深度学习，我们不做“调参工”

2012年以来，深度学习已经被广泛应用在计算机视觉领域，在安防、智能零售、医疗、机器人等行业得到了实际落地应用，诞生了商汤科技、旷视科技、云从科技、依图科技、格灵深瞳等众多知名企业。

图1  计算机视觉的典型应用

计算机视觉研究内容主要分为2D视觉和3D视觉。

2D视觉的研究内容包括：目标识别、目标跟踪、视频内容理解等，具体应用如上图的安防、刷脸认证、商品识别、医疗影响分析；

3D视觉的研究内容包括：三维感知、姿态估计、三维重建、三维理解等，具体应用如上图3D分拣、AR、高精地图、定位。

2D计算机视觉几乎被深度学习统治，3D计算机视觉虽仍以基于几何的方法为主，但与深度学习结合已成为热点。因此，从事计算机视觉的研究或者工作，必须具备扎实的深度学习理论基础，以及实践经验。

图2  AI领域的薪资分布

但现实社会中，急剧增长的市场需求、丰厚的薪资，驱使数以十万计的研究者急于转行。他们迫切希望能在数月内掌握深度学习知识，达到就业的水平，因此他们在深度学习理论似懂非懂的情况下，直接动手实践，开启了“调参数”的漫漫人生路。

直至2017年下半年，人工智能逐渐趋于理性，国内整体经济形式下行，重度依赖资本的AI科技企业哀鸿遍野。各大企业纷纷调整招聘策略，招募更多基础扎实、理论知识丰富的算法工程师。因此，实践能力“丰富”、理论知识不足的我们会面临秋招的激烈竞争，因为不同的实际项目，需要举一反三的灵活变通，而不是只会“调参”，这就需要扎实的理论基础作为后盾。

图3  中国人工智能市场规模

近期，专注于人工智能在线教育的深蓝学院联合中科院自动化所博士毕业生团队推出『深度学习：从理论到实践』第四期在线直播课程。

【课程收获】

1. 打牢神经网络的基础，逐行代码实践BP算法；

2. 汲取深度神经网络的思想精髓，便于举一反三；

3. 熟悉主流的Pytorch框架，简单易上手；

4. 掌握常见计算机视觉问题的分析思路；

5. 获得深度网络参数的调试策略和技巧；

6. 与企业一线 AI 算法工程师直接沟通的平台。

【讲师介绍】

宫博，算法工程师，中科学院自动化所博士，在计算机视觉与人工智能领域具有近六年的研究经历。攻读博士学位期间主要研究方向是模式识别与图像处理，曾在模式识别领域内顶级国际期刊发表论文，参加某知名互联网公司举办的图像分割竞赛，获得第四名的成绩。目前主要负责计算机视觉与人工智能方面的算法研发工作。

【课程目录】

第一章：图像处理基础

预-1. 图像处理基础知识
      1.1 概述：起源、简史和应用
      1.2 基础：基本概念、像素间的关系

预-2. BP算法数学基础及实践
      2.1 BP算法数学基础
      2.2 BP算法原理

      2.3 BP算法在预测问题中的实践

第二章：深度学习理论

1. 前馈神经网络
      1.1 概述
      1.2 单层神经网络
      1.3 多层神经网络
  2. 卷积神经网络
      2.1 基本概念
      2.2 发展历程
      2.3 网络特点
      2.4 网络设置
      2.5 网络训练以及相关应用

第三章：Pytorch框架
  3. Pytorch框架介绍
      3.1 Pytorch简介及安装
      3.2 Pytorch重要组件
           3.2.1 Tensor
           3.2.2 Variable
           3.2.3 autograd
      3.3 Pytorch搭建网络
           3.3.1 数据层
           3.3.2 网络结构
           3.3.3 损失层
           3.3.4 网络优化
      3.4 Pytorch的高级使用：添加新的层

第四章：基于深度网络的目标识别实践
  4. 深度学习实践：目标识别
      4.1 背景以及传统方法介绍
      4.2 CNN进行目标识别
      4.3 Faster RCNN详解
           4.3.1 目标提取模块
           4.3.2 目标识别模块
      4.4 Faster RCNN Pytorch代码详解
           4.4.1 安装
           4.4.2 使用（着重分析目标提取和识别模块的实现）

【报名咨询】

1. 11月4日-25日，每周周六、周日晚上7-9点直播授课；

2. 直播后一年内可以无限次回放；

3. 前100位，可领取100元优惠券，优惠后为299元；

4. 微信添加课程助教—书哲（shenlanflying），领券报名。