友情链接:
合作联系
|
ASPEN培训课程
希望系统掌握深度学习理论与应用的数据科学家、算法工程师
从事人工智能相关领域的软件开发人员、技术负责人
需要将深度学习技术应用于计算机视觉、自然语言处理等场景的研发人员
高校计算机、自动化、数学等专业的教师和高年级学生
具备机器学习基础、希望深入掌握深度学习技术的进阶学习者
通过本课程的系统学习，使学员全面掌握深度学习的核心原理与工程实践方法。学员将能够理解深度神经网络的基本结构、训练机制与优化技巧，熟练使用主流深度学习框架（PyTorch/TensorFlow）进行模型开发，掌握卷积神经网络、循环神经网络、Transformer、生成模型等主流架构的原理与应用，具备独立解决计算机视觉、自然语言处理等实际问题的能力，为从事人工智能研发工作或深造打下坚实基础。
深度学习概述与发展：介绍深度学习的历史演进，从感知机到深度神经网络的复兴，分析深度学习在图像识别、语音识别、自然语言处理等领域的突破性应用。讲解深度学习与机器学习的区别与联系，理解端到端学习的优势。介绍当前深度学习的前沿方向（大模型、多模态、生成式AI）及未来趋势，建立对深度学习生态的整体认知。
神经网络基础与反向传播算法：系统讲解神经元模型、激活函数（Sigmoid、Tanh、ReLU、Leaky ReLU）及其导数特性。学习多层感知机（MLP）的结构与表达能。深入剖析前向传播与反向传播算法的数学原理，通过计算图理解梯度流动。掌握损失函数的选择（均方误差、交叉熵）及其在分类/回归任务中的应用。
深度学习框架与开发环境：介绍主流深度学习框架（PyTorch、TensorFlow、Keras）的特点与选型原则。学习PyTorch的核心概念：张量（Tensor）、自动微分（Autograd）、计算图、Dataset与DataLoader。掌握使用PyTorch构建神经网络模型的完整流程：模型定义、损失函数配置、优化器选择、训练循环、模型保存与加载。通过简单分类任务演练框架使用技巧。
卷积神经网络（CNN）与计算机视觉：讲解卷积层的工作原理：卷积核、步长、填充、通道、感受野。掌握池化层的作用与常见类型（最大池化、平均池化）。深入剖析经典CNN架构：LeNet-5、AlexNet、VGGNet、GoogLeNet、ResNet的核心设计思想与演进逻辑。学习目标检测、图像分割的基础方法（如Faster R-CNN、U-Net）。通过图像分类任务实现CNN模型的构建与优化。
循环神经网络（RNN）与序列建模：介绍循环神经网络在时间序列、自然语言处理中的应用。学习RNN的基本结构、时间步展开、梯度消失与爆炸问题。深入讲解长短期记忆网络（LSTM）的门控机制：遗忘门、输入门、输出门，理解其如何解决长程依赖。掌握门控循环单元（GRU）的简化结构。通过文本生成或情感分析案例演练RNN应用。
Transformer与注意力机制：讲解注意力机制的思想起源：让模型关注输入中的重要部分。学习自注意力（Self-Attention）的计算过程：查询、键、值、注意力权重、缩放点积。深入剖析Transformer架构的核心组件：多头注意力、位置编码、前馈网络、层归一化、残差连接。了解BERT、GPT等预训练语言模型的基本原理。通过文本分类或机器翻译任务初步体验Transformer应用。
生成模型：GAN、VAE与扩散模型：介绍生成式模型的目标与分类。学习自编码器（Autoencoder）的基本结构：编码器-解码器、重构损失。深入讲解变分自编码器（VAE）的原理与重参数化技巧。掌握生成对抗网络（GAN）的核心思想：生成器与判别器的博弈训练，了解经典GAN变体（DCGAN、WGAN）。介绍扩散模型（Diffusion Models）的基本原理及其在图像生成中的优势。通过图像生成案例演练生成模型应用。
自监督学习与预训练模型：讲解自监督学习的核心思想：从数据本身构造监督信号。学习对比学习（Contrastive Learning）的代表方法：SimCLR、MoCo、CLIP的原理。掌握掩码语言建模（Masked Language Modeling）在BERT中的应用。了解大规模预训练模型（ResNet、BERT、ViT）的迁移学习方法：微调（Fine-tuning）、线性探测（Linear Probing）。通过预训练模型完成下游任务实战。
模型优化与训练技巧：系统学习深度学习训练的优化方法。掌握梯度下降变体：SGD、Momentum、AdaGrad、RMSProp、Adam及其参数配置。学习学习率调度策略：阶梯下降、余弦退火、预热。深入讲解正则化技术：L1/L2正则化、Dropout、Batch Normalization、Layer Normalization。掌握超参数调优方法：网格搜索、随机搜索、贝叶斯优化。通过实战案例分析过拟合、欠拟合的诊断与解决。
模型部署与加速：介绍深度学习模型从训练到部署的全流程。学习模型压缩技术：量化（Quantization）、剪枝（Pruning）、知识蒸馏（Knowledge Distillation）。掌握ONNX中间格式的转换与使用。学习推理引擎：TensorRT、OpenVINO、ONNX Runtime的配置与应用。了解在移动端、边缘设备上的部署方案（如TensorFlow Lite、PyTorch Mobile）。通过图像分类模型部署案例演练完整流程。
多模态学习与前沿拓展：介绍多模态学习的概念与应用场景（图文匹配、视频理解）。学习多模态表示学习的基本方法：联合嵌入、协同学习。深入剖析CLIP、Flamingo等典型多模态模型的架构。了解大语言模型（LLM）的关键技术：预训练、有监督微调（SFT）、基于人类反馈的强化学习（RLHF）。介绍科研智能体、具身智能等前沿应用方向。
综合项目实战：端到端深度学习应用开发：给定典型应用场景（如图像分类系统、文本情感分析、目标检测应用、生成式图像修复），学员综合运用所学知识完成从数据准备、模型设计、训练优化、模型评估到部署上线的完整深度学习项目流程。项目要求包含模型对比分析、性能优化、可视化展示等环节。最终进行项目展示与讨论，总结深度学习工程实践中的关键决策和问题解决经验，实现从理论到工程实践的全面提升
