模块一：深度学习理论与实战 | |
一、人工智能、机器学习、深度学习的历史和基本思想 | [size=10.5000pt]1，人工智能概述、机器学习概述及基本思想 2，深度学习的前生今世、发展趋势 3，深度学习的主要模型及应用场景 |
二、生成性对抗网络GAN | 1. GAN的理论知识 2. GAN经典模型： CGAN LAPGAN DCGAN 3，GAN实际应用： DCGAN提高模糊图片分辨率 |
三、卷积神经网络 | [size=10.5000pt]1[size=10.5000pt]，CNN卷积神经网络： 卷积层（一维卷积、二维卷积） 池化层（均值池化、最大池化） 全连接层 激活函数层 Softmax层 2，CNN卷积神经网络改进： R-CNN （SPPNET） Fast-R-CNN Faster-R-CNN （YOLO、SSD） CNN应用案例： CNN与手写数字集分类 YOLO实现目标检测 PixelNet原理与实现 利用卷积神经网络做图像风格结合 |
四、循环神经网络 | 1. RNN循环神经网络： 梯度计算 BPTT 2. RNN循环神经网络改进： LSTM Bi-RNN 3，RNN实际应用： Seq2Seq的原理与实现 |
五、强化学习 | 1. 强化学习的原理； 2. RL实际应用； |
六、迁移学习 | [size=10.5000pt]1，迁移学习的理论概述； 2，迁移学习的常见方法： 特征、实例、数据、深度迁移、强化迁移、研究案例； |
模块二：AI+HPC、GPU高性能及深度学习 | |
一、 GPU通用计算 | [size=10.5000pt]1、高性能计算的应用场景和实际意义； 2、CPU/GPU体系结构对比介绍： 流水线、多核、缓存、访存、通信模型、分支预测等； 3、HPC场景：GPU加速高性能计算； 4、AI场景：GPU加速深度学习； 5、AI+HPC场景： 深度学习应用耗时分析 矩阵乘和卷积 对应的GPU解决方案； |
二、 GPU高性能计算 | [size=10.5000pt]1、搭建高性能计算平台，CUDA开发环境搭建和工具配置[size=10.5000pt]； 2、CUDA基础： API、数据并行、线程模型、存储模型、控制、同步、并发和通信、加速比； 3、CUDA优化进阶： 线程组织调度，访存优化，数据传输，原子操作； 4、GPU并行计算模式及案例分析； 5、CUDA 9新特性； |
GPU高性能上机实操： 1、向量加； 2、深度学习瓶颈函数的GPU实现：矩阵乘，卷积； | |
三、 GPU深度学习 | [size=10.5000pt]1、搭建深度学习平台，深度学习显卡选型； 2、Pascal架构和Volta架构； 3、深度学习GPU解决方案： 3.1基于GPU的交互式深度学习训练平台：DIGITS； 3.2深度学习框架的GPU加速：TensorFlow，Caffe等； 3.3 NVIDIA深度学习SDK：cuDNN，TensorRT，NCCL； |
| 欢迎光临 机器人与人工智能爱好者论坛 (http://robot-ai.org/) | Powered by Discuz! X3.2 |