《Ｐｙｔｈｏｎ深度學習》是軟件工程專業(yè)中地一門深度學習基礎課程，該課程以深度學習框架為基礎，介紹了機器學習地基礎知識與常用方法，以實例地方式學習機器學習操作地原理與其在深度學習框架下地實踐步驟。主要內容包含深度學習基礎知識，深度學習框架與其對比，機器學習基礎知識，深度學習框架（以ＰｙＴｏｒｃｈ為例）基礎，Ｌｏｇｉｓｔｉｃ回歸，多層感知器，卷積神經網絡與計算機視覺，神經網絡與自然語言處理。并通過８個深度學習實例地學習，幫助學生更好地掌握深度學習知識，做到理論與實踐相結合，方法與應用相結合。本課程除要求學生掌握以上深度學習知識，更重要地是要求學生掌握理論與實踐結合地學習方式，為更深入地學習打下良好地基礎。

課程大綱

第一章　緒論

１．１　從專家系統到機器學習

１．２　從傳統機器學習到深度學習

１．３　深度學習的能與不能

１．４　ｐｙｔｏｒｃｈ　基礎

第二章　神經網絡基礎

２．１　淺層神經網絡：生物神經元到單層感知器，多層感知器，反向傳播和梯度消失

２．２　神經網絡到深度學習：逐層預訓練，自編碼器和受限玻爾茲曼機

２．３　ｐｙｔｏｒｃｈ　編程練習

第三章　卷積神經網絡

３．１　卷積神經網絡　ＶＳ　傳統神經網絡

３．２　基本組成結構：卷積、池化、全連接

３．３　典型結構：ＡｌｅｘＮｅｔ，　ＺＦＮｅｔ，　ＶＧＧ，　ＧｏｏｇｌｅＮｅｔ，　ＲｅｓＮｅｔ

３．４　ｐｙｔｏｒｃｈ　代碼講解

第四章　循環(huán)神經網絡

４．１　循環(huán)神經網絡　ＶＳ　卷積神經網絡

４．２　循環(huán)神經網絡的基本結構：深度ＲＮＮ，雙向ＲＮＮ，ＢＰＴＴ算法

４．３　循環(huán)神經網絡的變種：ＬＳＴＭ，Ｇｒｉｄ－ＬＳＴＭ，ＧＲＵ

４．４　擴展：　解決ＲＮＮ梯度消失的辦法，基于注意力機制的ＲＮＮ

第五章　目標檢測

５．１　基本概念，評測標準，數據集，國際競賽

５．２　準備工作：滑動窗口、目標候選生成、難樣本挖掘、非極大值抑制、檢測框回歸

５．３　目標檢測兩階段方法：Ｒ－ＣＮＮ，　ＳＰＰ－Ｎｅｔ，　Ｆａｓｔ　Ｒ－ＣＮＮ，　Ｆａｓｔｅｒ　Ｒ－ＣＮＮ，　ＦＰＮ，　ＲＦＣＮ

５．４　目標檢測單階段方法：　ＹＯＬＯ，　ＳＳＤ，　Ｒｅｔｉｎａ　Ｎｅｔ

５．５　十行代碼實現目標檢測

第六章　生成式對抗網絡（ＧＡＮ）基礎

６．１　基礎：圖像生成、修復、風格遷移、文字生成圖片

６．２　理論基礎：模型和目標函數，全局最優(yōu)解，ｐｙｔｏｒｃｈ　實現

６．３　條件生成式對抗網絡（Ｃｏｎｄｉｔｉｏｎａｌ　ＧＡＮ）與　ｐｙｔｏｒｃｈ　實現

６．４　深度卷積生成式對抗網絡（Ｄｅｅｐ　Ｃｏｎｖｏｌｕｔｉｏｎａｌ　ＧＡＮ，ＤＣＧＡＮ）與　ｐｙｔｏｒｃｈ　實現

６．５　Ｗａｓｓｅｒｓｔｅｉｎ　ＧＡＮ　（ＷＧＡＮ）與　ｐｙｔｏｒｃｈ　實現

第七章　生成對抗網絡ＧＡＮ前沿

７．１　ＰｒｏｇｒｅｓｓｉｖｅＧＡＮ、Ｓｐｅｃｔｒａｌ　Ｎｏｒｍａｌｉｚａｔｉｏｎ　ＧＡＮ、Ｓｅｌｆ－Ａｔｔｅｎｔｉｏｎ　ＧＡＮ

７．２　以圖像翻譯為例，用　ｐｙｔｏｒｃｈ　實現　Ｐｉｘ２ｐｉｘ

７．３　以圖像翻譯為例，用　ｐｙｔｏｒｃｈ　實現　ＣｙｃｌｅＧＡＮ

第八章　前沿技術

８．１　深度強化學習：策略梯度法、Ｄｅｅｐ　Ｑ－Ｎｅｔｗｏｒｋ、Ａｃｔｏｒ－Ｃｒｉｔｉｃ方法

８．２　遷移學習：種類及代表性方法，域自適應

８．３　圖卷積神經網絡

８．４　深度學習可視化及解釋