课程介绍
Python深度学习入门，介绍Opencv框架实战,Tensorflow技术在图像分类和图像识别方面的技术实战,ObjectDetect模型的实战应用,提升职业技能。
培训对象
计算机相关专业专科本科在校生或理工本科，且至少熟悉一门编程语言。 Java 开发工程师、机器学习工程师、机器学习开发工程师、机器学习算法工程师、 数据科学家、人工智能工程师、人工智能应用工程师、人工智能应用开发工程师、应用架构高级工程师、人工智能产品经理。
课程收益
通过实战案例，使学员了解Opencv和深度学习(Tensorflow)知识和技能。
知识概要
-- 初识深度学习；
-- 计算机视觉部分；
-- 视觉检测类应用的实战。
课程大纲
初识深度学习
概念与术语（人工智能、计算机视觉、深度学习）
Python环境安装
什么是Opencv框架
如果准备TensorFlow环境
Window或linux环境下的准备工作
准备GPU
实现第一个神经网络
详解神经网络的组成部分
向量化
值归一化
处理缺失值
过拟合与欠拟合
权重正则化
Dropout使用
实现基于Keras的神经网络搭建
计算机视觉部分
Opencv环境的安装
激活基于Python的摄像头数据源
构建一个CNN模型网络
Conv2D
池化技术
非线性激活Relu
了解并学习什么是CNN中的filter
可视化Filter是什么
Mnist数据集识别实验详解
模型训练
Kaggle数据竞赛中的照片识别案例分享
利用迁移学习进行视觉数据分析
VGG模型介绍
InterceptionV3网络介绍
ResNet介绍
模型权重的保存和加载
模型格式的转换
使用迁移学习模型快速搭建高效神经网络用于图像分类
利用Flask框架搭建视觉模型的Web部署
视觉检测类应用的实战
安装基于Tensorflow的ObjectDetect框架
利用Pytorch实现OD的物体识别功能
ImageLable工具的使用
实战案例1：利用OD识别常见的物体
实战案例2：训练自定义数据集，识别自定义场景
实战案例3: 利用OD模型快速实现人脸口罩检测
实战案例4：利用模型转换器快速实现基于安卓的手机端程序的部署
课程扩展：多模型间的格式转换中间件 ONNX
课程扩展：fast.ai 平台介绍 如果使用免费GPU资源
课程扩展：SSD-MobileNet在边缘计算中的应用
认证过程
无认证考试
开班信息
暂无开班信息