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。

第1章課程介紹
1-1本課程介紹
第2章神經網絡理論
2-1神經元、多層感知器和人工智能
2-2理論分析：梯度下降算法
2-3理論分析：反向傳播算法
第3章用Python探索多層感知器
3-1思路分析：如何利用Python實現多層感知器？
3-2Anaconda環境搭建、數據準備
3-3代碼實踐：MLP的前向傳播
3-4代碼實踐：MLP的反向傳播
3-5代碼實踐：梯度檢驗
3-6代碼實踐：探索各種激活函數
3-7代碼實踐：探索各種權重初始化
3-8代碼實踐：探索各種優化算法
3-9理論分析：BatchNormalization
3-10代碼實踐：BatchNormalization
第4章CNN理論
4-1理論分析：CNN的前向傳播
4-2理論分析：CNN的反向傳播
第5章親自動手寫一個深度學習框架
5-1深度學習框架Caffe基礎入門
5-2思路分析：如何設計自己的框架？
5-3環境準備：Json、Armadillo、protobuf
5-4代碼實踐：利用json定義網絡結構
5-5代碼實踐：設計內部數據結構——Blob
5-6代碼實踐：加載Mnist數據集到Blob
5-7代碼實踐：逐層構造數據Blob和梯度Blob
5-8代碼實踐：逐層初始化（上）
5-9代碼實踐：逐層初始化（下）
5-10代碼實踐：將Blob切割為mini-batch
5-11代碼實踐：卷積層的前向傳播
5-12代碼實踐：激活層、池化層的前向傳播
5-13代碼實踐：全連接層、損失層的前向傳播
5-14代碼實踐：損失層、全連接層的反向傳播
5-15代碼實踐：池化層、激活層的反向傳播
5-16代碼實踐：卷積層的反向傳播
5-17代碼實踐：模型參數優化和評估
5-18添磚加瓦：實現模型微調功能（fine-tune）
5-19添磚加瓦：實現SVM損失層
5-20添磚加瓦：實現更多的優化器
5-21添磚加瓦：實現對L2正則化的支持
5-22添磚加瓦：實現Dropout層
5-23添磚加瓦：實現BN層和Scale層
5-24添磚加瓦：實現通用的圖片數據接口