这是深度学习工程师微专业的第四门课。

通过这门课的学习，你将会：

- 理解如何搭建一个神经网络，包括最新的变体，例如残余网络

- 知道如何将卷积网络应用到视觉检测和识别任务。

- 知道如何使用神经风格迁移生成艺术。

- 能够在图像、视频以及其他2D或3D数据上应用这些算法。

制作方：deeplearning.ai

原载于：Coursera

无

需要有基本的数学、编程和机器学习基础。

第一周  卷积神经网络

1.1  计算机视觉

1.2  边缘检测示例

1.3  更多边缘检测内容

1.4  Padding

1.5  卷积步长

1.6  卷积为何有效

1.7  单层卷积网络

1.8  简单卷积网络示例

1.9  池化层

1.10  卷积神经网络示例

1.11  为什么使用卷积？

第二周  深度卷积网络：实例探究

2.1  为什么要进行实例探究

2.2  经典网络

2.3  残差网络

2.4  残差网络为什么有用？

2.5  网络中的网络以及 1×1 卷积

2.6  谷歌 Inception 网络简介

2.7  Inception 网络

2.8  使用开源的实现方案

2.9  迁移学习

2.10  数据扩充

2.11  计算机视觉现状

第三周  目标检测

3.1  目标定位

3.2  特征点检测

3.3  目标检测

3.4  卷积的滑动窗口实现

3.5  Bounding Box预测

3.6  交并比

3.7  非极大值抑制

3.8  Anchor Boxes

3.9  YOLO 算法

3.10  RPN网络

第四周  特殊应用：人脸识别和神经风格转换

4.1  什么是人脸识别？

4.2  One-Shot 学习

4.3  Siamese 网络

4.4  Triplet 损失

4.5  面部验证与二分类

4.6  什么是神经风格转换？

4.7  什么是深度卷积网络？

4.8  代价函数

4.9  内容代价函数

4.10  风格代价函数

4.11 一维到三维推广

【致谢】

本课程中英文目录与字幕由深虫小组的张奕声、潘哲、祝彦森、刘振卫、赖晓适、杨枭、沈敏琰、陈璟仪，HTLL 翻译组，及 Eureka 字幕组的 Trazom、Ziling Zhang、范家璇、Terrence、heyhey 贡献，是他们的贡献使得本课程字幕能够又快又准确地呈现在大家面前。另外，我们还感谢其他对本门课程作出贡献的所有 deeplearning.ai 及网易云课堂相关工作人员。