课程介绍
伴随人工智能时代的到来,深度学习技术也发挥着越来越重要作用,越来越多的技术人才开始投身入这一行业中,并希望发展成为一名深度学习算法工程师。然而,在实际的工程设计中,深度学习研发者总会面临着各种问题与困惑,比如:
我们在设计深度网络的时候有什么技巧和原则吗?
VGG、ResNet 网络如何应用在实际的芯片上?
BN 层应该放在哪里比较合理?
网络越深越好还是越宽越好?
训练时如此多的优化方法,一定是 SGD 吗?
学习率怎么调比较合适?
模型迁移、模型剪枝、模型压缩、模型精剪设计,这些该如何去实践?
序列问题中的 RNN 网络,怎样设计才能够确保网络更好、更快的收敛?
Siamese、Triplet 这样的网络要怎样训练?样本怎么处理、挖掘?
……
本达人课,将针对上述问题进行一一分析与解答。主要针对机器学习初学者、深度学习入门者以及其他想从事深度学习相关工作的从业者,内容涉及到深度学习的基本概念,模型原理,不同类别的网络模型,模型设计的基本原则、训练、优化、模型精简等不同方面。另外,本课程还通过实际的网络设计,结合相应的原则来解决分类任务、序列任务等,带领大家深入理解网络设计的基本原则和方法,并锻炼深度学习编程能力和技巧。
本课程共包括22个课时,分为四大部分:
第一部分(第01-02课),带你初步认识深度学习以及如何进阶深度学习。
第二部分(第03-14课),从工程实践的角度出发,详细介绍深度学习中涉及到的各种各样的概念、原理,重点讲解在工业实战中的使用技巧和原则,帮助大家打好的深度学习工程实战基础。
第三部分(第15-20课),从实际工程的角度出发,详细介绍卷积神经网、循环神经网的发展历程、工程设计原则和方法,并带领大家一起设计一个精简的深度网络,并用于目标检测任务。
第四部分(第21课),作为课程的最后一部分,我们将对整个课程做总结、回顾与展望。
作者介绍
领取专属 10元无门槛券
私享最新 技术干货