預備知識：圖像識別方法的演進基礎、開發(fā)環(huán)境配置：Anaconda環(huán)境和MXNet、深度學習簡介：起源、特點和發(fā)展、計算機視覺概述、數(shù)據操作、自動求梯度、圖像識別的演進、線性回歸與線性回歸的實現(xiàn)、線性模型：對數(shù)線性二分類、多分類、獨熱和稠密度向量表示、softmax回歸與實現(xiàn)、基于深度學習的圖像識別技術發(fā)展、深度學習基礎知識、線性模型的局限性：異或問題、非線性輸入轉換、核方法、可訓練的映射函數(shù)、感知機和多層感知機的實現(xiàn)、模型選擇、欠擬合過擬合問題、權重衰減和丟棄法、實戰(zhàn)案例：房價預測模型、神經網絡基礎、前饋神經網絡、BP神經網絡、神經網絡的訓練、深度學習計算、卷積神經網絡與深度學習、二維卷積層相關運算、填充和步幅、多輸入通道和多輸出通道、二維最 大池化層和平均池化層、卷積神經網絡LeNet模型、深度卷積神經網絡AlexNet、使用重復數(shù)據的網絡、網絡中的網絡：NIN塊和NIN模型、合并行連接的網絡、批量歸一化、殘差網絡ResNet模型、稠密度連接網絡DeseNet模型、循環(huán)神經網絡與深度學習、語言模型計算、循環(huán)神經網絡、模型語言數(shù)據集、循環(huán)神經網絡從零開始實現(xiàn)、循環(huán)神經網絡的簡介實現(xiàn)、通過時間反向傳播、門控循環(huán)單元、長短期記憶、深度循環(huán)神經網絡、雙向循環(huán)神經網絡、優(yōu)化算法與深度學習、優(yōu)化與深度學習的關系、梯度下降和隨機梯度下降、小批量隨機梯度下降、動量法與實現(xiàn)、AdaGrad算法特點與實現(xiàn)、RMSProp算法、AdaDelta算法、Adma算法、計算機技術與高性能計算、衡量性能的方法、提高性能性能的各種編程方法、命令式和混合編程、異步計算、自動并行運算、多GPU運算、AI應用方向之計算機視覺、使用圖像增廣訓練模型、微調:熱狗識別、目標檢測和邊界框、計算機視覺：錨框生成、多尺度目標檢測、目標檢測數(shù)據集：皮卡丘、單發(fā)多框檢測：SSD、積神經網絡系列：R-CNN、語意分割和數(shù)據集、全卷積網絡、樣式遷移、計算機視覺案例：Kaggle圖像識別、圖像分類、狗的品種、獲取和整理數(shù)據集、圖像增廣、讀取數(shù)據集、定義模型、定義訓練函數(shù)、訓練模型、AI應用方向之NLP自然語言處理、嵌入和連續(xù)詞袋模型、近似訓練：負采樣、層序softmax、word2vec的實現(xiàn)、子詞潛入：fastText、全局向量的詞潛入：GloVe、求近義詞和類比詞、文本情感分類：使用循環(huán)神經網絡、文本情感分類：使用卷積神經網絡（textCNN）、編碼器、解碼器、貪婪搜索、全局搜索、束搜索、注意力機制、自然語言處理案例、機器人翻譯、讀取和與處理數(shù)據集、含注意力機制的編碼器-解碼器、訓練模型、預測不定長的序列、評價翻譯結果、唐詩生成器、定義輸入數(shù)據、定義多層LESTM模型、定義損失函數(shù)、訓練模型生成文字、更多參數(shù)說明、運行自己的數(shù)據