《Ｐｙｔｈｏｎ深度学习》是软件工程专业中地一门深度学习基础课程，该课程以深度学习框架为基础，介绍了机器学习地基础知识与常用方法，以实例地方式学习机器学习操作地原理与其在深度学习框架下地实践步骤。主要内容包含深度学习基础知识，深度学习框架与其对比，机器学习基础知识，深度学习框架（以ＰｙＴｏｒｃｈ为例）基础，Ｌｏｇｉｓｔｉｃ回归，多层感知器，卷积神经网络与计算机视觉，神经网络与自然语言处理。并通过８个深度学习实例地学习，帮助学生更好地掌握深度学习知识，做到理论与实践相结合，方法与应用相结合。本课程除要求学生掌握以上深度学习知识，更重要地是要求学生掌握理论与实践结合地学习方式，为更深入地学习打下良好地基础。

课程大纲

第一章　绪论

１．１　从专家系统到机器学习

１．２　从传统机器学习到深度学习

１．３　深度学习的能与不能

１．４　ｐｙｔｏｒｃｈ　基础

第二章　神经网络基础

２．１　浅层神经网络：生物神经元到单层感知器，多层感知器，反向传播和梯度消失

２．２　神经网络到深度学习：逐层预训练，自编码器和受限玻尔兹曼机

２．３　ｐｙｔｏｒｃｈ　编程练习

第三章　卷积神经网络

３．１　卷积神经网络　ＶＳ　传统神经网络

３．２　基本组成结构：卷积、池化、全连接

３．３　典型结构：ＡｌｅｘＮｅｔ，　ＺＦＮｅｔ，　ＶＧＧ，　ＧｏｏｇｌｅＮｅｔ，　ＲｅｓＮｅｔ

３．４　ｐｙｔｏｒｃｈ　代码讲解

第四章　循环神经网络

４．１　循环神经网络　ＶＳ　卷积神经网络

４．２　循环神经网络的基本结构：深度ＲＮＮ，双向ＲＮＮ，ＢＰＴＴ算法

４．３　循环神经网络的变种：ＬＳＴＭ，Ｇｒｉｄ－ＬＳＴＭ，ＧＲＵ

４．４　扩展：　解决ＲＮＮ梯度消失的办法，基于注意力机制的ＲＮＮ

第五章　目标检测

５．１　基本概念，评测标准，数据集，国际竞赛

５．２　准备工作：滑动窗口、目标候选生成、难样本挖掘、非极大值抑制、检测框回归

５．３　目标检测两阶段方法：Ｒ－ＣＮＮ，　ＳＰＰ－Ｎｅｔ，　Ｆａｓｔ　Ｒ－ＣＮＮ，　Ｆａｓｔｅｒ　Ｒ－ＣＮＮ，　ＦＰＮ，　ＲＦＣＮ

５．４　目标检测单阶段方法：　ＹＯＬＯ，　ＳＳＤ，　Ｒｅｔｉｎａ　Ｎｅｔ

５．５　十行代码实现目标检测

第六章　生成式对抗网络（ＧＡＮ）基础

６．１　基础：图像生成、修复、风格迁移、文字生成图片

６．２　理论基础：模型和目标函数，全局最优解，ｐｙｔｏｒｃｈ　实现

６．３　条件生成式对抗网络（Ｃｏｎｄｉｔｉｏｎａｌ　ＧＡＮ）与　ｐｙｔｏｒｃｈ　实现

６．４　深度卷积生成式对抗网络（Ｄｅｅｐ　Ｃｏｎｖｏｌｕｔｉｏｎａｌ　ＧＡＮ，ＤＣＧＡＮ）与　ｐｙｔｏｒｃｈ　实现

６．５　Ｗａｓｓｅｒｓｔｅｉｎ　ＧＡＮ　（ＷＧＡＮ）与　ｐｙｔｏｒｃｈ　实现

第七章　生成对抗网络ＧＡＮ前沿

７．１　ＰｒｏｇｒｅｓｓｉｖｅＧＡＮ、Ｓｐｅｃｔｒａｌ　Ｎｏｒｍａｌｉｚａｔｉｏｎ　ＧＡＮ、Ｓｅｌｆ－Ａｔｔｅｎｔｉｏｎ　ＧＡＮ

７．２　以图像翻译为例，用　ｐｙｔｏｒｃｈ　实现　Ｐｉｘ２ｐｉｘ

７．３　以图像翻译为例，用　ｐｙｔｏｒｃｈ　实现　ＣｙｃｌｅＧＡＮ

第八章　前沿技术

８．１　深度强化学习：策略梯度法、Ｄｅｅｐ　Ｑ－Ｎｅｔｗｏｒｋ、Ａｃｔｏｒ－Ｃｒｉｔｉｃ方法

８．２　迁移学习：种类及代表性方法，域自适应

８．３　图卷积神经网络

８．４　深度学习可视化及解释