Deep Learning From Scratch In Python

了解卷积神经网络并从头开始实现您的目标检测框架，本课程适用于任何愿意真正了解卷积神经网络（CNN）工作原理的人。CNN的每个组件首先以数学方式呈现和解释，然后在Python中实现。课程网页内的交互式编程练习允许逐步构建基于优化卷积神经网络模型的完整目标检测框架。无需先前知识：关于Python编程基础和深度学习微积分的专门章节提供了跟进课程和实现卷积神经网络所需知识。在本课程中，学生将介绍一种最新和最成功的实时多目标检测算法之一。在整个课程中，他们将全面了解反向传播过程，无论是从数学还是从编程的角度，都能让他们在神经网络训练的这个重要方面建立坚实基础。通过课程的结束，学生将亲身实践实现一个复杂的卷积神经网络框架。该框架将整合最先进的优化和正则化技术，使他们能够有效地处理复杂的现实世界目标检测任务，并取得令人印象深刻的性能结果。这种实用知识将使学生能够提升自己在计算机视觉和深度学习这一激动人心领域的能力。

MP4 | 视频：h264，1920×1080 | 音频：AAC，44.1千赫
语言：英语 | 大小：1.31 GB | 时长：5小时16分钟

你将学到什么
实际和数学上了解深度神经网络的工作原理
数学和实际上了解前向和反向传播过程
设计和实现用于多类别分类的深度神经网络
了解并实现卷积神经网络的构建模块
了解并实现最先进的优化、正则化和初始化技术
在广泛使用的数据集（如MNIST和CIFAR-10）上训练和验证卷积模型
了解并实现迁移学习
使用卷积模型创建实时多目标检测系统

要求
不需要任何先前知识

课程适用于每个对真正理解卷积神经网络感兴趣并愿意在Python中创建自己的目标检测框架的人

课程概览：
第1部分：神经网络基础知识

讲座1 介绍

讲座2 对全连接网络的直觉

讲座3 梯度下降算法

讲座4 训练、验证和测试

第2部分：Python编程基础

讲座5 用于CNN的Python

讲座6 使用列表和元组

讲座7 使用NumPy数组

讲座8 面向对象编程

第3部分：深度学习微积分

讲座9 函数的导数

讲座10 乘积、商和幂规则

讲座11 链式法则求导

第4部分：成本函数和反向传播

讲座12 全连接网络中的反向传播

讲座13 Softmax激活函数

讲座14 交叉熵成本函数

讲座15 输出层中的反向传播

第5部分：卷积神经网络（CNN）的构建模块

讲座16 卷积网络简介

讲座17 卷积：理论

讲座18 卷积：实现边缘检测器

讲座19 通过最大池化进行下采样

第6部分：卷积神经网络中的反向传播

讲座20 卷积层中的反向传播

讲座21 池化层中的反向传播

第7部分：卷积模型的集成

讲座22 定义卷积模型

讲座23 MNIST数据集

讲座24 滤波器可视化

第8部分：迁移学习

讲座25 什么是迁移学习

第9部分：优化和正则化的见解

讲座26 完全卷积实现

讲座27 梯度消失和濒死ReLU问题

讲座28 参数初始化

讲座29 学习率衰减

讲座30 Adam优化器

讲座31 在MNIST上测试优化模型

讲座32 在CIFAR-10上测试优化模型

第10部分：实时多目标检测

讲座33 YOLO算法

讲座34 测试YOLO算法