【新生学习】深度学习与 PyTorch 实战课程大纲

各位20级新同学好，我安排的课程没有教材，只有一些视频、论文和代码。大家可以看看大纲，感兴趣的同学参加即可。因为是第一次开课，大纲和进度会随时调整，同学们可以随时关注。初步计划每周两章，一个半月完成课程。

Part 1 : 课程大纲

第一章 绪论

• 1.1 从专家系统到机器学习
• 1.2 从传统机器学习到深度学习
• 1.3 深度学习的能与不能
• 1.4 pytorch 基础

第二章 神经网络基础

• 2.1 浅层神经网络：生物神经元到单层感知器，多层感知器，反向传播和梯度消失
• 2.2 神经网络到深度学习：逐层预训练，自编码器和受限玻尔兹曼机
• 2.3 pytorch 编程练习

第三章 卷积神经网络

• 3.1 卷积神经网络 VS 传统神经网络
• 3.2 基本组成结构：卷积、池化、全连接
• 3.3 典型结构：AlexNet, ZFNet, VGG, GoogleNet, ResNet
• 3.4 pytorch 代码讲解

第四章 循环神经网络

• 4.1 循环神经网络 VS 卷积神经网络
• 4.2 循环神经网络的基本结构：深度RNN，双向RNN，BPTT算法
• 4.3 循环神经网络的变种：LSTM，Grid-LSTM，GRU
• 4.4 扩展： 解决RNN梯度消失的办法，基于注意力机制的RNN

第五章 目标检测

• 5.1 基本概念，评测标准，数据集，国际竞赛
• 5.2 准备工作：滑动窗口、目标候选生成、难样本挖掘、非极大值抑制、检测框回归
• 5.3 目标检测两阶段方法：R-CNN, SPP-Net, Fast R-CNN, Faster R-CNN, FPN, RFCN
• 5.4 目标检测单阶段方法： YOLO, SSD, Retina Net
• 5.5 十行代码实现目标检测

第六章 生成式对抗网络（GAN）基础

• 6.1 基础：图像生成、修复、风格迁移、文字生成图片
• 6.2 理论基础：模型和目标函数，全局最优解，pytorch 实现
• 6.3 条件生成式对抗网络（Conditional GAN）与 pytorch 实现
• 6.4 深度卷积生成式对抗网络（Deep Convolutional GAN，DCGAN）与 pytorch 实现
• 6.5 Wasserstein GAN （WGAN）与 pytorch 实现

第七章 生成对抗网络GAN前沿

• 7.1 ProgressiveGAN、Spectral Normalization GAN、Self-Attention GAN
• 7.2 以图像翻译为例，用 pytorch 实现 Pix2pix
• 7.3 以图像翻译为例，用 pytorch 实现 CycleGAN

第八章 前沿技术

• 8.1 深度强化学习：策略梯度法、Deep Q-Network、Actor-Critic方法
• 8.2 迁移学习：种类及代表性方法，域自适应
• 8.3 图卷积神经网络
• 8.4 深度学习可视化及解释

Part 2: 课程准备

课程主页为：https://edu.cnblogs.com/campus/ouc/deeplearning

请大家自行在博客园注册帐号，同时将自己的博客地址填写于在线文档：https://kdocs.cn/l/c4rOk46ry 我会把大家拉进班级。

初步计划本周开课，请大家本周四（7月16日 18：00前完成）上述要求。把大家拉进课程后，我会本周布置一次作业，希望大家按时完成。

备注： 每周作业会要求写一个博客，希望大家可以最近两天熟悉一下 Markdown 的基本语法以及 Typora 软件。