资源介绍：

主要分为深度学习系统与前沿、深度学习理论、循环神经网络、卷积神经网络四大部分，算法工程师尤其是深度学习方向的是学习的东西是非常难且需要经过系统的学习，这样你才能够掌握这些技术的要领

课程目录

• 第01章 课程引导
• 第1节： 开场白
• 第2节1-1： 课程安排I
• 第2节2-2： 课程安排II
• 第3节1-1： 绪论II (1)
• 第3节2-2： 绪论II (2)
• 第02章 神经网络深⼊
• 第10节 【实战】正则化方法
• 第11节： 模型性能评价
• 第12节： 【实战】模型性能评价指标
• 第13节： 深度学习能力边界
• 第1节： 从优化问题讲起I
• 第2节： 【实战】拟合问题
• 第3节 从优化问题讲起 II
• 第4节： 实战：优化方法比较从优化问题讲起 II
• 第5节： 深度神经网络
• 第6节： 【实战】使用神经网络建模MNIST数据
• 第7节： 【实战】激活函数与优化方法
• 第8节： 正则化方法 I
• 第9节： 正则化方法 II
• 作业.txt
• 第03章 图像分类与目标检测
• 第三章第10节： 【实战】表征学习
• 第三章第11节： 第二章习题讲解
• 第三章第12节： 彩蛋
• 第三章第1节： 卷积的基本概念I
• 第三章第1节： 卷积的基本概念II
• 第三章第1节： 卷积的基本概念III
• 第三章第2节： 2.4 实战：异构深度学习环境搭建
• 第三章第3节： 2.5 实战：卷积层的实现
• 第三章第4节： 2.6 典型卷积神经网络
• 第三章第5节： 2.7 实战：简单的卷积神经网络
• 第三章第6节： AlexNet模型
• 第三章第6节： LeNet模型
• 第三章第6节： ResNet模型
• 第三章第6节： VGGNet模型
• 第三章第7节： 【实战】ResNet
• 第三章第8节： 目标检测
• 第三章第9节： 【实战】Faster R-CNN
• 第三章作业.txt
• 第04章 图像分割
• 第四章第10节： 模型训练流程
• 第四章第11节： 第三章习题讲解
• 第四章第12节： 彩蛋
• 第四章第1节： 图像分割基础
• 第四章第2节： 【实战】Deconvolution与空洞卷积
• 第四章第3节： 图像分割模型
• 第四章第4节： 【实战】U-Net
• 第四章第5节： 【实战】DeepLab v3
• 第四章第6节： 模型可视化
• 第四章第7节： 【实战】特征图像可视化
• 第四章第8节： 病理影像分割初探
• 第四章第9节： 自监督学习
• 第四章作业.txt
• 第06章 分布式深度学习系统
• 第六章第1节： 分布式系统
• 第六章第2节： 分布式深度学习系统
• 第六章第3节： 【实战】数据并行模型训练
• 第六章第4节： 微服务架构
• 第六章第5节： 【实战】使用Kafka搭建MQ
• 第六章第6节： 分布式推理系统
• 第六章第7节： TensorFlow Serving in Docker
• 第六章第8节： 第五章习题讲解
• 第六章第9节： 直击面试II
• 第07章 深度学习前严
• 第七章第10节： 第六章习题讲解
• 第七章第11节： 直击面试III
• 第七章第1节： 深度增强学习
• 第七章第2节： 【实战】Flappy Bird
• 第七章第3节： AlphaGo
• 第七章第4节： 生成对抗网络
• 第七章第5节： 【实战】SimpleGAN
• 第七章第6节： 【实战】ConditionalGAN
• 第七章第7节： 【实战】CycleGAN
• 第七章第8节： 未来在哪里
• 第七章第9节： 彩蛋
• 第08章 专题讲座
• 第八章第1节： 【Lecture 1】DenseNet_
• 第八章第1节： 【Lecture 2】Inception
• 第八章第1节： 【Lecture 3】Xception
• 第八章第1节： 【Lecture 4】ResNeXt
• 第八章第1节： 【Lecture 5】Transformer和它的朋友们
• 第八章第1节： 【Lecture 6】深度学习产品化
• 第八章第1节： 【Lecture 7】果壳中的量子计算
• 第八章第1节： 【Lecture 8】人工智能产业
• 第09章 应用于大规模数据集的图像分类模型
• 第九章第10节： 模型测试代码
• 第九章第11节： 模型训练与过程分析
• 第九章第12节： 模型批量测试与性能指标
• 第九章第13节： ResNet家族模型的表现
• 第九章第14节： 常见模型的表现
• 第九章第1节： 核心实战概述
• 第九章第2节： ImageNet介绍
• 第九章第3节： 数据探索与预处理
• 第九章第4节： 数据队列
• 第九章第5节： 通用数据队列(1)
• 第九章第5节： 通用数据队列
• 第九章第6节： 建立模型结构
• 第九章第7节： MNIST数据集训练
• 第九章第8节： ImageNet Tiny数据集训练
• 第九章第9节： 猫狗大战数据集介绍与预处理
• 作业.txt
• 第10章 建立病理影像的病变区域分割模型
• 第一十章第10节： DeepLabv3Plus模型训练与测试
• 第一十章第11节： 论文串烧：BMJ Open
• 第一十章第12节： 论文串烧P2
• 第一十章第13节： 论文串烧：Nature Communications
• 第一十章第14节： 论文串烧：ICCV
• 第一十章第15节： 论文串烧：ECML
• 第一十章第16节： 论文串烧：Nature Medicine
• 第一十章第17节： 第九章习题讲解
• 第一十章第1节： 数字病理切片介绍
• 第一十章第2节： 数字病理切片预处理
• 第一十章第3节： 样本均衡性处理
• 第一十章第4节： 经典数据队列
• 第一十章第5节： 建立训练模型
• 第一十章第6节： 实现测试逻辑
• 第一十章第7节： 预测结果后处理
• 第一十章第8节： 20x模型训练与测试
• 第一十章第9节： 40x模型训练与测试
• 第11章 分布式深度学习推理系统
• 第一十一章第10节： 运行Celery任务
• 第一十一章第11节： 模型导出与运行
• 第一十一章第12节： 系统整体运行
• 第一十一章第13节： 构建Docker镜像的原始方法
• 第一十一章第14节： 使用Dockerfile构建镜像
• 第一十一章第15节： 增加病理影像预测Task
• 第一十一章第16节： 分布式系统研究结果
• 第一十一章第17节： TensorFlow Serving的内部机制
• 第一十一章第1节： 系统架构设计
• 第一十一章第2节： 代码结构与调度器配置
• 第一十一章第3节： 调度器核心逻辑
• 第一十一章第4节： 自定义Logging机制
• 第一十一章第5节： 工作节点基础代码
• 第一十一章第6节： 工作节点任务处理
• 第一十一章第7节： 工作节点核心逻辑
• 第一十一章第8节： 日志模块编写
• 第一十一章第9节： 代码调试环境搭建
• 第12章 课程总结
• 第一十二章第1节： 课程总结III：循环神经网络
• 第一十二章第1节： 课程总结II：卷积神经网络
• 第一十二章第1节： 课程总结IV：深度学习系统与前沿
• 第一十二章第1节： 课程总结I：深度学习理论