课程：深度学习原理与实战

咨询

成功案例

相关课程

全部课程 >人工智能

深度学习原理与实战

47 次浏览

3 次


刘老师
哈佛大学人工智能方向博后/高级访问学者，德高包豪斯大学媒体学员计算机视觉方向访问学者前华为公司数据科学家，浙江大学计算机专业工学博士

时间地点：北京、上海、深圳根据报名开班

课程费用：5000元/人

报公开课		要内训

企业内训：可以根据企业需求,定制内训,详见内训学习手册

认证方式：
培训前了解能力模型。
培训后进行能力评测：

在线考试

能力分析，给出学习建议

合格者颁发证书，作为职业技能资格证明

深度学习是人工智能的重要引擎，也是推动图像识别、自然语言处理和智能决策快速发展的核心技术。本课程以主流深度学习框架（如 TensorFlow 与 PyTorch ）为基础，系统讲解深度学习的基本概念、模型结构与应用方法，帮助学员快速入门并逐步深入掌握深度学习技术。课程从环境搭建与工具使用开始，逐步引导学员理解并实践神经网络的构建与训练流程。

在课程中，学员将系统学习包括前馈神经网络、卷积神经网络（ CNN ）、循环神经网络（ RNN ）、注意力机制与 Transformer 等在内的主流模型架构，并通过动手实验掌握从数据准备、模型搭建、训练调优到性能评估的完整流程。课程将结合计算机视觉、语音识别、文本生成等典型应用场景，带领学员解决真实问题。

课程亮点：

    1. 主流框架，灵活扩展：课程基于 TensorFlow 与 PyTorch 等主流深度学习框架，支持跨平台与多硬件加速，帮助学员快速掌握核心工具，并具备迁移与扩展能力。
    2. 模型实战驱动：从基础神经网络到 CNN、RNN、Transformer 等前沿模型，学员将通过全程实践掌握模型构建、训练与调优，真正实现“会用、敢用、善用”。
    3. 贴近行业应用：聚焦图像识别、自然语言处理、推荐系统等典型业务场景，结合企业实际案例，提升学员将深度学习技术转化为业务价值的能力。
    4. 端到端流程掌握：课程覆盖从数据准备、特征表示、模型搭建、训练优化到模型部署与推理的全流程，帮助学员建立完整的深度学习项目思维。
    5. 进阶与体系化提升：不仅讲解算法原理，还融入最新研究进展与工程实践经验，帮助学员构建系统化的深度学习知识体系，并具备持续学习与独立创新的能力。

培训目标：

    1. 掌握深度学习环境搭建方法：能够独立完成深度学习框架（如 PyTorch、TensorFlow）的安装与配置，熟悉 GPU 加速与常用工具的使用。
    2. 理解深度学习核心概念与原理：全面了解神经网络的基本结构、反向传播机制与优化方法，夯实深度学习理论基础。
    3. 熟练运用主流深度学习模型：掌握卷积神经网络（CNN）、循环神经网络（RNN）、Transformer 等主流模型的实现与优化技巧。
    4. 提升实战能力，完成完整项目流程：通过动手实践，掌握从数据准备、模型构建、训练调优到部署上线的完整流程操作。
    5. 解决实际业务问题，形成可落地方案：结合企业典型场景（如汽车视觉识别、金融风控、能源预测、制造质检），学会提出并实现可行的深度学习解决方案。

培训对象：

AI算法工程师，AI应用开发工程师

学员基础：

了解人工智能技术

课程安排：2天

安排	主题
神经网络与卷积神经网络核心原理
神经元模型与前向传播	• 感知机与决策边界：线性可分与几何直观 • 仿射变换与参数：权重/偏置的作用与意义 • 激活函数引入非线性：ReLU/SiLU 选型要点 • 张量形状与批处理：batch×features 的数据流 • 数值稳定性：溢出/下溢与归一化处理
反向传播与梯度下降	• 损失函数设计：交叉熵 vs MSE 的适配场景 • 链式法则推导：自动微分与计算图思路 • 优化器对比：SGD、Momentum、AdamW 取舍 • 学习率策略：余弦退火、Warmup 的实效 • 梯度问题：消失/爆炸与梯度裁剪、残差连接
激活函数与正则化方法	• 激活函数曲线形态：饱和区与可导性影响训练 • Dropout 机理：训练/推理时的缩放差异 • 权重衰减与 L2：抑制过拟合的原理 • BatchNorm/LayerNorm：归一化位置与效果 • 数据增广与早停：提升泛化与防止过拟合
卷积神经网络（CNN）结构与原理	• 卷积核/步幅/填充：对感受野与分辨率的影响 • 池化策略：最大/平均池化与全局平均池化 • 参数共享与稀疏连接：降低参数量与过拟合 • 边界效应：valid/same 的差异与选择 • 特征可视化：滤波器与特征图的解释
典型网络架构解析（LeNet、ResNet 等）	• LeNet-5：手写体识别中的启示 • AlexNet：ReLU、Dropout、GPU 的突破 • VGG：同尺寸卷积堆叠与参数规模权衡 • ResNet：残差学习与瓶颈结构 • ViT/ConvNeXt：Transformer 思想在 CV 的迁移
深度学习环境搭建与框架实践
硬件选择：GPU/TPU 与资源规划	• CPU vs GPU：并行计算与吞吐差异 • GPU 显存与 Batch Size：OOM 与梯度累积 • 多卡/分布式：Data/Model/Hybrid 并行 • TPU/云资源：性价比与预留弹性 • 采购与预算：性能/成本/维护三角平衡
常用环境与工具链	• Python/Conda：虚拟环境与依赖隔离 • Docker：镜像分层与可复现环境 • Jupyter/VS Code：实验与调试工作流 • 驱动/库版本：CUDA、cuDNN 与框架匹配 • 版本冻结：requirements/lockfile 的实践
框架对比：TensorFlow 与 PyTorch	• 计算图范式：静态图 vs 动态图 • 生态组件：TFX、TorchElastic、Lightning • 数据管道：tf.data vs DataLoader 性能点 • 分布式训练：MirroredStrategy vs DDP • 选型建议：团队经验、生态与部署路径
实战：构建第一个神经网络模型	• 数据集准备：划分/标准化/数据增广 • 模型定义：层次结构与参数量估算 • 训练循环：前向/反向/优化器调用 • 评估指标：准确率、F1、AUC 选择 • 可视化：损失/指标曲线与误差分析
模型训练调优与实验管理	• 超参数网格/贝叶斯搜索：高效找优 • 学习率与正则化：余弦退火、WD 配置 • 早停与检查点：最优权重保存策略 • 记录与追踪：TensorBoard/Weights&Biases • 复现实验：随机种子与确定性设置
计算机视觉与自然语言处理应用
图像分类与目标检测案例	• 分类基线：数据增广、MixUp/CutMix • 迁移学习：冻结/微调策略与层选择 • 检测框架：YOLOv5/RT-DETR/Faster R-CNN • 评价指标：mAP、吞吐/延迟权衡 • 业务案例：质检/安防/零售货架识别
图像分割与智能制造应用	• 语义/实例/全景分割：任务差异 • U-Net/DeepLab：典型结构与适用场景 • 轻量化分割：BiSeNet/SegFormer 实践点 • 数据标注：多通道掩码与一致性审校 • 产线落地：实时性与误检漏检平衡
自然语言处理基础与词向量	• 词表示演进：One-hot→Word2Vec/GloVe • 子词与 OOV：BPE/WordPiece 的优势 • 语言模型：n-gram→RNN→Transformer • 语义相似度：余弦距离与度量学习 • 数据清洗：分词/停用词/规范化流程
文本分类与情感分析	• 特征抽取：TF-IDF vs 表征学习 • RNN/LSTM/GRU：序列建模优缺点 • Transformer 分类头：CLS 与 Pooling • 失衡样本：重采样与加权损失 • 评估与解释：F1/混淆矩阵/可解释性
预训练大模型（BERT、GPT 等）	• 预训练任务：MLM、CLM 与 SFT • 下游微调：全参、LoRA、Prefix-Tuning • Prompt 工程：少样本/思维链技巧 • 检索增强 RAG：知识接入与更新 • 成本与风险：延迟、幻觉与合规
模型导出与推理优化（ONNX/TensorRT）
硬件选择：GPU/TPU 与资源规划	• 导出流程：TorchScript/ONNX 导出要点 • 图优化：层融合与常量折叠 • 量化/剪枝/蒸馏：精度-性能权衡 • 引擎加速：TensorRT/ONNX Runtime 实操点 • 多平台部署：CPU/GPU/边缘设备适配
服务化部署方式（API/微服务/容器）	• 模型服务框架：TorchServe/Triton/TF Serving • API 设计：同步/异步与批处理 • 容器与编排：Docker/K8s/Helm 基础 • 灰度与回滚：金丝雀/蓝绿发布策略 • 观测性：日志、指标、追踪三件套
数据治理与隐私安全合规	• 数据生命周期：采集→存储→使用→销毁 • 访问控制：最小权限与审计轨迹 • 隐私计算：匿名化/差分隐私/联邦学习 • 合规要点：数据主权与跨境规则意识 • 风险管理：数据泄露预案与演练
MLOps 与持续迭代优化	• CI/CD for ML：训练/推理双流水线 • 特征/模型版本：注册表与谱系追踪 • 在线监控：数据漂移/概念漂移检测 • 自动再训练：触发条件与验收闸门 • 成本控制：弹性伸缩与离线/在线分层
企业 AI 战略与团队协作模式	• 价值落地地图：业务指标与用例优先级 • 组织分工：DS/DE/ML/平台/产品协作 • 研发流程：需求→实验→上线→评估闭环 • 治理机制：模型评审与风险委员会 • 成败复盘：里程碑、经验库与知识共享
课程总结与答疑