《纺织服装专业人工智能技术导论》PPT课件 钟跃崎 东华大学

 
课件内容： 
绪论 
神经网络入门 
1.1 绪论 
1.2 编程环境的设置 
1.3 编程框架的选择 
1.4 什么是神经网络 
二元分类问题 
以二元分类问题为例，讲述本课程所用符号体系，损失函数与代价函数的真正含义，什么是梯度下降，什么是人们常说的向前传播与向后传播，以及编程实现的实战技巧 
2.1 二元分类问题 
2.2 损失函数与代价函数 
2.3 逻辑回归中的梯度下降算法 
2.4 向前传播与向后传播 
2.5 编程实现技巧 
全连接型神经网络 
从逻辑回归单元，推广到一般形式的全连接型神经网络，以及向前、向后传播中的相关知识点 
3.1 再谈什么是神经网络 
3.2 常用激活函数 
3.3 常用激活函数的导数 
3.4 神经网络向后传播时的梯度计算 
3.5 多层神经网络 
3.6 神经网络权重参数矩阵的随机初始化 
3.7 二元分类问题的案例分析 
神经网络调优（一） 
在了解了神经网络的基本构成的基础上，了解一般意义上的网络参数优化所涉及的知识点 
4.1 训练集 验证集 测试集 
4.2 偏差（Bias）与方差（Variance） 
4.3 通过正则化解决过拟合问题（Regularization） 
4.4 随机失活正则化（Drop out） 
4.5 其他正则化方法 
4.6 输入的归一化处理 
4.7 梯度消失与梯度爆炸（Vanishing Exploding gradients） 
4.8 深度神经网络的权重初始化 
4.9 案例分析 
神经网络调优（二） 
继续深入了解神经网络调优中的更多知识 
5.1 小批量的概念 
5.2 小批量的作用原理 
5.3 指数加权平均 
5.4 几种常见的梯度下降算法 
5.5 学习率衰减 
5.6 局部最优问题 
神经网络调优（三） 
掌握神经网络调优中的最后一部分基础知识 
6.1 超参数的选择 
6.2 批量归一化 
6.3 SoftMax与独热编码 
卷积神经网络（一） 
了解卷积神经网络的基本知识 
7.1 卷积计算的实现方式 
7.2 卷积中的填充（Padding） 
7.3 带步长的卷积（Striding） 
7.4 立体卷积 
7.5 池化 
7.6 简单卷积神经网络案例分析 
7.7 LeNet卷积神经网络 
7.8 卷积神经网络的特点分析 
7.9 卷积神经网络的感受野 
卷积神经网络（二） 
深入了解深度卷积神经网络的技术构成及其特点 
8.1 两个经典网络：AlexNet与VGGNet 
8.2 GoogLeNet 
8.3 残差神经网络（ResNet） 
8.4 迁移学习与数据增广 
8.5 空洞卷积、转置卷积以及分离卷积 
课程实践：Tensorflow 2.x （一） 
以Tensorflow 2.x为例，讲解通过该框架如何实现前半学期的各知识点 
9.1 Anaconda，Tensorflow， PyTorch安装与测试 
9.2 PyCharm安装 
9.3 设置PyCharm中的Interpreter 
9.4 Tensorflow 2.x Sequential序列模型简明教程 
课程实践：Tensorflow 2.x （二） 
继续以Tensorflow 2.x为例，讲解通过该框架如何实现前半学期的各知识点 
10.1 手写字符识别（PyCharm版） 
10.2 加入验证集 
10.2 加入验证集 （过拟合问题） 
10.3 Tensorflow中的正则化与随机失活 
10.4 Tensorflow中的批量归一化 
10.5 Tensorflow中 Early stopping的使用 
10.6 Tensorflow中callbacks详解 
10.7 Tensorflow中的学习率衰减 
10.8梯度下降平稳段时的学习率衰减 
课程实践：Tensorflow 2.x （三） 
课程实践的最后一个单元，继续以Tensorflow 2.x为例，讲解通过该框架如何实现前半学期的各知识点 
11.1 已训模型权重矩阵的存取 
11.2 保存和载入单一的hd5文件 
11.3 不使用ModelCheckPoint的存取 
11.4 自定义存取标准 
11.5 完整模型的存取 
11.6 载入Keras中的预训练模型 
11.7 Tensorflow Hub 的用法 
Model Zoo及MobileNet的Keras实现 
以DenseNet和EfficientNet为例，介绍Model Zoo的应用，并给出MobileNet的Keras实现 
12.1 DenseNet 
12.2 EfficientNet 
12.3 MobileNet的Keras实现及迁移学习 
一次性分类与孪生神经网络 
掌握一次性分类，以及孪生神经网络的基本构成 
13.1 一次性分类与孪生神经网络 
13.2 案例分析 
神经风格迁移与对抗生成网络 
掌握基于深度神经网络的风格迁移，以及对抗生成网络的构成思想 
14.1 神经风格迁移 
14.2 神经风格迁移的编程实现 
14.3 生成对抗网络（GAN） 
14.4 生成对抗网络编程实现 
目标检测（一） 
掌握基于深度神经网络的目标检测算法 
15.1 什么是目标检测 
15.2 常见基本概念 
15.3 目标检测中的区域建议 
15.4 R-CNN 
目标检测（二） 
掌握基于深度神经网络的目标检测算法 
16.1 Fast R-CNN 
16.2 Faster RCNN 
16.3 R-FCN 
16.4 YOLO 
16.5 Mask R-CNN 
16.6 目标检测领域的发展现状