深度学习弯道超车，领先行业不止一点点

深度学习技术的应用，已经完全具备了弯道超车的条件和可能。随着持续的重视和投入，已经领先了行业不止一点点。

在开始探索深度学习的道路上，很多人都曾问过自己，深度学习为什么那么难入门？

深度学习真的有那么难吗？这个，还真没有。不信？听我来和你侃侃。看完，你也会觉得没那么难了。

我们知道，深度学习是采用神经网络，用于解决线性不可分的问题。就像形成我们大脑基本元素的神经元一样，神经元形成神经网络的基本结构。想象一下，当我们得到新信息时我们该怎么做。当我们获取信息时，我们一般会处理它，然后生成一个输出。类似地，在神经网络的情况下，神经元接收输入，处理它并产生输出，而这个输出被发送到其他神经元用于进一步处理，或者作为最终输出进行输出。

神经网络由若干神经元结点互联而成，通过训练，找到合适的权值；经过训练后，对于输入信号，获得有意义的输出结果。

所谓深度学习，就是具有很多个隐层的神经网络。

训练深度神经网络，其实就是一个不断磨合的过程，刚开始定义一个标准参数（这些是经验值。就好比情人节和生日必须送女票花❀一样），然后不断地修正，得出图中每个节点间的权重。为什么要这样磨合？试想一下，我们假设深度学习是一个小孩，我们怎么教他看图识字？肯定得先把图片给他看，并且告诉他正确的答案，需要很多图片，不断地教他，训练他，这个训练的过程，其实就类似于求解神经网络权重的过程。以后测试的时候，你只要给他图片，他就知道图里面有什么了。

所以训练集，其实就是给小孩看的，带有正确答案的图片，对于深度学习而言，训练集就是用来求解神经网络的权重的，最后形成模型；而测试集，就是用来验证模型的准确度的。

如果你已经看到这里了，你对深度学习应该有了一个初步的了解，那么如何定义最初始的网络模型和参数？如何搭建一个神经网络来对图像进行分类，检测出所需要的目标呢？现在，给你一个和中科院学生师出同门的机会！我们来跟随向老师一起学习深度学习基础模型：自编码机，卷积神经网络，循环神经网络；探索几种经典的卷积神经网络模型：AlexNet, VGG Net, GoogleNet,ResNet等；讨论深度学习方法在目标检测和语义分割中的演进。

主讲老师

向世明

中科院自动化所模式识别国家重点实验室研究员

中国科学院大学兼职教授、博士生导师

模式识别与机器学习领域近十年教学经验

为硕士生或博士生主讲《模式识别》和《机器学习导论》等课程，在高水平国际期刊或主流会议上发表论文100余篇以第一作者在 IJCV、IEEE T-PAMI、IEEE T-IP、IEEE T-NNLS、IEEE- T-KDE、IEEET-SMC-B、IEEE T-MM 和 PR 上发表论文十余篇。

孟高峰

中科院自动化所模式识别国家重点实验室副研究员

研究方向包括图像处理、计算机视觉和机器学习等

丰富的教学经验，为硕士生主讲《机器学习导论》等课程

在高水平国际期刊或主流会议上发表论文50余篇。以第一作者在 IJCV、IEEE T-PAMI、IEEE T-IP、ICCV、CVPR ECCV 等顶级国际杂志和国际会议发表论文十余篇。

课程大纲

开课时间：8月16日