课程介绍
Python深度学习入门，介绍Opencv框架实战，Pytorch技术在图像分类和图像识别方面的技术实战，Yolo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，或理工科本科，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
通过实战案例的讲解，使学员了解Opencv和深度学习(Pytorch)的知识和技能。
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Pytorch环境
Window或linux环境下的准备工作）
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
计算机视觉部分
Opencv和python的整合
加载第一张照片
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
Mnist数据集识别实验详解
模型训练
猫狗照片识别
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
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YoloV4框架
利用Pytorch实现Yolo的物体识别功能
实战案例1：利用Yolo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：利用视觉框架制作车载疲劳驾驶检测器
实战案例4：结合deepsort框架实现基于视频流的物体识别和物体计数跟踪实战
课程扩展 -- Pytorch中的OpenNMT
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，如何使用免费GPU资源
认证过程
无认证考试
开班信息
暂无开班信息