先说清楚：这门深度学习课值不值得你花时间

很多做运营、产品或传统 IT 的人，想学深度学习，往往是被各种复杂的数学公式和底层框架劝退的。这门课解决的核心问题，就是帮你跨过这道门槛。它没有把精力耗费在枯燥的底层算法推导上，而是直接教你用 Python 结合 Keras 和 TensorFlow 去解决具体的业务场景。如果你平时工作中需要处理图像识别、分类任务，或者想搞懂深度学习模型到底是怎么在代码层面跑起来的，这门课能给你一个务实的切入点。它不负责把你变成算法科学家，但能让你在面对业务里的数据问题时，知道该选什么模型、怎么把数据喂进去、怎么跑出结果。

适合什么基础，以及资料怎么配合练习

这套资料适合已经掌握 Python 基础语法、能看懂 Pandas 和 NumPy 基本操作的人。如果你连 Python 的循环和函数都写不顺，建议先去补基础编程，否则会在配置环境和理解张量概念时卡壳。拿到资料后，建议先看深度学习概述和软件环境准备这两块。尤其是环境配置部分，务必跟着视频在本地把 Anaconda、Keras 和 TensorFlow 跑通。深度学习最怕眼高手低，只看代码觉得懂了，自己一敲就报错。你要把课程提供的数据集和代码文档下载下来，在 Jupyter Notebook 里逐行运行，尝试修改参数，观察模型训练时的准确率变化。遇到没有高性能显卡的情况，资料里也提到了替代方案，跟着操作即可，不要在硬件配置上过度纠结。

学完能独立做什么

按部就班练完这套资料，你能独立完成基础的图像数据预处理和简单的模型搭建。比如，把日常的图片文件转换成模型能读取的张量格式，针对图像分类任务，自己写出基于 CNN 的网络结构，并能读懂训练过程中的指标曲线。当业务方扔给你一堆图像数据让你做个简单的识别或分类时，你不会毫无头绪，而是能快速搭出一个跑得通的基线模型。对于想转行做数据分析或初级算法岗的人来说，这至少能让你在面试时面对具体的代码题和场景题，有实际动手的经验，而不是只背了几个干瘪的名词概念。


介绍CNN、RNN、LSTM等深度学习算法，及其在Keras+Tensorflow环境的实现。

课程目录

*   01 深度学习概述/

  *   01 深度学习？深在哪里？！

  *   02 课程内容介绍

  *   03 如何选择各类深度学习模型

  *   04 图像的数据表示

  *   05 图像与数据的互相转换

  *   06 MNIST数据集介绍

  *   07 CIFAR-10数据集介绍

  *   08 什么是张量？

  *   09 本课程代码课件及数据下载

  *   10 本课程案例数据及文档下载

*   02 准备软件环境/

  *   01 Python常用IDE简介

  *   02 Anaconda的安装与配置

  *   03 Jupyter Notebook的基本操作

  *   04 Keras+TensorFlow组合的优势

  *   05 安装Keras+TensorFlow组合

  *   06 该选择Tensorflow 1还是2？

  *   07 穷人的GPU：PlaidML【2021.4新增】

  *   08 如何用笔记本显卡做GPU计算

*   03 神经网络模型入门/

  *   01 神经网络的基本原理

  *   02 神经网络原理的具体演示

  *   03 神经网络的算法实质

  *   04 神经网络的连接函数

  *   05 损失函数与凸函数

  *   06 控制模型复杂度：正则化

  *   07 损失函数的求解：梯度下降法

  *   08 损失函数的求解：自适应算法

*   04 Keras操作入门/

  *   01 Keras的基本操作步骤

  *   02 Keras操作的常用命令

  *   03 IRIS分析实例

  *   04 模型的可视化

  *   05 模型的终止训练、保存与载入

  *   06 模型的修改

  *   07 将Keras与sklearn结合使用

  *   08 用Keras拟合MNIST案例

*   05 卷积神经网络/

  *   01 什么是卷积？

  *   02 CNN的基本原理

  *   03 CNN网络的结构

  *   04 Keras中和CNN有关的层设定

  *   05 MNIST实例的CNN实现

  *   06 对CIFAR10案例拟合简单CNN模型

  *   07 对CIFAR10案例拟合复杂CNN模型

*   06 图像预处理/

  *   01 缺少源数据对建模的影响

  *   02 定义所需的图像变换方法

  *   03 直接生成变换后的图像数据

  *   04 流式数据处理

  *   05 图像的缩放操作

*   07 迁移学习/

  *   01 为什么需要迁移学习？

  *   02 LeNet和AlexNet

  *   03 VGG

  *   04 ResNet

  *   05 GoogleNet

  *   06 Xception、DenseNet和NasNet

  *   07 Keras提供的预训练模型

  *   08 直接应用原模型预测

  *   09 利用原模型对数据做预处理

  *   10 Keras的函数式API

  *   11 在原模型的基础上继续训练

*   08 循环神经网络/

  *   01 RNN的基本原理

  *   02 RNN的模型分类

  *   03 RNN相关的网络层定义

  *   04 用RNN拟合MNIST案例

  *   05 用RNN拟合IMDB案例

*   09 长短期记忆网络/

  *   01 LSTM的基本原理

  *   02 用LSTM拟合IMDB案例

  *   03 自动写作案例：数据准备

  *   04 自动写作案例：模型拟合

  *   05 GRU的基本原理

  *   06 用GRU拟合IMDB案例

*   10 结课测试/

  *   01 Python 3 数据分析与挖掘系列课程结业测试