽取(1)-文本描绘文件解析 (12:19)
- 视频：8-11 图画特征抽取(2)-InceptionV3预练习模型抽取图画特征 (13:07)
- 视频：8-12 输入输出文件与默认参数界说 (09:03)
- 视频：8-13 词表载入 (10:16)
- 视频：8-14 文本描绘转化为ID表示 (05:25)
- 视频：8-15 ImageCaptionData类封装-图片特征读取 (12:40)
- 视频：8-16 ImageCaptionData类封装-批数据生成 (14:55)
- 视频：8-17 核算图构建-辅助函数完成 (05:09)
- 视频：8-18 核算图构建-图片与词语embedding (14:06)
- 视频：8-19 核算图构建-rnn结构完成、损失函数与练习算子完成 (20:08)
- 视频：8-20 练习流程代码 (08:09)
- 视频：8-21 文本生成图画问题引进与本节课总结 (07:02)
-
第9章 对立神经网络17 节 | 175分钟
本课程对深度学习的最新进展——对立神经网络进行了解说。首要包含对立神经网络的思维和两种具体的GAN网络，深度卷积对立生成网络（DCGAN）和图画翻译（Pix2Pix）模型。触及的知识点包含生成器G、判别器D、反卷积、U-Net等。…
- 视频：9-1 对立生成网络原理 (12:30)
- 视频：9-2 深度卷积对立生成网络DCGAN(1) (10:13)
- 视频：9-3 反卷积 (10:30)
- 视频：9-4 深度卷积对立生成网络DCGAN(2) (04:20)
- 视频：9-5 图画翻译Pix2Pix (11:30)
- 视频：9-6 无配对图画翻译CycleGAN(1) (06:34)
- 视频：9-7 无配对图画翻译CycleGAN(2) (08:45)
- 视频：9-8 多范畴图画翻译StarGAN (12:50)
- 视频：9-9 文本生成图画Text2Img (09:02)
- 视频：9-10 对立生成网络总结 (03:55)
- 视频：9-11 DCGAN实战引⼊ (14:55)
- 视频：9-12 数据生成器完成 (14:45)
- 视频：9-13 DCGAN生成器器完成 (15:40)
- 视频：9-14 DCGAN判别器完成 (07:43)
- 视频：9-15 DCGAN核算图构建完成与损失函数完成 (11:12)
- 视频：9-16 DCGAN练习算子完成 (06:56)
- 视频：9-17 练习流程完成与作用展现 (13:04)
-
第10章 主动机器学习网络-AutoML5 节 | 51分钟
本课程对深度学习的最新进展——主动机器学习网络进行了解说。主动机器学习运用循环神经网络，对需要调整的网络结构参数进行主动查找，从而得到比人类“炼丹师”更好的作用。本课程首要对三种最新的主动机器学习算法进行了解说，三种算法依次递进，主动查找得到目前在图画分类范畴最优的卷积神经网络结构。…
- 视频：10-1 AutoML引进 (07:26)
- 视频：10-2 主动网络结构查找算法一 (16:16)
- 视频：10-3 主动网络结构查找算法一的分布式练习 (08:10)
- 视频：10-4 主动网络结构查找算法二 (09:42)
- 视频：10-5 主动网络结构查找算法三 (09:19)
