深度学习基础
深度学习基础
- 深度学习概述
- 什么是深度学习？
- 深度学习的演进之路
- 深度学习的四大支柱
- 开发环境与预备知识
- 环境准备：MXNet/Gluon 与 Jupyter Notebook
- 预备知识：张量（Tensor）
- 张量的创建与操作
- 预备知识：自动微分
- 自动微分示例演示全流程解析
- 数学：深度学习的语言
深度学习入门与实践
面向深度学习入门者、算法工程师与AI技术爱好者，围绕张量、回归、多层感知机、卷积网络和房价预测实践，连接基础理论、代码实现与验证调优
授课讲师：
钟松金 · 前腾讯高级工程师
课程大纲
线性神经网络实战
线性神经网络实战
- 线性回归
- 线性回归的从零实现
- 线性回归的简洁实现（Gluon）
- Softmax 回归与分类问题
- Softmax 回归：处理分类问题
- 图像分类数据集：Fashion-MNIST 深度解析
- Softmax 回归的简洁实现
多层感知机深度进阶
多层感知机深度进阶
- 多层感知机与激活函数
- 为什么需要激活函数？
- 常用激活函数：ReLU 深度解析
- 常用激活函数：Sigmoid 与 Tanh 深度对比解析
- 多层感知机的简洁实现
- 模型选择与正则化
- 模型选择、欠拟合与过拟合
- 正则化：对抗过拟合的利器
- 正则化：暂退法（Dropout）
深度学习高效计算范式
深度学习高效计算范式
- 模型构建与参数管理
- 核心单元：块（Block）
- 构建灵活可扩展的神经网络自定义模块实战
- 参数管理全流程解析
- 延后初始化核心机制深度剖析
- 模型持久化与 GPU 加速
- 读写文件与使用 GPU
卷积神经网络（CNN）架构洞察
卷积神经网络（CNN）架构洞察
- 卷积神经网络基础
- 从全连接层到卷积层
- 卷积层的细节：填充与步幅
- 卷积层的细节：多通道
- 汇聚层（Pooling Layer）深度解析
- 经典与现代 CNN 架构
- 经典 CNN 架构：LeNet 深度全景解析
- 现代 CNN 架构：AlexNet
- 现代 CNN 架构：VGG 深度模型解析
- 现代 CNN 架构：GoogLeNet
房价预测回归实战演练
房价预测回归实战演练
- 房价预测回归实战
- 房价预测回归案例全流程解析
- 模型设计与验证全流程解析
- 课程总结
- 总结与展望
适合对象
深度学习入门者、算法工程师、AI 技术爱好者
课程定位与主要问题
本课程基于《动手学深度学习》体系设计，围绕"理论—数学—代码—实战"四条主线，系统讲解深度学习的基本原理与工程实践
课程适配与选型边界
面向深度学习入门者、算法工程师与AI技术爱好者，围绕张量、回归、多层感知机、卷积网络和房价预测实践，连接基础理论、代码实现与验证调优
深度学习入门者、算法工程师、AI 技术爱好者
深度学习基础、线性回归、多层感知机、卷积网络与房价预测实践
课程安排为3天，采用讲师讲授+案例分析+实操演练。授课前须核对MXNet/Gluon、Jupyter Notebook及课程数据的教学版本与环境
本课建议三天，沿用原稿的MXNet/Gluon与Jupyter Notebook教学体系，不据此承诺当前软件环境兼容性。授课前应核对教学版本、依赖、数据集授权及环境；回归案例不构成房产价格建议
本课建议三天，沿用原稿的MXNet/Gluon与Jupyter Notebook教学体系，不据此承诺当前软件环境兼容性。授课前应核对教学版本、依赖、数据集授权及环境；回归案例不构成房产价格建议
核心收益
- 了解人工智能发展简史，掌握深度学习的核心概念、演进历程与四大支柱（数据、模型、损失函数、优化器）
- 掌握张量、自动微分等深度学习必备的数学与编程基础，熟练使用 MXNet/Gluon 与 Jupyter Notebook 开发环境
- 能够从零实现线性回归、Softmax 回归与多层感知机模型，理解前向传播、反向传播与参数迭代的完整闭环
查看更多收益 收起更多收益
- 理解激活函数、模型容量、欠拟合与过拟合等关键概念，掌握权重衰减、Dropout 等对抗过拟合的实用技术
- 掌握卷积、填充、步幅、多通道与汇聚层等核心机制，理解 LeNet、AlexNet、VGG、GoogLeNet 等经典与现代 CNN 架构
- 通过房价预测回归实战，练习特征工程、模型设计与验证调优
课程背景与交付信息
课程从人工智能发展简史入手，逐步拆解神经网络核心组件，夯实线性代数与 Python 编程基础；随后从线性神经网络、多层感知机一路推进到卷积神经网络，并深入框架底层理解计算范式；最后通过房价预测回归实战，练习特征工程、模型设计与验证调优
课程以 MXNet/Gluon 为教学框架，具体实验版本、数据集及运行环境按授课方案确定
课程时间
3天
授课方式
讲师讲授+案例分析+实操演练
课程内容重点
01深度学习基础
02线性神经网络实战
03多层感知机深度进阶
04深度学习高效计算范式
05卷积神经网络（CNN）架构洞察
06房价预测回归实战演练
讲师介绍
钟松金
前腾讯高级工程师
前腾讯高级工程师，深圳计算科学研究院分布式系统主任工程师。拥有二十年研发与AI创业经验，主导QQ农场等亿级用户项目。获四大AI官方认证，专注大模型工程落地、智能体开发与提示词工程，助力企业实现AI技术从验证到营收转化的全链路闭环
查看讲师主页课程差异说明
Complete original reviewed; explicit user-approved neutral dataset correction and retained MXNet/Gluon teaching framework. Native score, duplicate and production gates remain required.
课程常见问题
这门课适合哪些对象？
深度学习入门者、算法工程师、AI 技术爱好者。
主要学习哪些内容？
重点包括深度学习基础、线性回归、多层感知机、卷积网络与房价预测实践。具体内容见完整课程大纲
有哪些具体学习收益？
了解人工智能发展简史，掌握深度学习的核心概念、演进历程与四大支柱（数据、模型、损失函数、优化器）；掌握张量、自动微分等深度学习必备的数学与编程基础，熟练使用 MXNet/Gluon 与 Jupyter Notebook 开发环境。
课时和学习方式如何安排？
课程安排为3天，采用讲师讲授+案例分析+实操演练。授课前须核对MXNet/Gluon、Jupyter Notebook及课程数据的教学版本与环境
选课时应核对哪些适用边界？
本课建议三天，沿用原稿的MXNet/Gluon与Jupyter Notebook教学体系，不据此承诺当前软件环境兼容性。授课前应核对教学版本、依赖、数据集授权及环境；回归案例不构成房产价格建议。工具、模板或清单是否提供，应按实际授课约定确认
