这门课解决什么工作场景

很多做后端开发、数据分析或传统软件的上班族，在转岗或接手图像相关业务时，常会遇到一个断层：业务方要求做一个缺陷检测、车牌识别或医学影像分类，你能跑通官方的模型调用，却完全看不懂网络结构怎么调，遇到数据分布偏移或模型不收敛就束手无策。这门聚焦深度学习与计算机视觉的体系课，针对的正是这种“只会调包不懂原理”的痛点。它没有一上来就堆砌目标检测或图像分割的复杂项目，而是把重心放在卷积神经网络的底层逻辑和训练机制上，帮你把“黑盒”拆成可解释的计算图、损失函数和梯度更新过程。学懂这部分，你在面对模型过拟合、梯度消失或收敛慢等实际工程问题时，才能有理有据地排查，而不是盲目重试。

适合什么基础与资料怎么配合练习

这套资料不适合零基础的编程新手。它默认你已经具备 Python 语法基础，最好写过一点简单的数据处理脚本，但对高等数学和深度学习理论的要求并不苛刻，课程里会把反向传播和计算图拆解得比较细。建议在阅读和学习时，不要只停留在看懂推导公式的层面。资料包里包含了开发环境搭建以及主流框架的介绍，你必须跟着这一块把本地环境跑通。配合练习的正确姿势是：先过一遍神经网络训练的流程与策略，理解损失函数和优化算法的差异；然后直接切入框架实践环节，用基础框架手写一个简单的卷积网络。不要急着去抄网上的复杂项目，先确保自己能独立把数据增强、参数初始化和批归一化这些基础模块在代码里正确串联起来，再回头去调超参数。

学完能独立做什么

啃完这部分上部内容，你不会立刻成为能搞定自动驾驶视觉系统的高级工程师，但完全能独立承担企业内部中等复杂度的图像分类任务。具体来说，你能从零搭建一套针对特定业务数据的卷积神经网络训练流水线：从原始图像的预处理与数据增强，到合理设定初始权重与学习率，再到使用主流框架定义 LeNet-5 或类似级别的网络架构，并输出一个经过正则化处理、能抵御一定过拟合的可用模型。更重要的是，当训练过程中的损失曲线出现异常时，你具备了定位问题是出在数据质量、梯度下降策略还是网络结构设计上的基础诊断能力，这恰恰是区分真正算法开发者与调包脚本仔的核心门槛。


学习和学习基于深度学习的计算机视觉技术

课程目录

*   01 课程介绍/

  *   01 课程内容及特色

*   02 深度学习基础/

  *   01 深度学习发展简史

  *   02 神经网络基本知识

  *   03 神经网络训练：训练流程、损失函数、优化目标、梯度下降

  *   04 神经网络训练：反向传播算法、计算图

  *   05 神经网络训练：梯度下降训练策略

  *   06 梯度下降各种优化算法

  *   07 卷积神经网络：网络架构

  *   08 卷积神经网络：卷积层

  *   09 卷积神经网络：激活函数层

  *   10 卷积神经网络：池化、批归一化、全连接层

  *   11 LeNet-5

  *   12 卷积神经网络实践技巧：数据增强、数据预处理

  *   13 卷积神经网络实践技巧：参数初始化、超参数设定、过拟合与避免

  *   14 卷积神经网络实践技巧：网络正则化方法

  *   15 实践篇：开发环境搭建

  *   16 实践篇：Keras与Tensorflow框架介绍

  *   17 实践篇：项目案例-MNIST手写数字识别

*   03 图像分类/

  *   01 任务、数据集、网络模型演进

  *   02 AlexNet

  *   03 VGGNet

  *   04 NiN(Network in Network)

  *   05 GoogLeNet

  *   06 BN_Inception

  *   07 InceptionV2, InceptionV3

  *   08 ResNet

  *   09 InceptionV4,Inception-ResNet

  *   10 ResNeXt

  *   11 DenseNet

  *   12 SqueezeNet

  *   13 Xception

  *   14 MobileNetV1

  *   15 MobileNetV2

  *   16 MobileNetV3

  *   17 ShuffleNetV1

  *   18 ShuffleNetV2

  *   19 GhostNet

  *   20 实践篇：基于VGGNet的迁移学习实现餐具数据集上的图像分类

*   04 目标检测/

  *   01 任务、数据集

  *   02 性能指标

  *   03 网络模型演进

  *   04 R-CNN

  *   05 SPP-net

  *   06 Fast R-CNN

  *   07 Faster R-CNN

  *   08 R-FCN

  *   09 YOLOv1

  *   10 YOLOv2

  *   11 YOLOv3

  *   12 SSD

  *   13 DSSD

  *   14 RetinaNet

  *   15 实践篇：项目案例-使用RetinaNet进行目标检测

  *   16 实践篇：项目案例-使用YOLOv3进行目标检测

  *   17 YOLOv4

  *   18 YOLOX（2021）

*   05 图像分割/

  *   01 语义分割-任务、数据集、网络模型演进

  *   02 语义分割-上采样方法：去池化、反卷积

  *   03 语义分割-上采样方法：膨胀卷积

  *   04 语义分割-FCN

  *   05 语义分割-DeconvNet

  *   06 语义分割-SegNet

  *   07 语义分割-U-Net

  *   08 语义分割-DeepLabV1

  *   09 语义分割-DeepLabV2

  *   10 语义分割-DeepLabV3_V3plus

  *   11 语义分割 - RefineNet

  *   12 语义分割 - PSPNet

  *   13 语义分割 - GCN

  *   14 实例分割-Mask R-CNN

  *   15 实时实例分割-YOLACT

  *   16 实时实例分割-YOLACT++

  *   17 全景分割-任务、数据集、评价指标

  *   18 全景分割-Panoptic FPN

  *   19 实践篇：项目案例-使用Mask R-CNN进行实例分割