这门课解决什么工作场景

很多做后端开发、数据分析或算法测试的上班族，想往核心算法岗转，但往往卡在“能跑通别人写的模型，却讲不清损失函数怎么改”这一步。这门深度学习集训营瞄准的，正是工业界最缺人的两个落地场景：一是图像里的物体检测，二是序列建模里的条件生成。课程主线非常明确，把 Fast RCNN、Faster RCNN 这类两阶段检测器，和 YOLO、SSD 这类单阶段检测器放在一起对比讲，再补上 Focal Loss 这种解决样本不均衡的关键设计。它不堆砌泛泛的 AI 概念，而是带你直接面对真实业务里“标注数据少、正负样本悬殊、推理速度要压到毫秒级”的工程矛盾。

适合什么基础与建议先看的重点

这套资料不适合零基础。它默认你写过 Python，懂基本的矩阵运算，最好碰过一两个机器学习库。如果你连反向传播都说不清楚，建议先把预习阶段里的 DNN、CNN 原理和 RNN、LSTM 那几段反复看，因为后面的实战代码不会从导数推导开始讲。有编程基础的人，建议先看物体检测免费试听的两段，重点看候选框生成方式的演进，以及 OneStage 方法为什么快。这部分直接决定了你以后做工业质检、安防抓拍这类项目时，能不能在精度和速度之间做正确取舍。看完这两段，再回去补三大核心模型的细节，学习曲线会平缓很多。

学完能独立做什么与资料怎么配合

把主干内容吃透，你能独立完成一个端到端的目标检测任务：从自己整理 VOC 或 COCO 格式的数据集，到改写骨干网络，再到用 YOLOv3 或 SSD 跑通训练，最后评估 mAP 并把模型导出做推理。这套能力在现在的算法岗招聘里，是能直接写进简历的硬通货。资料配合练习的方法是：先看视频里对算法结构的拆解，再打开对应阶段的在线实训代码，不要只跑现成脚本，要试着改 Focal Loss 的参数、调一下正负样本比例，观察损失曲线的变化。深度学习最忌讳只当观众，必须让代码在自己机器上报过错、显存炸过，才算真正把框架吃透。


免费试听：深度学习在物体检测中的应用(上)免费试听：深度学习在物体检测中的应用（中）预习阶段 从DL基础起步，掌握三大核心模型第一阶段 夯实深度学习基础模型第二

课程目录

*   免费试听：深度学习在物体检测中的应用(上)/

  *   物体检测发展及背景介绍

  *   候选框生成方式

  *   目标检测算法-Fast RCNN

  *   目标检测算法-Faster RCNN

*   免费试听：深度学习在物体检测中的应用（中）/

  *   目标检测OneStage方法介绍

  *   YOLO算法讲解

  *   SSD算法讲解

  *   YOLOv3算法讲解

  *   损失函数-Focal Loss讲解

*   预习阶段 从DL基础起步，掌握三大核心模型/

  *   预习视频：DNN与CNN，及NN框架

  *   预习视频：RNN、LSTM、与条件生成、attention

*   第一阶段 夯实深度学习基础模型/

  *   预习视频：深入理解神经网络原理

  *   在线实训：基于tensorflow/keras实现分类任务

  *   预习视频：深度卷积神经网络原理与实践

  *   在线实训：参加Kaggle图像分类比赛并提交结果

  *   上午线下： 神经网络基础

  *   下午线下： 深度卷积神经网络理论与实践

  *   上午线下： 高级卷积神经网络设计、调参及训练技巧

  *   下午线下 代码实践（需要使用笔记本电脑）

*   第二阶段 深度学习高级应用：计算机视觉与自然语言处理/

  *   预习视频：深度学习在物体检测中的应用（上）

  *   在线实训：MS-COCO物体检测by Faster RCNN

  *   预习视频：深度学习在物体检测中的应用（中）

  *   在线实训：MS-COCO物体检测by YOLO-V3

  *   预习视频：深度学习在物体检测中的应用（下）

  *   在线实训：行人检测by CSP

  *   预习视频：文本预处理，词袋模型，word2vec，语言模型

  *   在线实训：基于维基百科语料库自己动手训练word2vec模型

  *   上午线下：Two-Stage物体检测

  *   下午线下：One-Stage物体检测与Anchor Free方法

  *   上午线下：词向量、循环神经网络以及序列到序列模型

  *   下午线下：Self-Attention和Transformer架构

*   第三阶段 深度学习实用和前沿技术/

  *   预习视频：神经网络压缩技术：工业界业务上线/部署的大杀器！

  *   在线实训：基于tensorflow/keras实现知识蒸馏模型

  *   上午线下：工业界部署大杀器-轻量级神经网络与深度模型压缩技术

  *   下午线下：深度网络模型压缩实践与对抗攻击技术

  *   上午线下：Transformer在计算机视觉和多模态技术中的应用

  *   下午线下：深度学习技术新趋势：自监督学习技术原理和应用

*   第四阶段 智慧城市/智慧安防领域核心技术：行人重识别项目全流程实践/

  *   上午线下：ReID的简介与建模

  *   下午线下：视觉排序与多任务训练

  *   上午线下：深度排序进阶与训练实践技巧

  *   下午线下：综合实战技巧与项目总结