学习

课程简介：

自 $$2006$$ 年，深度学习 ( DL，Deeping Learning )这一术语被正式提出后，人工智能的发展便引起了轩然大波。深度学习是一门在许多领域都有着及其广泛地应用，在图像识别、语音识别与合成、无人驾驶、机器视觉等方面取得了巨大的成功。这也对算法的应用以及依赖的框架有了更高级的要求。深度学习框架的不断发展使得在大型数据集上训练神经网络模型时，可以方便地使用大量的计算资源。
深度学习是使用多层结构从原始数据中自动学习并提取高层次特征的一类机器学习算法。通常，从原始数据中提取高层次、抽象的特征是非常困难的。目前有两种主流的深度学习框架：一种是在执行之前构造一个静态图，定义所有操作和网络结构，典型代表是 TensorFlow ，这种方法以牺牲易用性为代价，来提高训练期间的性能；另一种是立即执行的动态图计算，典型代表是 PyTorch 。通过比较可以发现，动态图更灵活、更易调试，但会牺牲性能。因此，现有深度学习框架难以同时满足易开发、高效执行的要求。
MindSpore 是由华为推出的新一代全场景 AI 计算框架，MindSpore 着重提升易用性并降低 AI 开发者的开发门槛，MindSpore 原生适应每个场景包括端、边缘和云，并能够在按需协同的基础上，通过实现 AI 算法即代码，使开发态变得更加友好，显著减少模型开发时间，降低模型开发门槛。通过 MindSpore 自身的技术创新及 MindSpore 与华为昇腾 AI 处理器的协同优化，实现了运行态的高效，大大提高了计算性能；MindSpore 也支持 GPU 、CPU 等其它处理器。

src="https://data.educoder.net/api/attachments/2107659"
alt=""
height="70%"
width="70%" />
推荐教材

本课程是深度学习的入门课程，系统介绍深度学习的基础知识与 AI 计算框架 MindSpore 的相关实践，包括以下部分：
第一部分：介绍 MindSpore 的基本架构以及 MindSpore 的基本运算方法。介绍几个常用数据集及如何使用 MindSpore 去读取并处理数据。
第二部分：介绍神经网络的前向传播、反向传播及神经网络的基本结构；介绍 MindSpore 如何实现前向传播、反向传播及如何搭建简单的全连接神经网络解决手写数字体识别问题。
第三部分：介绍深度网络训练所面临的问题，介绍多种优化方法原理、 L1 正则化、L2 正则化、Dropout 及如何使用 MindSPore 在深度网络训练这些技巧防止过拟合问题。

第四部分：介绍卷积神经网络的神经科学基础、卷积和池化操作及如何使用 MindSpore 搭建卷积神经网络解决实际问题；介绍经典的卷积神经网络进行比较并使用 MindSpore 搭建经典卷积神经网络进行实践。
第五部分：介绍循环神经网络的基本结构及如何让使用 MindSpore 搭建循环神经网络；介绍经典循环神经网络及如何使用 MindSpore 应用并解决实际问题。

课程章节：