目的：

查漏補缺深度學習體系，精益求精的深刻理解體系中各種核心的技術原理，感受技術思想背后的精髓魅力，做到能夠脫口而出。

?

計劃：

2021年5月、6月，完成課程中所有核心知識的深刻理解（通過撰寫博客，自己能從頭到尾整明白），并完成所有練習和項目。

?

課程大綱

• 此項目是我在優達學城的納米學位課程《深度學習》v7版中完成的各種練習和項目
• 官網：https://github.com/udacity/deep-learning-v2-pytorch/tree/master/sentiment-analysis-network

1 神經網絡導論

• 1-1 Introduction to Neural Networks: 學習如何編碼實現梯度下降算法，并且在一個小數據集上應用。
• 1-2 Sentiment Analysis with NumPy：基于numpy的情感分析，建立一個情感分析模型，預測一些文本是積極的還是消極的。
• 1-3 Introduction to PyTorch：學習如何在PyTorch中構建神經網絡，并將預先訓練好的網絡用于最先進的（state-of-the-art）圖像分類器。
• 項目1：Predicting Bike-Sharing Patterns
  • 實現一個兩層的神經網絡來預測自行車租賃。

2 卷積神經網絡

• 2-1 Convolutional Neural Networks：
  • 可視化CNN的輸出層。
  • 設計和訓練一個CNN來對MNIST手寫數字分類。
  • 設計并訓練一個CNN來對CIFAR10數據集中的圖像進行分類。
• 2-2 Transfer Learning：遷移學習。
  • 在實踐中，大多數人不會在巨大的數據集上訓練自己的網絡;他們使用預先訓練過的網絡，如VGG。在這里，您將使用VGGnet幫助分類鮮花圖像，而無需從頭訓練端到端網絡。
• 2-3 Weight Initialization：
  • 探究初始化網絡權值如何影響性能。
• 2-4 Autoencoders：
  • 利用PyTorch中的前饋網絡和卷積網絡構建圖像壓縮和去噪模型。
• 2-5 Style Transfer：風格遷移。
  • 使用預先訓練的網絡，從圖像中提取風格和內容特征。根據Gatys等人的論文《Image style transfer Using Convolutional Neural Networks》實現風格轉移。設計適當的損失函數，以此迭代創建一個你自己設計的風格遷移圖像!
• 項目2：Dog Breed Classifier
  • 使用PyTorch構建一個卷積神經網絡，將任何圖像(甚至是人臉圖像)分類為特定的犬種。

3 遞歸神經網絡

• 3-1 Intro to Recurrent Networks：循環神經網絡能夠使用有關數據序列的信息，如文本中的字符序列;了解如何在PyTorch中為各種任務實現這些。
• 3-2 Embeddings (Word2Vec)：實現Word2Vec模型，尋找用于自然語言處理的詞的語義表示。
• 3-3 Sentiment Analysis RNN：實現一個循環神經網絡，可以預測電影評論的文本是正面的還是負面的。
• 3-4 Attention：實現attention并將其應用于注釋向量。
• 項目3：TV Script Generation
  • 訓練一個循環神經網絡生成《宋飛正傳》對話風格的劇本。

4 生成對抗網絡

• 4-1 Generative Adversarial Network on MNIST：在MNIST數據集上訓練一個簡單的生成對抗網絡。
• 4-2 Batch Normalization：學習如何通過批處理歸一化來提高訓練效率和網絡穩定性。
• 4-3 Deep Convolutional GAN (DCGAN)：實現一個DCGAN生成新的圖像基于街景房屋編號(SVHN)數據集。
• 4-4 CycleGAN：實現CycleGAN，旨在從未配對和未標記的數據中學習;使用經過訓練的生成器將圖像從夏季轉換到冬季，反之亦然。
• 項目4：Face Generation
  • 使用DCGAN在CelebA數據集上生成新的、真實的人臉圖像。

總結

以上是生活随笔為你收集整理的优达学城《DeepLearning》大纲和学习愿景的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。