卷积神经网络表征可视化研究综述（4）
Ta的回复 ：深度学习与神经网络 关键点 1.人工智能、深度学习的发展历程 2.深度学习框架 3.神经网络训练方法 4.卷积神经网络，卷积核、池化、通道、激活函数 5.循环神经网络，长短时记忆LSTM、门控循环单元GRU 6.参数初始化方法、损失函数Loss、过拟合 7.对抗生成网络GAN 8.迁移学习TL 9.强化学习RF 10.图神经网络GNN 一、算法和场景融合理解 二、数据理解及处理 三、技术路径设计 四、模型验证及问题排查 五、高级-模型优化的原理 六、高级-定制化思路 实操解析与训练 第一阶段： 神经网络实践 实验：神经网络 关键点： 1.掌握神经网络的基本概念 2.学会搭建简单的神经网络结构 3.理解神经网络参数 实操解析与训练 第二阶段： 深度学习三种编程思想 实验：Keras实践 关键点： 1.掌握Keras编程思想 2.采用三种不同方式编写深度神经网络 实操解析与训练 第三阶段：CNN实践 实验：图像分类 关键点： 1.使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：视频人物行为识别 关键点： 1.C3D网络的构建 2.Attention机制 实操解析与训练 第四阶段： R-CNN及YOLO实践 S-实验：目标检测 关键点： 1.提名方法 2.ROI Pooling 3.SPP Net 4.RPN 5.YOLO 第五阶段： RNN实践 实验：股票预测 关键点： 1.构建RNN 2.采用Keras编程实现 第六阶段： Encoder-Decoder实践 实验：去噪分析 关键点： 1.设计去噪自编码器 实验：图像标题生成 关键点： 1.提取图像特征CNN，生成文本RNN 2.构建Encoder-Decoder结构 第七阶段： GAN实践 实验：艺术家作品生成 关键点： 1.掌握GAN的思想与原理 2.根据需求学会设计生成模型与判别模型 第八阶段： 强化学习实践 实验：游戏分析 关键点： 1.深度强化学习的原理 2.根据实际需求，设计深度强化学习模型 第九阶段： 图卷积神经网络实践 实验：社交网络分析 关键点： 1. 掌握图神经网络原理 2. 图卷积神经网络编程实现 第十阶段： Transformer实践 实验：基于Transformer的对话生成 关键点： 1.self-Attention机制 2.position
