曙海教学优势
曙海培训的课程培养了大批受企业欢迎的工程师。大批企业和曙海
建立了良好的合作关系。曙海培训的课程在业内有着响亮的知名度。
本课程，秉承二十一年积累的教学品质，以项目实现为导向,老师将会与您分享设计的全流程以及工具的综合使用经验、技巧。
深度学习Tensorflow培训课程
课程目标：
通过该课程的学习，学员应能够掌握常用的深度学习模型（如：CNN、RNN、LSTM、DNN等）原理及构建；掌握Tensorflow基本框架原理和开发应用；能够进行深度学习模型训练，掌握训练技巧与方法；具备实际的项目开发实战能力，能够完成深度学习模型开发的工业级应用。
课程大纲：
|
主题 |
内容 |
|
深度学习及CNN |
1. 深度学习简介 2. 谈谈CNN 3. 正向传播与反向求导及练习 4. CNN模型的推导与实现 5. CNN应用：物体分类 6. CNN 常见问题与总结 |
|
RNN和LSTM
|
7. RNN 8. RNN的反向求导及练习 9. RNN模型的推导与实现 10. RNN应用：个性化电影推荐 11. RNN常见问题与总结 12. LSTM 13. LSTM模型的推导与实现 14. LSTM的反向求导及练习 15. LSTM应用：文本识别 16. LSTM常见问题总结 |
|
DNN |
17. DNN 18. DNN模型的推导与实现 19. DNN的反向求导及练习 20. DNN应用：CTR预估 21. DNN常见问题总结 |
|
垂直应用领域 |
22. 概述 23. 目标检测：ObjectDetection 24. 文本相关（NLP）：Word2Vec、CBOW、DSSM 25. 声纹识别：DNN 26. 文字识别（OCR）：VGGNet、CNN |
|
深度学习框架及Tensorflow |
27. 业界主流深度学习框架 Tensorflow、PyTorch、Paddle、Oneflow 28. TensorFlow和其他深度学习框架的对比 29. Tensorflow 特性 30. Tensorflow 下载及安装 |
|
Tensorflow |
31. 架构原理 32. Tensorflow基本使用 33. TensorFlow实现多层感知机 34. TensorFlow实现进阶的卷积网络 35. TensorFlow实现经典卷积神经网络 36. TensorFlow实现ResNet |
|
模型训练 |
37. 模型训练技巧与方法 1）数据样本处理 2）调参 3）模型调优 38. 梯度下降优化方法 39. Tensorflow 实现循环神经网络及Word2Vec 1）Tensorflow 实现Word2Vec 2）Tensorflow 实现基于LSTM的语言模型 |
|
深度强化学习和迁移学习 |
40. 深度强化学习简介 41. TensorFlow实现策略网络 42. TensorFlow实现估值网络 43. 迁移学习简介 44. 迁移学习的理论概述 45. 迁移学习的常见方法及案例 |
|
TensorBoard、多GPU并行及分布式并行 |
46. TensorBoard介绍及使用 47. 多GPU并行训练 48. 分布式训练 49. AI平台及整体流程简介 |
|
实战案例与总结 |
实战：Python中实现缺陷检测模型搭建：根据某工业生产元件构建缺陷异常检测系统 50. 实战：用TensorFlow搭建图像识别系统 51. 总结Q&A |
