1、培訓過程中，如有部分內容理解不透或消化不好，可免費在以后培訓班中重聽；
        2、培訓結束后,授課老師留給學員聯系方式,保障培訓效果,免費提供課后技術支持。
        3、培訓合格學員可享受免費推薦就業機會。

從軟件安裝開始，結合案例學會Tensorflow的基本應用，包括： 1、通過理論和編程理解單通道和多通道的卷積操作； 2、基于自己的原圖自作tfrecords數據集，及結合opencv制作增廣的白化處理數據集； 3、兩個案例分析，其中涉及模型構建分析、訓練、模型保存、模型加載進行預測。
適用人群
想從事深度學習相關工作的人，想將深度學習技術引入自己的項目。
課程簡介
本課程主要以深度學習技術應用于項目目的出發，前兩部分從深度學習相關開發工具Anacond、Tensorflow、Python-OpenCV2的安裝開始，一步一步仔細講解、分析、編程實現：卷積神經網絡CNN中的各種技術細節，讓大家更好的理解卷積層、池化層、激活層等運算實現方式，快速上手構建、編寫自己的卷積神經網絡。
后兩部分詳細講解2個項目：Gesture、Cifar-10,從零開始，涉及通過樣本的原圖構建自己的訓練數據集、構建自己的CNN模型、分析模型、訓練模型、保存模型，加載模型進行預測，一些列完整的例程操作實現。期間還涉及圖像的樣本制作方法，如樣本的白化處理和增廣技術。

具體：

1、深度學習簡介

2、CNN的相關運算

從理論到程序：單通道數據和多通道數據的卷積（convolution）、池化（pooling）、激活層（relu）等原理分析及程序實現。

3、Gesture案列分析,包括

1) Gesture tfrecords原圖數據集（數據類型uint8）制作;

2）tfrecords數據集解碼，構建訓練的Batch;

3）CNN 模型分析及構建、模型訓練、模型保存的實現;

3）模型加載預測樣本。

4、Cifar-10案例分,包括

1）三通道原圖數據白化處理;

2) 基于白化處理后的浮點數據制作tfrecords數據集;

2）浮點型tfrecords的數據集解碼

3）模型分析構建、訓練保存;

3）已有模型再訓練;

4）模型加載預測。
第1章深度學習課程簡介
1-1深度學習課程內容
1-2深度學習課程結構
1-3tensorflow相關軟件安裝
1-4Python-Opencv2簡單示例
第2章CNN相關運算方式
2-1基于單通道、多通道輸入的卷積、池化、激活層運算分析
2-2Tensorflow相關函數講解
2-3了解TensorFlow的卷積結構
2-4relu sigmoid tanh函數實現
2-5dogs三通道圖片的卷積、激活、池化實現
第3章Gesture 案例分析
3-1生成單通道Gesture樣本數據集（tfrecords）
3-2加載Gesture訓練集(tfrecords)
3-3構建Gesture CNN模型
3-4訓練、保存Gesture CNN模型
3-5加載Gesture CNN 模型進行預測
第4章Cifar-10 案例分析
4-1Cifar10訓練樣本部分抽取
4-2生成三通道Cifar10浮點類型數據集(tfrecords)
4-3構建、訓練、保存Cifar10 CNN模型
4-4增加樣本量已有模型進行2次訓練
4-5加載cifar10 模型進行預測