从感知机到深度网络：补上架构理解的最后拼图

在机器学习的基础学习路径中，许多人能熟练调用 `sklearn` 完成分类回归任务，却对“为什么需要深度学习”缺乏直观认知。本课程专门解决这一能力断层：它将机器学习重新定位为特征工程的辅助手段，而把重心转移到人工神经网络（ANN）的构建逻辑上。从最早的感知机模型讲起，逐步拆解多层网络如何模拟人脑神经元结构，内容涵盖反向传播的核心推导与激活函数的选择策略。这意味着你不必再死记硬背算法参数，而是能从数学底层理解梯度是如何在层间流动的。适合那些已经掌握 Python 基础、了解传统机器学习概念，但面对 TensorFlow 或 PyTorch 源码仍感到无从下手的读者。建议重点研读前段关于神经网络基本原理的章节，这是后续所有复杂模型应用的基石。

实战驱动：从数据预处理到模型部署

理论框架搭建完毕后，课程立即转入工程实战环节，弥补了众多理论学习者“懂原理却写不出代码”的短板。你将系统学习如何对图像、文本等多模态数据进行清洗与标准化预处理，这是工业界最耗时也最容易被忽视的环节。随后，课程深入讲解如何利用深度学习框架构建卷积神经网络（CNN）与循环神经网络（RNN/LSTM），针对图像识别和自然语言处理两大主流场景进行专项训练。学习过程中，配套的资料包提供了完整的实验数据集与阶段性测试代码，建议你按照“先复现结果，再修改架构”的顺序进行练习。切勿跳过数据验证步骤直接追求准确率，因为过拟合往往是初学者最容易忽视的系统性错误。

学完能独立做什么：胜任 AI 应用开发岗

完成本阶段学习后，你应该能够独立从零搭建一个深度学习项目。具体而言，你能根据业务需求选择合适的网络拓扑结构，手动实现或调用高层 API 完成模型的训练、调优与评估，并具备将模型导出并在生产环境中进行推理部署的能力。这不仅仅是为了应付面试，更是为了在实际工作中解决诸如图像分类不准、序列预测漂移等具体问题。课程资料中的课后练习直接对应真实业务场景，建议你利用这些练习进行限时模拟训练，确保在脱离教程提示的情况下，也能独立完成从数据导入到最终模型保存的全流程。

课程介绍

咕泡-人工智能深度学习系统班第六期，。人工智能深度学习系统班第六期，深度学习是机器学习的一个子领域，它是处理受人脑结构和功能或许多神经元互连启发的算法。这些算法被称为模拟大脑生物结构的人工神经网络 (ANN)。

课程目录

├── 01 直播课回放/@更多IT资源www.
│ ├── 01 开班典礼/
│ ├── 02 Pycharm环境配置与Debug演示(没用过的同学必看)/
│ ├── 03 直播1：深度学习核心算法-神经网络与卷积网络/
│ ├── 04 直播2：卷积神经网络/
│ ├── 05 直播3：Transformer架构/
│ ├── 06 直播4：Transfomer在视觉任务中的应用实例/
│ ├── 07 直播5：YOLO系列（V7）算法解读/
│ ├── 08 直播6：分割模型Maskformer系列/
│ ├── 09 补充：Mask2former源码解读/
│ ├── 10 直播7：半监督物体检测/
│ ├── 11 直播8：基于图模型的时间序列预测/
│ ├── 12 直播9：图像定位与检索/
│ ├── 13 直播10：近期内容补充/
│ ├── 14 直播11：文本生成GPT系列/
│ ├── 15 直播12：异构图神经网络/
│ ├── 16 直播13：BEV特征空间/
│ ├── 17 补充：BevFormer源码解读/
│ ├── 18 直播14：知识蒸馏/
│ └── 19 直播15：六期总结与论文简历/
├── 02 深度学习必备核心算法/
│ ├── 01 神经网络算法解读/
│ ├── 02 卷积神经网络算法解读/
│ └── 03 递归神经网络算法解读/
├── 03 深度学习核心框架PyTorch/
│ ├── 01 PyTorch框架介绍与配置安装/
│ ├── 02 使用神经网络进行分类任务/
│ ├── 03 神经网络回归任务-气温预测/
│ ├── 04 卷积网络参数解读分析/
│ ├── 05 图像识别模型与训练策略（重点）/
│ ├── 06 DataLoader自定义数据集制作/
│ ├── 07 LSTM文本分类实战/
│ └── 08 PyTorch框架Flask部署例子/
├── 04 MMLAB实战系列/
│ ├── 01 MMCV安装方法/
│ ├── 02 第一模块：分类任务基本操作/
│ ├── 03 第一模块：训练结果测试与验证/
│ ├── 04 第一模块：模型源码DEBUG演示/
│ ├── 05 第二模块：使用分割模块训练自己的数据集/
│ ├── 06 第二模块：基于Unet进行各种策略修改/
│ ├── 07 第二模块：分割任务CVPR最新Backbone设计及其应用/
│ ├── 08 第三模块：mmdet训练自己的数据任务/
│ ├── 09 第三模块：DeformableDetr物体检测源码分析/
│ ├── 10 补充：Mask2former源码解读/
│ ├── 11 第三模块：DeformableDetr算法解读/
│ ├── 12 KIE关键信息抽取与视频超分辨率重构/
│ ├── 13 第四模块：DBNET文字检测/
│ ├── 14 第四模块：ANINET文字识别/
│ ├── 15 第四模块：KIE基于图模型的关键信息抽取/
│ ├── 16 第五模块：stylegan2源码解读/
│ ├── 17 第六模块：BasicVSR++视频超分辨重构源码解读/
│ ├── 18 第七模块：多模态3D目标检测算法源码解读/
│ ├── 19 第八模块：模型蒸馏应用实例/
│ ├── 20 第八模块：模型剪枝方法概述分析/
│ ├── 21 第九模块：mmaction行为识别/
│ ├── 22 OCR算法解读/
│ └── 23 额外补充-在源码中加入各种注意力机制方法/
├── 05 Opencv图像处理框架实战/
│ ├── 01 课程简介与环境配置/
│ ├── 02 图像基本操作/
│ ├── 03 阈值与平滑处理/
│ ├── 04 图像形态学操作/
│ ├── 05 图像梯度计算/
│ ├── 06 边缘检测/
│ ├── 07 图像金字塔与轮廓检测/
│ ├── 08 直方图与傅里叶变换/
│ ├── 09 项目实战-信用卡数字识别/
│ ├── 10 项目实战-文档扫描OCR识别/
│ ├── 11 图像特征-harris/
│ ├── 12 图像特征-sift/
│ ├── 13 案例实战-全景图像拼接/
│ ├── 14 项目实战-停车场车位识别/
│ ├── 15 项目实战-答题卡识别判卷/
│ ├── 16 背景建模/
│ ├── 17 光流估计/
│ ├── 18 Opencv的DNN模块/
│ ├── 19 项目实战-目标追踪/
│ ├── 20 卷积原理与操作/
│ └── 21 项目实战-疲劳检测/
├── 06 综合项目-物体检测经典算法实战/
│ ├── 01 深度学习经典检测方法概述/
│ ├── 02 YOLO-V1整体思想与网络架构/
│ ├── 03 YOLO-V2改进细节详解/
│ ├── 04 YOLO-V3核心网络模型/
│ ├── 05 项目实战-基于V3版本进行源码解读（建议直接跑V5版本）/
│ ├── 06 基于YOLO-V3训练自己的数据集与任务（建议直接跑V5版本）/
│ ├── 07 YOLO-V4版本算法解读/
│ ├── 08 V5版本项目配置/
│ ├── 09 V5项目工程源码解读/
│ ├── 10 V7源码解读/
│ ├── 11 EfficientNet网络/
│ ├── 12 EfficientDet检测算法/
│ ├── 13 基于Transformer的detr目标检测算法/
│ └── 14 detr目标检测源码解读/
├── 07 图像分割实战/
│ ├── 01 图像分割及其损失函数概述/
│ ├── 02 卷积神经网络原理与参数解读/
│ ├── 03 Unet系列算法讲解/
│ ├── 04 unet医学细胞分割实战/
│ ├── 05 U2NET显著性检测实战/
│ ├── 06 deeplab系列算法/
│ ├── 07 基于deeplabV3+版本进行VOC分割实战/
│ ├── 08 医学心脏视频数据集分割建模实战/
│ ├── 09 物体检测框架-MaskRcnn项目介绍与配置/
│ ├── 10 MaskRcnn网络框架源码详解/
│ └── 11 基于MASK-RCNN框架训练自己的数据与任务/
├── 08 行为识别实战/
│ ├── 01 slowfast算法知识点通俗解读/
│ ├── 02 slowfast项目环境配置与配置文件/
│ ├── 03 slowfast源码详细解读/
│ ├── 04 基于3D卷积的视频分析与动作识别/
│ ├── 05 视频异常检测算法与元学习/
│ ├── 06 视频异常检测CVPR2021论文及其源码解读/
│ └── 07 基础补充-Resnet模型及其应用实例/
├── 09 2022论文必备-Transformer实战系列/
│ ├── 01 课程介绍/
│ ├── 02 自然语言处理通用框架BERT原理解读/
│ ├── 03 Transformer在视觉中的应用VIT算法/
│ ├── 04 VIT算法模型源码解读/
│ ├── 05 swintransformer算法原理解析/
│ ├── 06 swintransformer源码解读/
│ ├── 07 基于Transformer的detr目标检测算法/
│ ├── 08 detr目标检测源码解读/
│ ├── 09 MedicalTrasnformer论文解读/
│ ├── 10 MedicalTransformer源码解读/
│ ├── 11 商汤LoFTR算法解读/
│ ├── 12 局部特征关键点匹配实战/
│ ├── 13 项目补充-谷歌开源项目BERT源码解读与应用实例/
│ └── 14 项目补充-基于BERT的中文情感分析实战/
├── 10 图神经网络实战/
│ ├── 01 图神经网络基础/
│ ├── 02 图卷积GCN模型/
│ ├── 03 图模型必备神器PyTorch Geometric安装与使用/
│ ├── 04 使用PyTorch Geometric构建自己的图数据集/
│ ├── 05 图注意力机制与序列图模型/
│ ├── 06 图相似度论文解读/
│ ├── 07 图相似度计算实战/
│ ├── 08 基于图模型的轨迹估计/
│ └── 09 图模型轨迹估计实战/
├── 11 3D点云实战/
│ ├── 01 3D点云实战 3D点云应用领域分析/
│ ├── 02 3D点云PointNet算法/
│ ├── 03 PointNet++算法解读/
│ ├── 04 Pointnet++项目实战/
│ ├── 05 点云补全PF-Net论文解读/
│ ├── 06 点云补全实战解读/
│ ├── 07 点云配准及其案例实战/
│ └── 08 基础补充-对抗生成网络架构原理与实战解析/
├── 12 目标追踪与姿态估计实战/
│ ├── 01 课程介绍/
│ ├── 02 姿态估计OpenPose系列算法解读/
│ ├── 03 OpenPose算法源码分析/
│ ├── 04 deepsort算法知识点解读/
│ ├── 05 deepsort源码解读/
│ ├── 06 YOLO-V4版本算法解读/
│ ├── 07 V5版本项目配置/
│ └── 08 V5项目工程源码解读/
├── 13 面向深度学习的无人驾驶实战/
│ ├── 01 深度估计算法原理解读/
│ ├── 02 深度估计项目实战/
│ ├── 03 车道线检测算法与论文解读/
│ ├── 04 基于深度学习的车道线检测项目实战/
│ ├── 05 商汤LoFTR算法解读/
│ ├── 06 局部特征关键点匹配实战/
│ ├── 07 三维重建应用与坐标系基础/
│ ├── 08 NeuralRecon算法解读/
│ ├── 09 NeuralRecon项目环境配置/
│ ├── 10 NeuralRecon项目源码解读/
│ ├── 11 TSDF算法与应用/
│ ├── 12 TSDF实战案例/
│ ├── 13 轨迹估计算法与论文解读/
│ ├── 14 轨迹估计预测实战/
│ └── 15 特斯拉无人驾驶解读/
├── 14 对比学习与多模态任务实战/
│ ├── 01 对比学习算法与实例/
│ ├── 02 CLIP系列/
│ ├── 03 多模态3D目标检测算法源码解读/
│ ├── 04 多模态文字识别/
│ └── 05 ANINET源码解读/
├── 15 缺陷检测实战/
│ ├── 01 课程介绍/
│ ├── 02 物体检框架YOLO-V4版本算法解读/
│ ├── 03 物体检测框架YOLOV5版本项目配置/
│ ├── 04 物体检测框架YOLOV5项目工程源码解读/
│ ├── 05 基于YOLOV5的钢材缺陷检测实战/
│ ├── 06 Semi-supervised布料缺陷检测实战/
│ ├── 07 Opencv图像常用处理方法实例/
│ ├── 08 Opencv梯度计算与边缘检测实例/
│ ├── 09 Opencv轮廓检测与直方图/
│ ├── 10 基于Opencv缺陷检测项目实战/
│ ├── 11 基于视频流水线的Opencv缺陷检测项目/
│ ├── 12 图像分割deeplab系列算法/
│ ├── 13 基于deeplabV3+版本进行VOC分割实战/
│ └── 14 Deeplab铁质材料缺陷检测与开源项目应用流程/
├── 16 行人重识别实战/
│ ├── 01 行人重识别原理及其应用/
│ ├── 02 基于注意力机制的Reld模型论文解读/
│ ├── 03 基于Attention的行人重识别项目实战/
│ ├── 04 AAAI2020顶会算法精讲/
│ ├── 05 项目实战-基于行人局部特征融合的再识别实战/
… 其余 130 项略，目录共 330 项