深度学习技术理论与图神经网络新技术

各企事业单位：

国度“十四五”规划中，“智能”“聪慧”相关表述高达57处，这表明在当前我国经济从高速增长向高质量展开的重要阶段，以人工智能为代表的新一代信息技术，将成为我国“十四五”期间推进经济高质量展开、树立创新型国度的重要技术保障和中心驱动力之一。当前，人工智能的展开，在很大水平上归功于深度学习技术的展开。人们逐步认识到，当你有了深度学习算法、模型，并构建了深度神经网络时，需求足够多的数据去锻炼这个网络。只需参与更多的数据，才会让深度神经网络变的更大、更好。经过运用深度学习，我们在很多传统的AI范畴取得了长足的停顿，好比机器翻译、语音辨认、计算机视觉等等。同时，深度学习也能够逐步交流这些范畴展开多年的专用算法。

为积极响应科研及工程人员的需求，依据《国务院关于推行终身职业技艺培训制度的意见》提出的“紧跟新技术、新职业展开变更，树立职业分类动态调整机制，加快职业规范开发工作”请求，中国管文科学研讨院现代教育研讨所（http://www.zgyxdjy.com）分离北京龙腾亚太教育咨询有限公司特举行“深度学习中心技术理论与图神经网络新技术应用研修班”。本次培训采用全实战培训方式。

承办单位

北京龙腾亚太教育咨询有限公司

北京新鼎聚成文化传媒有限公司

注：由承办单位中止相关费用收取及发票开具

上课时间、地点

2022年10月13日 — 2022年10月17日

线上直播

（13日发放上课资料，14日-17日上课）

01

培训特征

1、采用深化浅出的措施，分离实例并配以大量代码练习，重点解说深度学习框架模型、科学算法、锻炼过程技巧。

2、能够掌握深度学习的技术展开趋向，能够熟练控制深度学习中心技术、理论技巧，同时针对工作中存在的疑问问题中止剖析解说和专题讨论，有效的提升学员处置复杂问题的才干；

3、控制深度学习平台Tensorflow锻炼网络搭建与配置、控制数据价值的深度发掘。

4、控制图神经网络模型及框架PyTorch

5、理论手写字体辨认、叶片分类等案例，入手练习让AI自己玩游戏。

6、依据自己的科研项目及课题研讨，灵活控制应用深度学习五大框架模型。注：其它开源的公开数据集：ImageNet、MS-COCO、UCF101、HMDB51、PASCAL VOC、Open Images等。

02

培训专家

中国科学院计算技术研讨所、清华大学、北京理工大学等科研机构和大学的高级专家，具有丰厚的科研及工程技术阅历，长期从事人工智能、机器学习、深度学习、大数据剖析等范畴的教学与研讨工作。

03

颁发证书

参与相关培训并经过考核的学员，由中国管文科学研讨院现代教育研讨所颁发《深度学习开发与应用工程师》（高级）专业才干认证证书，可经过官方网站查询，该证书可作为有关单位专业技术人员才干评价、考核和任职的重要依据。

注：请学员提交电子版彩照（大于20KB，红蓝底皆可）、身份证复印件和学历证明复印件至会务组邮箱renjt01@126.com。

04

留意事项

1、5680元/人（含报名费、培训费、资料费、证书费）。

2、培训费由组织培训班的施教机构担任收取并提供培训发票。

3、上课前一周汇款可享用 9折 优惠，或报名5人以上可享用 9折 优惠，两个优惠不同时享用。报名8人以上享用 8.8折优惠。

4、参与线上、线下培训学员均可享用视频录播回放权益。

5、指定报名邮箱：309225975@qq.com。

6、报名胜利后，会务组在上课前两天发放上课所需一切资料。

7、学员需自备电脑一台，配置win10、64位系统、8G及以上内存、100G硬盘。

05

细致课程布置

关键点：

人工智能、深度学习的展开进程

深度学习框架

神经网络锻炼措施

卷积神经网络，卷积核、池化、通道、激活函数

循环神经网络，长短时记忆LSTM、门控循环单元GRU

参数初始化措施、损失函数Loss、过拟合

对立生成网络GAN

迁移学习TL

强化学习RF

图神经网络GNN

壹 / 算法和场景融合了解

1、空间相关性的非结构化数据，CNN算法。典型的图像数据，像素点之间具有空间相关性，例如图像的分类、分割、检测都是CNN算法。

2、时间相关性的非结构化数据，RNN算法。这类场景普遍的一个现象就是数据之间具有时序相关性，也就是数据之间存在先后依赖关系。例如自然言语处置、语音相关算法都是基于RNN算法。

3、非欧氏数据结构， GNN。这类场景典型的能够用图来表示。例如社交网络等。

// 案例摘要解说

医疗范畴：如盛行疾病、肿瘤等相关疾病检测

遥感范畴：如遥感影像中的场景辨认

石油勘探：如石油油粒大小检测

轨道交通：如地铁密集人流检测

检测范畴：如毛病检测

公安范畴：如立功行为剖析

国防范畴：目的检测、信号剖析、态势感知…

经济范畴：如股票预测

贰 / 数据了解及处置

剖析典型场景中的典型数据，分离细致的算法，对数据中止处置

案例摘要解说

结构化数据，如何对数据中止读取，中止组织。

图像数据，在实践应用过程中的处置措施，怎样做数据的预处置、中止数据增强等。

时序信号，将单点的数据如何组合成一个序列，以及对序列数据处置的基本措施。

叁 / 技术途径设计

针对细致的场景设计特定的神经网络模型，对典型数据适配的网络结构进引见。

案例摘要解说

DNN模型搭建的基本准绳

CNN模型中常见的网络结构，以及参数剖析。

RNN中支持的一些基本算子，如何对序列数据中止组织。

肆 / 模型考证及问题排查

简单的算法或者模型对典型的场景中止快速考证，并且针对一些频发的问题中止解说。

案例摘要解说

模型收敛状态不佳

分类任务重最后一层激活函数对模型的影响

伍 / 高级-模型优化的原理

不同的模型需求采用的优化函数以及反向传播中参数的优化措施

案例摘要解说

模型优化的算法引见，基于随机梯度降落的算法引见

不同场景顺应的损失函数引见

针对典型场景的反向传播梯度的推到过程

陆/ 高级-定制化思绪

分离往期学员的一些项目，简单引见一下处置一个细致问题的思绪

案例摘要解说

遥感成像中，地块农作物种类的辨认。

实操解析与锻炼

壹/ 神经网络理论

神经网络中基本概念了解：epoch、batch size、学习率、正则、噪声、激活函数等。

不同的数据生成模型、调整网络参数、调整网络范围

神经网络分类问题

不同数据特征的作用剖析、隐含层神经元数目

过拟合

高频问题：

1、输入数据与数据特征

2、模型设计的过程中的参数与功用的关系。

关键点：

1、控制神经网络的基本概念

2、学会搭建简单的神经网络结构

3、了解神经网络参数

贰 / 深度学习三种编程思想

Keras理论

了解Keras基本原理

学会Keras编程思想

三种不同的深度神经网络构建编程方式

给定数据集，采用Keras独立完成实践的工程项目

高频问题：

1、如何编程完成深度神经网络

2、三种开发方式的细致运用

关键点：

1、控制Keras编程思想

2、采用三种不同方式编写深度神经网络

叁/ CNN理论

实验：图像分类

运用CNN处置图像分类问题

搭建AlexNet

VGG16/19

GoogleNet

ResNet

高频问题：

1、CNN更复杂的模型在哪里能够找到代码

关键点：

1、运用卷积神经网络做图像分类

2、常见开源代码以及适用的问题

实验：视频人物行为辨认

基于C3D的视频行为辨认措施

基于LSTM的视频行为辨认措施

基于Attention的视频行为辨认措施

高频问题：

1、2D卷积与3D卷积

2、视频的时空特征

关键点：

1、C3D网络的构建

2、Attention机制

肆 / R-CNN及YOLO理论

实验：目的检测

目的检测展开示状及代表性措施

两阶段目的检测措施：R-CNN系列模型

一阶段目的检测措施：YOLO系列模型

高频问题：

1、提名与分类

2、BBOX完成战略

3、YOLO Loss函数

关键点：

1、提名措施

2、ROI Pooling

3、SPP Net

4、RPN

5、YOLO

伍 / RNN理论

实验：股票预测

股票数据剖析

同步预测

异步预测

高频问题：

1、历史数据的运用

关键点：

1、构建RNN

2、采用Keras编程完成

陆/ Encoder-Decoder理论

实验：去噪剖析

自编码器

去噪自编码器

高频问题：

1、噪声的引入与去除

关键点：

1、设计去噪自编码器

实验：图像题目生成

分离计算机视觉和机器翻译的最新停顿，应用深度神经网络生成真实的图像题目。

1、控制Encoder-Decoder结构

2、学会Seq2seq结构

3、图像CNN +文本RNN

4、图像题目生成模型

高频问题：

1、如何能够依据图像生成文本？

关键点：

1、提取图像特征CNN，生成文本RNN

2、构建Encoder-Decoder结构

柒 / RNN理论

实验：艺术家作品生成

生成对立网络原理

GAN的生成模型、判别模型的设计

高频问题：

1、生成模型与判别模型的博弈过程

关键点：

1、控制GAN的思想与原理

2、依据需求学会设计生成模型与判别模型

捌 / 强化学习理论

实验：游戏剖析

游戏场景剖析

强化学习的要素剖析

深度强化学习

高频问题：

1、DNN 与DQN

2、探求与应用

关键点：

1、深度强化学习的原理

2、依据实践需求，设计深度强化学习模型

玖/ 图卷积神经网络理论

实验：社交网络剖析

图神经网络的原理

图卷积神经网络的思想

设计图卷积神经网络中止社交网络剖析

高频问题：

1、如何从图神经网络的原理转化到实践编程

关键点：

1、控制图神经网络原理

2、图卷积神经网络编程完成

拾 / Transformer理论

实验：基于Transformer的对话生成

Transformer原理

基于Transformer的对话生成

基于 Transformer 的应用

高频问题：

1、如何应用自留意力机制

2、如何应用于自然言语处置与计算机视觉

关键点：

1、self-Attention机制

2、position

学习和关注人工智能技术与咨询，了解更多资讯！