课程简介
本课程于2021年被评为上海市重点课程（线上课程），被认定为上海市一流课程（线上线下混合式教学课程）。
本课程教学改革育人成果被评为省部级一等奖，并被教育部在线教育研究中心评为“拓金计划”示范课程。
为什么要学习这门课？
发展新一代人工智能技术是国策，跟着国策走，同学们才能在行业中脱颖而出。
这门课的主题是关于什么？
关于人工智能技术中的深度学习及其在纺织服装领域中的常见赋能范式。
他山之石可以攻玉，也可以在其他领域进行很好的迁移。
学习这门课可以获得什么？
学了这门课，一是你可以了解自身能否从事人工智能相关行业的工作，二是了解什么是深度学习与人工智能，在工作中有意识地使用相关技术。
这门课有什么特色和亮点？
特色之一：本课程的学习曲线是经过大量学生实践的，只要认真学，就能掌握人工智能技术所涉及的主要基础知识。
特色之二：难度适中。
特色之三：可通过课程配套的教材《人工智能技术原理与应用》（钟跃崎编著，东华大学出版社2020年9月，ISBN 978-7-5669-1786-7），了解纺织服装领域常见的人工智能与深度学习应用。
课程大纲
绪论
1.1绪论
1.2编程环境的设置
1.3编程框架的选择
1.4什么是神经网络
二元分类问题
2.1二元分类问题
2.2损失函数与代价函数
2.3逻辑回归中的梯度下降算法
2.4向前传播与向后传播
2.5编程实现技巧
全连接型神经网络
3.1再谈什么是神经网络
3.2常用激活函数
3.3常用激活函数的导数
3.4神经网络向后传播时的梯度计算
3.5多层神经网络
3.6神经网络权重参数矩阵的随机初始化
3.7二元分类问题的案例分析
神经网络调优（一）
4.1训练集验证集测试集
4.2偏差（Bias）与方差（Variance）
4.3通过正则化解决过拟合问题（Regularization）
4.4随机失活正则化（Dropout）
4.5其他正则化方法
4.6输入的归一化处理
4.7梯度消失与梯度爆炸（VanishingExplodinggradients）
4.8深度神经网络的权重初始化
4.9案例分析
神经网络调优（二）
5.1小批量的概念
5.2小批量的作用原理
5.3指数加权平均
5.4几种常见的梯度下降算法
5.5学习率衰减
5.6局部最优问题
神经网络调优（三）
6.1超参数的选择
6.2批量归一化
6.3SoftMax与独热编码
卷积神经网络（一）
7.1卷积计算的实现方式
7.2卷积中的填充（Padding）
7.3带步长的卷积（Striding）
7.4立体卷积
7.5池化
7.6简单卷积神经网络案例分析
7.7LeNet卷积神经网络
7.8卷积神经网络的特点分析
7.9卷积神经网络的感受野
卷积神经网络（二）
8.1两个经典网络：AlexNet与VGGNet
8.2GoogLeNet
8.3残差神经网络（ResNet）
8.4迁移学习与数据增广
8.5空洞卷积、转置卷积以及分离卷积
课程实践：Tensorflow2.x（一）
9.1Anaconda，Tensorflow，PyTorch安装与测试
9.2PyCharm安装
9.3设置PyCharm中的Interpreter
9.4Tensorflow2.xSequential序列模型简明教程
课程实践：Tensorflow2.x（二）
10.1手写字符识别（PyCharm版）
10.2加入验证集
10.2加入验证集（过拟合问题）
10.3Tensorflow中的正则化与随机失活
10.4Tensorflow中的批量归一化
10.5Tensorflow中Earlystopping的使用
10.6Tensorflow中callbacks详解
10.7Tensorflow中的学习率衰减
10.8梯度下降平稳段时的学习率衰减
课程实践：Tensorflow2.x（三）
11.1已训模型权重矩阵的存取
11.2保存和载入单一的hd5文件
11.3不使用ModelCheckPoint的存取
11.4自定义存取标准
11.5完整模型的存取
11.6载入Keras中的预训练模型
11.7TensorflowHub的用法
ModelZoo及MobileNet的Keras实现
12.1DenseNet
12.2EfficientNet
12.3MobileNet的Keras实现及迁移学习
一次性分类与孪生神经网络
13.1一次性分类与孪生神经网络
13.2案例分析
神经风格迁移与对抗生成网络
14.1神经风格迁移
14.2神经风格迁移的编程实现
14.3生成对抗网络（GAN）
14.4生成对抗网络编程实现
目标检测（一）
15.1什么是目标检测
15.2常见基本概念
15.3目标检测中的区域建议
15.4R-CNN
目标检测（二）
16.1FastR-CNN
16.2FasterRCNN
16.3R-FCN
16.4YOLO
16.5MaskR-CNN
16.6目标检测领域的发展现状
1.1绪论
1.2编程环境的设置
1.3编程框架的选择
1.4什么是神经网络
二元分类问题
2.1二元分类问题
2.2损失函数与代价函数
2.3逻辑回归中的梯度下降算法
2.4向前传播与向后传播
2.5编程实现技巧
全连接型神经网络
3.1再谈什么是神经网络
3.2常用激活函数
3.3常用激活函数的导数
3.4神经网络向后传播时的梯度计算
3.5多层神经网络
3.6神经网络权重参数矩阵的随机初始化
3.7二元分类问题的案例分析
神经网络调优（一）
4.1训练集验证集测试集
4.2偏差（Bias）与方差（Variance）
4.3通过正则化解决过拟合问题（Regularization）
4.4随机失活正则化（Dropout）
4.5其他正则化方法
4.6输入的归一化处理
4.7梯度消失与梯度爆炸（VanishingExplodinggradients）
4.8深度神经网络的权重初始化
4.9案例分析
神经网络调优（二）
5.1小批量的概念
5.2小批量的作用原理
5.3指数加权平均
5.4几种常见的梯度下降算法
5.5学习率衰减
5.6局部最优问题
神经网络调优（三）
6.1超参数的选择
6.2批量归一化
6.3SoftMax与独热编码
卷积神经网络（一）
7.1卷积计算的实现方式
7.2卷积中的填充（Padding）
7.3带步长的卷积（Striding）
7.4立体卷积
7.5池化
7.6简单卷积神经网络案例分析
7.7LeNet卷积神经网络
7.8卷积神经网络的特点分析
7.9卷积神经网络的感受野
卷积神经网络（二）
8.1两个经典网络：AlexNet与VGGNet
8.2GoogLeNet
8.3残差神经网络（ResNet）
8.4迁移学习与数据增广
8.5空洞卷积、转置卷积以及分离卷积
课程实践：Tensorflow2.x（一）
9.1Anaconda，Tensorflow，PyTorch安装与测试
9.2PyCharm安装
9.3设置PyCharm中的Interpreter
9.4Tensorflow2.xSequential序列模型简明教程
课程实践：Tensorflow2.x（二）
10.1手写字符识别（PyCharm版）
10.2加入验证集
10.2加入验证集（过拟合问题）
10.3Tensorflow中的正则化与随机失活
10.4Tensorflow中的批量归一化
10.5Tensorflow中Earlystopping的使用
10.6Tensorflow中callbacks详解
10.7Tensorflow中的学习率衰减
10.8梯度下降平稳段时的学习率衰减
课程实践：Tensorflow2.x（三）
11.1已训模型权重矩阵的存取
11.2保存和载入单一的hd5文件
11.3不使用ModelCheckPoint的存取
11.4自定义存取标准
11.5完整模型的存取
11.6载入Keras中的预训练模型
11.7TensorflowHub的用法
ModelZoo及MobileNet的Keras实现
12.1DenseNet
12.2EfficientNet
12.3MobileNet的Keras实现及迁移学习
一次性分类与孪生神经网络
13.1一次性分类与孪生神经网络
13.2案例分析
神经风格迁移与对抗生成网络
14.1神经风格迁移
14.2神经风格迁移的编程实现
14.3生成对抗网络（GAN）
14.4生成对抗网络编程实现
目标检测（一）
15.1什么是目标检测
15.2常见基本概念
15.3目标检测中的区域建议
15.4R-CNN
目标检测（二）
16.1FastR-CNN
16.2FasterRCNN
16.3R-FCN
16.4YOLO
16.5MaskR-CNN
16.6目标检测领域的发展现状
关
注
我
们