本项目具体围绕以下几个方面展开，深度学习原理：CNN，RNN等网络，Tensorflow课程，深度学习框架：Caffe课程，深度学习实战演练：人脸识别，深度学习：自然语言处理Word2Vec，深度学习演练：文本分类，具有很强的实践性与实操性。
深度学习课程辅导培训
课程大纲:
一.深度学习Deep Learning基础和基本思想
1.人工智能概述、计算智能、类脑智能
3.机器学习概述、记忆学习、归纳学习、统计学习
4.深度学习的前生今世、发展趋势
5.人工神经网络、前馈神经网络、BP算法、Hessian矩阵、结构性特征表示
二．深度学习Deep Learning基本框架结构
1.Caffe
2.Tensorflow
3.3.Torch
4.MXNe
三．深度学习Deep Learning-卷积神经网络
1.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、*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）
3.深度学习的模型训练技巧
4.梯度下降的优化方法详解
四．深度学习Deep Learning-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
LSTMGRUBi-RNNAttention based RNN
3.RNN实际应用Seq2Seq的原理与实现
五．强化学习
1.强化学习的理论知识
2.经典模型DQN讲解
3.AlphaGo原理讲解
4.RL实际应用；实现一个phaGo
六．对抗性生成网络
1.GAN的理论知识
2.GAN经典模型CGAN.LAPGAN.DCGAN
3.GAN经典模型INFOGAN.WGAN.S2-GAN
4.GAN实际应用DCGAN提高模糊图片分辨率
5.GAN实际应用InfoGAN做特定的样本生成
七．迁移学习
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
八．CNN应用案例
1.CNN与手写数字集分类
2.YOLO实现目标检测
3.PixelNet原理与实现
4.利用卷积神经网络做图像风格结合
九．总结
