1. 理论部分
1.1 全连接神经网络(FC / BP)
吴恩达课程第一章:神经网络和深度学习
1.2 深度学习网络优化技巧
吴恩达课程第二章:改善深层神经网络:超参数调试、正则化以及优化
1.3 卷积神经网络(CNN)
吴恩达课程第四章:卷积神经网络第一章和第二章
掌握内容:
- 卷积层:卷积核尺寸、卷积核数目、卷积步长、padding填充
- 池化层:最大池化、平均池化、全局平均池化
- 非线性层:sigmoid、ReLU、softmax、tanh
1.4 常用分类网络简介
LeNet5 --> AlexNet --> VGGNet --> ResNet --> InceptionNet --> DenseNet --> SENet
以上就是常用图像分类网络,下面列出了其相关博客链接,可以在博客的基础上广泛查阅理解,不求一次通透,把握其整体思路,从代码实践中去仔细理解。
1.5 [常用语义分割网络简介
FCN --> UNet --> SegNet --> DeepLab系列 --> PSPNet
主要先依据以上链接详细了解以上几个经典网络,宏观把控,代码实战,不懂再查。
2. 实践部分
2.1 python基础
- 掌握list、dict、set等数据结构;
- 掌握函数、类;
- 掌握文件读取和写入操作:图片、txt、csv等;
- 掌握常用画图操作:matplotlib显示图像、散点图、折线图等;
- 其余内容用时再学,不要学而待其废;
2.1 深度学习框架选择
由简到难:keras --> pytorch --> tensorflow
要求:
- 能阅读和编写keras深度学习程序;
- 能阅读和理解pytorch和tensorflow代码;
2.2 环境配置(组里服务器环境搭建良好)
- python环境:Anaconda
- 深度学习框架:tensorflow/keras/pytorch
- 显卡加速:CUDA & cudnn
具体的看我的**CSDN博客**
2.3 分类代码实战
2.3.1 代码
这部分的模型搭建和网络训练的代码我放倒了我的github上,model文件夹放的是常用的网络模型的搭建代码,train.py里面是从调用模型,数据读取,网络训练整个流程的代码。