近几年深度学习技术在学术界和工业界都得到了广泛的应用和传播。深度学习的传播不仅是由于算法的进步，更是因为深度学习技术在各行各业都取得了非常好的应用效果。
深度学习作为一门理论和实践相结合的学科，在新的算法理论不断涌现的同时，各种深度学习框架也不断出现在人们视野。比如Torch，MxNet，theano，Caffe等等。Google在2015年11月9日宣布开源自己的第二代机器学习系统Tensorflow。深度学习是未来新产品和新技术的一个关键部分。在这个领域的研究是全球性的，并且发展很快，却缺少一个标准化的工具。Google希望把Tensorflow做成深度学习行业的标准。
Tensorflow支持python和c++语言，支持CNN、RNN和LSTM等算法，可以被用于语音识别或图像处理等多项深度学习领域。它可以在一个或多个CPU或GPU中运行。它可以运行在嵌入式系统(如手机，平板电脑)中，PC中以及分布式系统中。它是目前全世界最火爆的深度学习平台(没有之一)。
课程内容基本上是以代码编程为主，也会有少量的深度学习理论内容。课程会从Tensorflow最基础的图(graphs),会话(session),张量(tensor),变量(Variable)等一些最基础的知识开始讲起，逐步讲到Tensorflow的基础使用，以及在Tensorflow中CNN和LSTM的使用。在课程的后面会带着大家做几个实际的项目，比如训练自己的模型去进行图像识别，使用Tensorflow进行验证码的识别，以及Tensorflow在NLP中的使用。
课程大纲：
第一课 Tensorflow简介，Anaconda安装，Tensorflow的CPU版本安装。
第二课 Tensorflow的基础使用，包括对图(graphs),会话(session),张量(tensor),变量(Variable)的一些解释和操作。
第三课 Tensorflow线性回归以及分类的简单使用。
第四课 softmax，交叉熵(cross-entropy)，dropout以及Tensorflow中各种优化器的介绍。
第五课 卷积神经网络CNN的讲解，以及用CNN解决MNIST分类问题。
第六课 使用Tensorboard进行结构可视化，以及网络运算过程可视化。
第七课 递归神经网络LSTM的讲解，以及LSTM网络的使用。
第八课 保存和载入模型，使用Google的图像识别网络inception-v3进行图像识别。
第九课 Tensorflow的GPU版本安装。设计自己的网络模型，并训练自己的网络模型进行图像识别。
第十课 使用Tensorflow进行验证码识别。
第十一课 Tensorflow在NLP中的使用(一)。
第十二课 Tensorflow在NLP中的使用(二)。
授课时间：
本期课程将于9月13日开始。课程持续时间大约为14周。
授课对象：
对深度学习人工智能感兴趣的人，想了解深度学习实践的人。
课程环境：
Windows10 + Anaconda
收获预期：
掌握Tensorflow和Tensorboard的基本使用，可熟练使用Tensorflow做图像识别及做验证码识别，深度理解和掌握Tensorflow在NLP中的使用
讲师简介：
Ben，一位技术发烧友，拥有多年软件算法开发经验，现任深度学习领域一线工程师，有着丰富的深度学习内训经验和一线实践经验！
新颖的课程收费形式：“逆向收费”约等于免费学习，仅收取100元固定收费+300元暂存学费，学习圆满则全额奖励返还给学员！
本门课程本来打算完全免费，某位大神曾经说过“成功就是正确的方向再加上适度的压力”。考虑到讲师本身要付出巨大的劳动，为了防止一些朋友在学习途中半途而废，浪费了讲师的付出，为此我们计划模仿某些健身课程，使用“逆向收费”的方法。
在报名时每位报名者收取400元，其中100元为固定 收费，另外300是暂存学费，即如果学员能完成全部课程要求，包括完成全部的书面和互动作业，则300元全款退回，优秀的学员还可以获得礼品 奖励。如果学员未能坚持到完全所有的学习计划任务，则会被扣款。期望这种方式可以转化为大家强烈的学习愿望和驱动力！
课程授课方式：
1、 学习方式：老师发布教学资料、教材，幻灯片和视频，学员通过网络下载学习。同时通过论坛互动中老师对学员进行指导及学员之间相互交流。
2、 学习作业：老师每周布置书面及互动作业，学员需按时按质完成作业。
3、 老师辅导：根据作业批改中发现的问题，针对性给予辅导，帮助大家掌握知识。
4、 结业测验：通过测验，完成学业。
咨询QQ： 2222010006 (上班时间在线）
技术热点、 行业资讯，培训课程信息，尽在炼数成金官方微信，低成本传递高端知识！技术成就梦想！欢迎关注！
打开微信，使用扫一扫功能，即刻关注炼数成金官方微信账户，不容错过的精彩，期待您的体验！！！
| 
发表于 2017-2-24 10:47
发表于 2017-2-25 10:28
发表于 2017-3-27 23:22
