- 本课程介绍
- 神经元、多层感知器和人工智能
- 理论分析：梯度下降算法
- 理论分析：反向传播算法
- 思路分析：如何利用Python实现多层感知器？
- Anaconda环境搭建、数据准备
- 代码实践：MLP的前向传播
- 代码实践：MLP的反向传播
- 代码实践：梯度检验
- 代码实践：探索各种激活函数
- 代码实践：探索各种权重初始化
- 代码实践：探索各种优化算法
- 理论分析：BatchNormalization
- 代码实践：BatchNormalization
- 理论分析：CNN的前向传播
- 理论分析：CNN的反向传播
- 深度学习框架Caffe基础入门
- 思路分析：如何设计自己的框架？
- 环境准备：Json、Armadillo、Protobuf
- 代码实践：利用json定义网络结构
- 代码实践：设计内部数据结构——Blob
- 代码实践：加载Mnist数据集到Blob
- 代码实践：逐层构造数据Blob和梯度Blob
- 代码实践：逐层初始化（上）
- 代码实践：逐层初始化（下）
- 代码实践：将Blob切割为mini-batch
- 代码实践：卷积层的前向传播
- 代码实践：激活层、池化层的前向传播
- 代码实践：全连接层、损失层的前向传播
- 代码实践：损失层、全连接层的反向传播
- 代码实践：池化层、激活层的反向传播
- 代码实践：卷积层的反向传播
- 代码实践：模型参数优化和评估
- 添砖加瓦：实现模型微调功能（fine-tune）
- 添砖加瓦：实现SVM损失层
- 添砖加瓦：实现更多的优化器
- 添砖加瓦：实现对L2正则化的支持
- 添砖加瓦：实现Dropout层
- 添砖加瓦：实现BN层和Scale层
- 添砖加瓦：实现通用的图片数据接口
- 总结与展望
0/1024
暂无留言
