Java编程

求贪心学院nlp训练营

? ? ? ?而计算机视觉(Computer vision):是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图像处理,用计算机处理成更适合人眼观察或进行仪器检测的图像。

? ? ? 计算机视觉五大技术:图像分类、对象检测、目标跟踪、语义分割和实例分割。

近几年随着人脸识别在生活中的应用场景不断增加,计算机视觉开始渐渐走入大众视野,近年来的一些实际的使用中:

求贪心学院nlp训练营

人脸识别: Snapchat 和 Facebook 使用人脸检测算法来识别人脸。

图像检索:Google Images 使用基于内容的查询来搜索相关图片,算法分析查询图像中的内容并根据最佳匹配内容返回结果。

游戏和控制:使用立体视觉较为成功的游戏应用产品是:微软 Kinect。

监测:用于监测可疑行为的监视摄像头遍布于各大公共场所中。

生物识别技术:指纹、虹膜和人脸匹配仍然是生物识别领域的一些常用方法。

智能汽车:计算机视觉仍然是检测交通标志、灯光和其他视觉特征的主要信息来源。

除了上面这些看起来高大上的技术,其实在现实生活中,我们都有过接触类似的。比如美图秀秀里的美妆,就用到了人脸检测、人脸关键点定位的技术。百度识花,用到了通用物品识别的技术等等。

本视觉训练营,从传统NLP技术到基于深度学习的NLP技术,帮助学员理解技术深层次的本质关系。学员有机会选择并完成自己感兴趣的课题,无论应用性的还是学术性的课题,导师助教团队都可以很好地指导你。或许这样的一个项目可以让你实现拥有顶会论文的目标。同时,将邀请国内外的AI博士与资深工程师,来对NIPS, ICM-L,ACL, EMNLP等AI顶级会议的热点paper进行详解与讨论。

第1章: 开学典礼(直播课20190303)

任务1: 机器学习、深度学习简介

任务2: 深度学习的发展历史

任务3: 现代深度学习的典型例子

任务4: 深度学习在计算机视觉中的应用

任务5: 深度学习的总结

任务6: 开发环境的配置, Python, Numpy, Keras入门教程

任务7: GPU驱动程序安装

任务8: CUDA的安装

任务9: cuDNN的安装, Tensorflow, PyTorch的GPU测试

任务10: 问答环节

第2章: 编程环境配置(录播课20190306)

任务11: 环境安装

第3章: 逻辑回归(录播课20190306)

任务12: 二元分类问题

任务13: 逻辑函数

任务14: 指数与对数 、逻辑回归

任务15: 示例

任务16: 损失函数

任务17: 损失函数推演

任务18: 梯度下降法

任务19: 应用

第4章: 深度学习经典案例讲解(直播课20190309)

任务20: 直播答疑

任务21: 自动驾驶方向盘预测论文分析

任务22: 使用PyCharm Keras建立深度网络模型

任务23: 数据预处理 数据增强

任务24: 建立BatchGenerator高效读取数据

任务25: 训练网络 保存训练的中间过程数据

任务26: 查看网络训练过程 判断网络是否过拟合 欠拟合

第5章: 神经网络(录播课20190313)

任务27: 神经网络分类问题的经典数据(集鸢尾花数据集)介绍,神经网络Python库Keras的介绍

任务28: 使用Pandas读取鸢尾花数据集, 使用LabelEncoder对类别标签进行编码

任务29: 使用Keras创建一个用于鸢尾花分类识别的神经网络

任务30: 训练用于鸢尾花分类的神经网络 解读训练输出的日志 了解如何评价神经网络的性能

任务31: 神经网络数学原理(1): 神经网络的结点,权值,激活函数

任务32: 神经网络数学原理(2): 神经网络的前馈(Feed Forward)算法

任务33: 神经网络数学原理(3):神经网络的前馈(Feed Forward)算法续,Softmax层的数值问题

任务34: 神经网络数学原理(4):神经网络BP(误差反向传播)算法

任务35: 神经网络数学原理(5):神经网络BP(误差反向传递)算法续

任务36: 神经网络数学原理(6):手动演算神经网络BP算法(误差向后传递)

任务37: 神经网络数学原理(7):手动演算神经网络BP算法(误差向后传递)续

第6章: Neural.Network.Loss 20190316直播

任务38: Neural.Network.Loss-直播01

任务39: Neural.Network.Loss-直播02

任务40: Neural.Network.Loss-直播03

第7章: 深度神经网络

任务41: 梯度消亡

任务42: 梯度消亡问题分析

任务43: 梯度消亡解决方案

任务44: 过拟合

任务45: DropOut 训练

任务46: 正则化

任务47: 最大范数约束 神经元的初始化

第1节: 自动梯度求解

第8章: 作业讲解与答疑

任务48: 作业讲解与答疑-01

任务49: 作业讲解与答疑-02

第9章: 递归神经网络LSTM

任务50: 为什么需要递归神经网络?

任务51: 递归神经网络介绍

任务52: 语言模型

任务53: RNN的深度

任务54: 梯度爆炸和梯度消失

任务55: Gradient Clipping

任务56: LSTM的介绍

任务57: LSTM的应用

任务58: Bi-Directional LSTM

任务59: Gated Recurrent Unit

任务60: 机器翻译

任务61: Multimodal Learning

任务62: Seq2Seq模型

任务63: 回顾RNN与LSTM

任务64: Attention for Image Captioning

任务65: Attention for Machine Translation

任务66: Self-Attention

任务67: Attention总结

第10章: neural network optimizer直播

任务68: neural network optimizer直播-01

任务69: neural network optimizer直播-02

任务70: neural network optimizer直播-03

第11章: Project1:看图说话

任务71: 项目介绍

第1节: Part1: VGG16定义的CNN网络结构创建

任务72: 看图说话任务一-01

任务73: 看图说话任务一-02

任务74: 看图说话任务一-03

第2节: Part2:VGG16网络提取图像特征

任务75: 任务介绍

任务76: 如何实现 load_img_as_np_array 这个函数

任务77: 如何实现“load_vgg16_model”函数

任务78: 如何实现“extract_features”函数

第3节: Part3:图像生成

任务79: 创建Tokenizer01

任务80: 创建Tokenizer02

任务81: 产生模型需要的输入数据01

任务82: 产生模型需要的输入数据02

第4节: Part4:Keras搭建图像生成网络, 训练网络

任务83: 任务的概述

任务84: Input Embedding和Dropout层介绍

任务85: LSTM Add层的介绍

任务86: 如何训练模型

第5节: Part5:BLEU指标评价图像生成的质量

任务87: 如何使用深度神经网络模型做预测 产生标题 完成generate_caption函数01

任务88: 如何使用深度神经网络模型做预测 产生标题 完成generate_caption函数02

任务89: 如何调用generate_caption函数

任务90: 如何评价标题生成模型的性能

第12章: 图像处理和计算机视觉简介

任务91: 读取和显示数字图像

任务92: 数字图像大小缩放

任务93: 数字图像直方图均衡

任务94: 图像去噪声

任务95: 图像边缘检测

任务96: 图像关键点检测

任务97: 道路行车道检测简介

任务98: Canny边缘检测

任务99: 霍夫变换用于直线检测

任务100: 道路行车道检测代码讲解

任务101: 在图像和视频上面演示道路行车道检测

第13章: Project 2:自动驾驶之交通指示牌识别

任务102: 项目介绍

第1节: Part 1: 数据增强

任务103: 交通指示牌识别的简介

任务104: 交通指示牌识别课程的编程任务

任务105: 如何分析数据 (util.py 的详细介绍)

任务106: 如何预处理图像数据、建立神经网络模型、训练网络模型 (train.py 的详细介绍)01

任务107: 如何预处理图像数据、建立神经网络模型、训练网络模型 (train.py 的详细介绍)02

第2节: Part 2: 图像预处理

任务108: 色彩空间转换

任务109: 直方图均衡

任务110: 图像标准化

任务111: 使用ImageDataGenerator做图像增强

任务112: 作业上传的要求

第3节: Part 3: 设计卷积神经网络进行神经学习

任务113: 介绍经典交通指示牌卷积神经网络模型

任务114: 代码实现经典交通指示牌识别卷积神经网络模型

任务115: 卷积神经网络的数学原理01

任务116: 卷积神经网络的数学原理02

第14章: 用于视觉识别的卷积特征

任务117: 深度学习调参-直播-01

任务118: 深度学习调参-直播-02

任务119: 深度学习调参-直播-03

任务120: 卷积层的启发

任务121: 卷积层的定量分析

任务122: 单通道输入 单通道输出的卷积层的实例

任务123: 多通道输入 多通道输出的卷积层的实例

任务124: 池化层的原理 定量分析

任务125: 卷积神经网络和全连接神经网络的比较

任务126: 卷积神经网络在围棋 语言识别和自然语言处理中的应用

任务127: 基于深度学习的图像分类历史回顾

任务128: AlexNet的结构分析

任务129: ZFNet的结构分析

任务130: VGG的结构分析

任务131: GoogleNet Inception的结构分析

任务132: Inception V3的结构分析

任务133: ResNet的结构分析

任务134: ResNet的代码实现

任务135: 基于内容的图像搜索理论基础

任务136: 基于去噪自动编码器的图像搜索代码实现

任务137: 使用卷积神经网络进行语义图像嵌入在目标检测, 自动驾驶, 图像超分辨率重构, 工业探伤等等领域的应用

任务138: 项目1-看图说话(助教)讲解和答疑-01

任务139: 项目1-看图说话(助教)讲解和答疑-02

第15章: 开放式项目:自动驾驶之方向盘操纵

任务140: 项目介绍

第1节: Part 1: 图像预处理

任务141: 自动驾驶方向盘转动方向预测的背景知识

任务142: 如何收集训练数据

任务143: 理解分析训练数据

任务144: 自动驾驶方向盘转动方向预测的网络结构和网络训练代码讲解

任务145: 提高网络性能的思路 图像处理、数据增强、网络结构优化

任务146: 探索数据01

任务147: 探索数据02

第2节: Part 2: 数据增强

任务148: 图像增强01

任务149: 图像增强02

任务150: 解决数据不平衡的问题 DataGenerator的应用

任务151: 网络结构实例

任务152: 图像增强部分的代码讲解

任务153: DataGenerator部分的代码讲解

任务154: 网络结构实现部分的代码讲解

第3节: Part 3: 设计网络结构

任务155: 方向盘转动方向预测网络模型的性能评估方法

任务156: 使用模拟器定性的判断网络性能的方法以及代码讲解

任务157: 模拟器自动驾驶的展示

任务158: 通过损失函数的变化判断网络性能、识别和解决过拟合和欠拟合的问题

任务159: 如何安装Python 连接模拟器的Python 库

任务160: windows 下面使用自动驾驶模拟器的教程

任务161: mac 下面使用自动驾驶模拟器的教程

第16章: 目标检测

任务162: 目标识别综述

任务163: 基于HOG(梯度直方图)的目标识别

任务164: Non-Max Suppression IoU 和 Hard Negative Mining

任务165: R-CNN的工作原理

任务166: R-CNN中的边界框(Bounding Box)预测原理

任务167: R-CNN的不足之处

任务168: Fast R-CNN详解

任务169: Faster R-CNN Region Proposal Network

任务170: R-CNN Fast R-CNN Faster R-CNN的总结

任务171: 目标识别 R-CNN家族的回顾

任务172: SSD的简介 SSD与R-CNN的比较

任务173: SSD的网络结构

任务174: 如何使用卷积作为最后的预测层

任务175: SSD的训练过程

任务176: SSD的实验结果分析

任务177: VGG16到SSD网络的演化 L2Normalization层的实现

任务178: SSD各个技术对失败率的影响 Atrous卷积层的原理

任务179: 使用卷积作为最后的预测层详解

任务180: SSD定位损失函数详解

任务181: SSD中Anchor尺寸 宽高比 中心位置的确定

任务182: SSD中分类损失函数详解

任务183: Non-Max Suppression的原理

任务184: SSD和YOLO的比较 SSD的总结

第17章: 图像分割和合成

任务185: 图像分割简介

任务186: 基于深度学习的图像分割U-Net的原理

任务187: Transposed Convolution原理与运用

任务188: U-Net的代码讲解

任务189: 图像生成的原理

任务190: 使用深度学习自动图像生成手写数字的代码讲解

任务191: 图像风格转移的原理

任务192: 使用深度学习实现图像风格转移的代码讲解

第18章: 自动驾驶之道路目标检测

任务193: SSD的原理回顾

任务194: 编程项目的训练数据介绍

任务195: 对SSD模型对产生Anchor有影响的参数讲解

任务196: 对候选框精选处理有影响的参数讲解

任务197: 对输入模型参数的合法性检测和转换

任务198: 具有7层的SSD的网络结构讲解

任务199: 编译模型, 使用模型做预测

任务200: SSD解码的实现

任务201: 帮助函数IoU, 坐标转换, SSD损失函数, Non-Max-Suppression的实现

第19章: 二值化神经网络(BNNs)

任务202: 二值化神经网络的简介

任务203: 二值化网络的前向后向传播, 梯度计算原理

任务204: 二值化网络的训练算法

任务205: 二值化网络的实验结果

任务206: 二值化全连接网络的代码讲解

任务207: DropoutNoScale层的实现

任务208: BinaryDense层的实现

任务209: 二值化卷积神经网络的代码讲解

任务210: 项目作业要求

第20章: light weight-network直播

任务211: 神经网络在实际应用中面临的挑战, 轻量级深度神经网络的必要性

任务212: MobileNet, Depthwise Seperable Convolution的原理计算量分析

任务213: ShuffleNet, Group Convolution, Channel Shuffle的原理

任务214: EffNet, Spatial Seperable Convolution的原理计算量分析和实验效果

任务215: lightweight-network答疑时间

第21章: EffNet.Self.Steering

任务216: 回顾EffNet的原理

任务217: EffNet的代码讲解

第22章: One-Shot-Learning

任务218: One-Shot Learning 的意义和工作原理

任务219: 用于One-Shot Learning 的Siamese 深度神经网络的介绍

任务220: Siamese 深度神经网络的实验和结果分析

任务221: Transposed Convolution 的应用, 算法回顾, 以及使用矩阵乘法实现

任务222: Transposed Convolution 的梯度推导

任务223: 将卷积核转换为Toeplitz Matrix用于矩阵乘法实现Transposed

第23章: Siamese Network

任务224: 同学对课程的效果反馈调查

任务225: 使用 Siamese 网络做门禁卡系统的入门介绍, 数据集的介绍

任务226: PyTorch 基础教程

任务227: Siamese One-Shot learning 知识回顾

任务228: 使用 PyTorch torchvision 库高效读取数据

任务229: 使用 PyTorch 定义 Siamese 网络结构

任务230: 使用 PyTorch 写训练网络的代码

任务231: 使用 PyTorch 写测试网络的代码

获取方式(备注:CV集训)

Similar Posts

发表评论

邮箱地址不会被公开。 必填项已用*标注