從軟件安裝開始，結(jié)合案例學(xué)會Tensorflow的基本應(yīng)用，包括： 1、通過理論和編程理解單通道和多通道的卷積操作； 2、基于自己的原圖自作tfrecords數(shù)據(jù)集，及結(jié)合opencv制作增廣的白化處理數(shù)據(jù)集； 3、兩個案例分析，其中涉及模型構(gòu)建分析、訓(xùn)練、模型保存、模型加載進行預(yù)測。
適用人群
想從事深度學(xué)習(xí)相關(guān)工作的人，想將深度學(xué)習(xí)技術(shù)引入自己的項目。
課程簡介
本課程主要以深度學(xué)習(xí)技術(shù)應(yīng)用于項目目的出發(fā)，前兩部分從深度學(xué)習(xí)相關(guān)開發(fā)工具Anacond、Tensorflow、Python-OpenCV2的安裝開始，一步一步仔細講解、分析、編程實現(xiàn)：卷積神經(jīng)網(wǎng)絡(luò)CNN中的各種技術(shù)細節(jié)，讓大家更好的理解卷積層、池化層、激活層等運算實現(xiàn)方式，快速上手構(gòu)建、編寫自己的卷積神經(jīng)網(wǎng)絡(luò)。
后兩部分詳細講解2個項目：Gesture、Cifar-10,從零開始，涉及通過樣本的原圖構(gòu)建自己的訓(xùn)練數(shù)據(jù)集、構(gòu)建自己的CNN模型、分析模型、訓(xùn)練模型、保存模型，加載模型進行預(yù)測，一些列完整的例程操作實現(xiàn)。期間還涉及圖像的樣本制作方法，如樣本的白化處理和增廣技術(shù)。
具體：
1、深度學(xué)習(xí)簡介
2、CNN的相關(guān)運算
從理論到程序：單通道數(shù)據(jù)和多通道數(shù)據(jù)的卷積（convolution）、池化（pooling）、激活層（relu）等原理分析及程序?qū)崿F(xiàn)。
3、Gesture案列分析,包括
1) Gesture tfrecords原圖數(shù)據(jù)集（數(shù)據(jù)類型uint8）制作;
2）tfrecords數(shù)據(jù)集解碼，構(gòu)建訓(xùn)練的Batch;
3）CNN 模型分析及構(gòu)建、模型訓(xùn)練、模型保存的實現(xiàn);
3）模型加載預(yù)測樣本。
4、Cifar-10案例分,包括
1）三通道原圖數(shù)據(jù)白化處理;
2) 基于白化處理后的浮點數(shù)據(jù)制作tfrecords數(shù)據(jù)集;
2）浮點型tfrecords的數(shù)據(jù)集解碼
3）模型分析構(gòu)建、訓(xùn)練保存;
3）已有模型再訓(xùn)練;
4）模型加載預(yù)測。
第1章深度學(xué)習(xí)課程簡介
1-1深度學(xué)習(xí)課程內(nèi)容
1-2深度學(xué)習(xí)課程結(jié)構(gòu)
1-3tensorflow相關(guān)軟件安裝
1-4Python-Opencv2簡單示例
第2章CNN相關(guān)運算方式
2-1基于單通道、多通道輸入的卷積、池化、激活層運算分析
2-2Tensorflow相關(guān)函數(shù)講解
2-3了解TensorFlow的卷積結(jié)構(gòu)
2-4relu sigmoid tanh函數(shù)實現(xiàn)
2-5dogs三通道圖片的卷積、激活、池化實現(xiàn)
第3章Gesture 案例分析
3-1生成單通道Gesture樣本數(shù)據(jù)集（tfrecords）
3-2加載Gesture訓(xùn)練集(tfrecords)
3-3構(gòu)建Gesture CNN模型
3-4訓(xùn)練、保存Gesture CNN模型
3-5加載Gesture CNN 模型進行預(yù)測
第4章Cifar-10 案例分析
4-1Cifar10訓(xùn)練樣本部分抽取
4-2生成三通道Cifar10浮點類型數(shù)據(jù)集(tfrecords)
4-3構(gòu)建、訓(xùn)練、保存Cifar10 CNN模型
4-4增加樣本量已有模型進行2次訓(xùn)練
4-5加載cifar10 模型進行預(yù)測
| 
合作伙伴與授權(quán)機構(gòu)
shuhaipeixun
1299983702
總部李老師
