1、培训过程中，如有部分内容理解不透或消化不好，可免费在以后培训班中重听；
        2、培训结束后,授课老师留给学员联系方式,保障培训效果,免费提供课后技术支持。
        3、培训合格学员可享受免费推荐就业机会。

从软件安装开始，结合案例学会Tensorflow的基本应用，包括： 1、通过理论和编程理解单通道和多通道的卷积操作； 2、基于自己的原图自作tfrecords数据集，及结合opencv制作增广的白化处理数据集； 3、两个案例分析，其中涉及模型构建分析、训练、模型保存、模型加载进行预测。
适用人群
想从事深度学习相关工作的人，想将深度学习技术引入自己的项目。
课程简介
本课程主要以深度学习技术应用于项目目的出发，前两部分从深度学习相关开发工具Anacond、Tensorflow、Python-OpenCV2的安装开始，一步一步仔细讲解、分析、编程实现：卷积神经网络CNN中的各种技术细节，让大家更好的理解卷积层、池化层、激活层等运算实现方式，快速上手构建、编写自己的卷积神经网络。
后两部分详细讲解2个项目：Gesture、Cifar-10,从零开始，涉及通过样本的原图构建自己的训练数据集、构建自己的CNN模型、分析模型、训练模型、保存模型，加载模型进行预测，一些列完整的例程操作实现。期间还涉及图像的样本制作方法，如样本的白化处理和增广技术。

具体：

1、深度学习简介

2、CNN的相关运算

从理论到程序：单通道数据和多通道数据的卷积（convolution）、池化（pooling）、激活层（relu）等原理分析及程序实现。

3、Gesture案列分析,包括

1) Gesture tfrecords原图数据集（数据类型uint8）制作;

2）tfrecords数据集解码，构建训练的Batch;

3）CNN 模型分析及构建、模型训练、模型保存的实现;

3）模型加载预测样本。

4、Cifar-10案例分,包括

1）三通道原图数据白化处理;

2) 基于白化处理后的浮点数据制作tfrecords数据集;

2）浮点型tfrecords的数据集解码

3）模型分析构建、训练保存;

3）已有模型再训练;

4）模型加载预测。
第1章深度学习课程简介
1-1深度学习课程内容
1-2深度学习课程结构
1-3tensorflow相关软件安装
1-4Python-Opencv2简单示例
第2章CNN相关运算方式
2-1基于单通道、多通道输入的卷积、池化、激活层运算分析
2-2Tensorflow相关函数讲解
2-3了解TensorFlow的卷积结构
2-4relu sigmoid tanh函数实现
2-5dogs三通道图片的卷积、激活、池化实现
第3章Gesture 案例分析
3-1生成单通道Gesture样本数据集（tfrecords）
3-2加载Gesture训练集(tfrecords)
3-3构建Gesture CNN模型
3-4训练、保存Gesture CNN模型
3-5加载Gesture CNN 模型进行预测
第4章Cifar-10 案例分析
4-1Cifar10训练样本部分抽取
4-2生成三通道Cifar10浮点类型数据集(tfrecords)
4-3构建、训练、保存Cifar10 CNN模型
4-4增加样本量已有模型进行2次训练
4-5加载cifar10 模型进行预测