深度学习与图神经网络研修
深度学习与图神经网络研修时间2022年10月13日 — 2022年10月17日 直播特色：1、采用深入浅出的方法，结合实例并配以大量代码练习，重点讲解深度学习框架模型、科学算法、训练过程技巧。2、能够把握深度学习的技术发展趋势，可以熟练掌握深度学习核心技术、实践技巧，同时针对工作中存在的疑难问题进行分析讲解和专题讨论，有效的提升学员解决复杂问题的能力；3、掌握深度学习平台Tensorflow训练网络搭建与配置、掌握数据价值的深度挖掘。4、掌握图神经网络模型及框架PyTorch5、实践手写字体识别、叶片分类等案例，动手练习让AI自己玩游戏。6、根据自己的科研项目及课题研究，灵活掌握应用深度学习五大框架模型。注：其它开源的公开数据集：ImageNet、MS-COCO、UCF101、HMDB51、PASCAL VOC、Open Images等。安排file:///C:/Users/Admin/AppData/Local/Temp/ksohtml10096/wps4.png关键点1. 人工智能、深度学习的发展历程2. 深度学习框架3. 神经网络训练方法4. 卷积神经网络，卷积核、池化、通道、激活函数5. 循环神经网络，长短时记忆LSTM、门控循环单元GRU6. 参数初始化方法、损失函数Loss、过拟合7. 对抗生成网络GAN8. 迁移学习TL9. 强化学习RF10. 图神经网络GNN
一、算法和场景融合理解1.空间相关性的非结构化数据，CNN算法。典型的图像数据，像素点之间具有空间相关性，例如图像的分类、分割、检测都是CNN算法。2.时间相关性的非结构化数据，RNN算法。这类场景普遍的一个现象就是数据之间具有时序相关性，也就是数据之间存在先后依赖关系。例如自然语言处理、语音相关算法都是基于RNN算法。 3.非欧氏数据结构， GNN。这类场景典型的可以用图来表示。例如社交网络等。案例摘要讲解医疗领域：如流行疾病、肿瘤等相关疾病检测遥感领域：如遥感影像中的场景识别石油勘探：如石油油粒大小检测轨道交通：如地铁密集人流检测检测领域：如故障检测公安领域：如犯罪行为分析国防领域：目标检测、信号分析、态势感知…经济领域：如股票预测
二、数据理解及处理分析典型场景中的典型数据，结合具体的算法，对数据进行处理1.结构化数据，如何对数据进行读取，进行组织。2.图像数据，在实际应用过程中的处理方法，怎样做数据的预处理、进行数据增强等。3.时序信号，将单点的数据如何组合成一个序列，以及对序列数据处理的基本方法。
三、技术路径设计针对具体的场景设计特定的神经网络模型，对典型数据适配的网络结构进介绍。1.DNN模型搭建的基本原则2.CNN模型中常见的网络结构，以及参数分析。3.RNN中支持的一些基本算子，如何对序列数据进行组织。
四、模型验证及问题排查简单的算法或者模型对典型的场景进行快速验证，并且针对一些频发的问题进行讲解。1. 模型收敛状态不佳2. 分类任务重最后一层激活函数对模型的影响
五、高级-模型优化的原理不同的模型需要采用的优化函数以及反向传播中参数的优化方法1.模型优化的算法介绍，基于随机梯度下降的算法介绍。2.不同场景适应的损失函数介绍。3.针对典型场景的反向传播梯度的推到过程。
六、高级-定制化思路结合往期学员的一些项目，简单介绍一下解决一个具体问题的思路。遥感成像中，地块农作物种类的识别。
实操解析与训练第一阶段：神经网络实践实验：神经网络1.神经网络中基本概念理解：epoch、batch size、学习率、正则、噪声、激活函数等。2.不同的数据生成模型、调整网络参数、调整网络规模3.神经网络分类问题4.不同数据特征的作用分析、隐含层神经元数目5.过拟合高频问题：1.输入数据与数据特征 2.模型设计的过程中的参数与功能的关系。关键点：1.掌握神经网络的基本概念 2.学会搭建简单的神经网络结构3.理解神经网络参数
实操解析与训练第二阶段：深度学习三种编程思想实验：Keras实践1.理解Keras基本原理 2.学会Keras编程思想3.三种不同的深度神经网络构建编程方式4.给定数据集，采用Keras独立完成实际的工程项目高频问题：1.如何编程实现深度神经网络 2.三种开发方式的具体使用关键点：1.掌握Keras编程思想 2.采用三种不同方式编写深度神经网络
实操解析与训练第三阶段：CNN实践实验：图像分类1.使用CNN解决图像分类问题 2.搭建AlexNet 3.VGG16/194.GoogleNet 5.ResNet 高频问题：1.CNN更复杂的模型在哪里可以找到代码关键点：1.使用卷积神经网络做图像分类 2.常见开源代码以及适用的问题
实验：视频人物行为识别1.基于C3D的视频行为识别方法 2.基于LSTM的视频行为识别方法3.基于Attention的视频行为识别方法高频问题：1.2D卷积与3D卷积 2.视频的时空特征关键点：1.C3D网络的构建 2.Attention机制
实操解析与训练第四阶段：R-CNN及YOLO实践实验：目标检测1.目标检测发展现状及代表性方法2.两阶段目标检测方法：R-CNN系列模型3.一阶段目标检测方法：YOLO系列模型高频问题：1.提名与分类 2.BBOX实现策略 3.YOLO Loss函数关键点：1.提名方法 2.ROI Pooling 3.SPP Net 4.RPN 5.YOLO
实操解析与训练第五阶段：RNN实践实验：股票预测1.股票数据分析 2.同步预测 3.异步预测高频问题：1.历史数据的使用关键点：1.构建RNN 2.采用Keras编程实现
实操解析与训练第六阶段：Encoder-Decoder实践实验：去噪分析1.自编码器 2.去噪自编码器高频问题：1.噪声的引入与去除关键点：1.设计去噪自编码器
实验：图像标题生成结合计算机视觉和机器翻译的最新进展，利用深度神经网络生成真实的图像标题。1.掌握Encoder-Decoder结构 2.学会Seq2seq结构3.图像CNN +文本RNN 4.图像标题生成模型高频问题：1.如何能够根据图像生成文本？关键点：1.提取图像特征CNN，生成文本RNN 2.构建Encoder-Decoder结构
实操解析与训练第七阶段：GAN实践实验：艺术家作品生成1. 生成对抗网络原理 2.GAN的生成模型、判别模型的设计高频问题：1.生成模型与判别模型的博弈过程关键点：1.掌握GAN的思想与原理 2.根据需求学会设计生成模型与判别模型
实操解析与训练第八阶段：强化学习实践实验：游戏分析1.游戏场景分析 2.强化学习的要素分析 3.深度强化学习高频问题：1.DNN 与DQN 2.探索与利用关键点：1.深度强化学习的原理 2.根据实际需求，设计深度强化学习模型
实操解析与训练第九阶段：图卷积神经网络实践实验：社交网络分析1.图神经网络的原理 2.图卷积神经网络的思想3.设计图卷积神经网络进行社交网络分析高频问题：1.如何从图神经网络的原理转化到实际编程关键点：1. 掌握图神经网络原理 2. 图卷积神经网络编程实现
实操解析与训练第十阶段：Transformer实践实验：基于Transformer的对话生成 1. Transformer原理 2. 基于Transformer的对话生成3.基于 Transformer 的应用高频问题：1.如何应用自注意力机制 2.如何应用于自然语言处理与计算机视觉关键点：1.self-Attention机制 2.position
联系人：任老师
手机：13716522485（微信同号）
电话：010-81311930
邮箱：309225975@qq.com
页:
[1]