测试：

免费视频课

1.深度学习常见开源框架介绍2.Tensorflow 开发环境安装2.模型参数及正则化

3. 深度网络构建及训练策略

1. 正确安装 Tensorflow 环境。

2. 使用 Tensorflow 搭建一个神经网络，并可视化。

3. 编写一个简单的 DNN 网络，根据初始化参数可以运算得出中间结果。

4. 模型输出可视化及模型评估

关键点：

5. 深度神经网络 DNN 运算原理

1. 对 Tensorflow 使用初步了解。

2. 理解 DNN 前向传播运算的运算原理。

第一天

1. 深度学习与人工智能

实验：

1. Tensorflow 中 Tensor、DataFlowGraph、Placeholder、Session、Tensorboard 等基本概念理解。

2. 使用 Tensorflow 搭建一个简单的 DNN 网络。

3. 一个可以训练的神经网络高频问题：

1. Tensorboard 无法显示。

2. 模型设计的过程中的参数个数与数据规模的关系。

3. 为何输入模型的数据范围是[-1, 1]。关键点：

1. 掌握 Tensorflow 的几个基本概念。

2. 学会使用 Tensorflow 搭建简单的神经网络结构。

3. 使用 Tensorflow 设计一个可以训练的基本设计原理。

2. 人工智能、深度学习的发展历程

3. 基于深度学习的计算机视觉模型

4. 传统线性模型的局限性

5. 深度神经网络模型。

6. 自动编码器 AutoEncoder

7. 生成对抗网络 GAN

8.稀疏编码 Sparse Coding

9.限制波尔兹曼机 RBM

10. 深度信念网络 Deep Belief

Networks

11. 初识 DNN 的反向传播原理

第二天

1.卷积神经网络基本概念—卷积核

实验：

1. 把现有的数据集转化成 Tensorflow 推荐的数据格式—TFrecord。

2. TFrecord 可视化，并把数据输入到计算图。

3.Tensorflow 训练模型时的基本设计原理。

高频问题：

1.TFRecord 可视化时出现的 Exception。

2.此设计原理的通用性。

关键点：

1.掌握如何将 row data 转化成 TFRecord。

2.如何验证转化之后的TFRecord 的正确性。

3.一个良好的 Tensorflow 训练预测代码的设计原理。

2.Pooling 层设计原理以及常见

Pooling 介 绍

3. 常见激活函数以及对应 BP 公式。

4. 常用的参数初始化方法

5. 常用的损失函数以及对应求解的

问题。

6. 常见的网络结构及演化进程

7. 对抗生成网络（GAN）

8. 深度学习模型的软肋—对抗样本

1. 循环神经网络（RNN）初识

实验：

1. 使用 CNN 搭建 LeNet 解决图像分类问题。

2. 使用 RNN 处理评论信息中情感倾向问题。

3.Tensorflow 目前开源的模型以及适用的问题

总结。

高频问题：

1. CNN 更复杂的模型在哪里可以找到代码？

2. RNN 训练速度如何提升。

3. Tensorflow 的 API 文档一般在哪里查看。

关键点：

1. 使用卷积神经网络做图像分类。

2. NLP 中情感分析初步入门。

3. 常见开源代码以及适用的问题。