《深度学习：从入门到精通：基于Keras》进阶篇 百度网盘下载

从全连接到卷积：补上视觉任务的结构性缺失

这门进阶课的核心目标，是解决初学者在掌握基础神经网络后，面对图像数据时“只会调参、不懂结构”的痛点。基础篇覆盖了全连接网络，但全连接层在处理高分辨率图像时存在严重的参数爆炸和空间信息丢失问题。本阶段正是为了填补这一空白，系统讲解卷积神经网络（CNN）的底层原理与 Keras 实现，帮助开发者建立处理视觉任务的工程直觉。

内容设计强调「原理—公式—代码」的闭环。课程从全连接网络在图像中的不足切入，引出卷积层的核心概念。你会清晰推导输出特征图宽高计算公式，理解 padding 和步长（stride）对特征图尺寸的具体影响。这不是泛泛而谈，而是直接对接 Tensorflow/Keras 中 `Conv2D` 等函数的参数配置，让你在写代码时知道每个超参数背后的几何意义，避免盲目试错。

适合人群与前置要求

本课程定位为「进阶篇」，因此有明确的基础门槛。建议学习者已完成或并行参考《深度学习：从入门到精通：基于 Keras》基础篇，至少熟悉 Keras 的基础 API（如 `Sequential`、`Dense`、`compile` 流程）以及 Python 编程。如果你尚未理解张量形状变化或反向传播的基本概念，直接切入卷积层可能会在调试时遇到困惑。

本资料包适合以下类型的开发者：
- 已掌握基础 MLP，但从未亲手实现过 CNN 架构；
- 在 Kaggle 或实际项目中遇到图像分类任务，需要深入理解模型结构而非仅调用封装库；
- 希望从源码层面理解卷积运算，以便后续迁移到 PyTorch 或其他框架。

不要求具备深厚的数学背景，但建议具备基本的线性代数和微积分常识，以便理解卷积运算的本质是加权求和。

学习路径与练习建议

建议按以下顺序配合资料进行练习，不要跳步：

1. **原理先行**：先看完 1-1 至 1-7 的视频，重点动手在纸上或 Notebook 中计算不同 padding 和 stride 下的特征图尺寸。这是后续调参的基础。
2. **代码对照**：观看 1-8 及之后的 Keras 实现部分时，务必同步编写代码。创建一个简单的卷积层，输入随机噪声图像，观察输出形状是否符合预期计算。
3. **实例验证**：利用提供的案例（如 1-9 所述），复现完整的卷积模块。尝试修改 kernel_size 和 filters 数量，观察训练过程中的损失变化和特征图可视化结果。
4. **迁移实践**：学完后，尝试将一个基础的图像分类任务（如 MNIST 或 CIFAR-10）从零开始用纯 Keras Conv2D 层搭建，而非直接套用预训练模型。这能检验你是否真正理解了结构。

本资料不包含就业承诺或复杂的项目集，而是聚焦于核心模块的可复用性。掌握后，你可以独立构建轻量级视觉模型，为后续学习 ResNet、Transformer 等高级架构打下坚实基础。建议配合基础篇的 Keras 语法知识，形成完整的深度学习工程能力。

image.png (61.98 KB, 下载次数: 18) 下载附件 保存到相册 2025-8-26 16:18 上传 本贴发布的是进阶篇，基础篇这里下载 《深度学习：从入门到精通：基于Keras》 https://www.itztc.com/thread-3296-1-1.html f3c257f2f70ed919d86b5af184b467cd_image-5.png (189.59 KB, 下载次数: 15) 下载附件 保存到相册 2025-8-26 16:20 上传 1-1 简述全连接神经网络在图像数据处理中的不足处.mp4 1-2 卷积网络基本原理.mp4 1-3 卷积层原理概述.mp4 1-4 卷积层原理-padding技巧.mp4 1-5 卷积层原理-padding示例讲解.mp4 1-6 卷积层原理-移动步长示例讲解.mp4 1-7 输出特征图的宽、高计算公式.mp4 1-8 卷积层Tensorflow实现函数讲解.mp4 1-9 通过实例讲解卷积层各细节.mp4 1-10 通过卷积层 对输入数据进行卷积运算.mp4 1-11 tf.keras.layers.Conv2D方式实现卷积运算.mp4 1-12 实现卷积运算-多个卷积核情况.mp4 1-13 卷积层对图像进行卷积运算示例讲解.mp4 1-14 池化层原理及实现详解.mp4 1-15 池化层实现的demo演示.mp4 1-16 池化层的特点及demo演示.mp4 1-17 池化层TensorFlow实现及案例演示.mp4 1-18 卷积神经网络中的全连接层和展平层介绍.mp4 1-19 迁移学习概述.mp4 1-20 迁移学习进行微调的三种策略.mp4 1-21 使用Keras 实现迁移学习之VGG16网络架构介绍.mp4 1-22 使用Keras 实现迁移学习之VGG16函数介绍.mp4 1-23 使用Keras 实现迁移学习之VGG16示例.mp4 1-24 使用Keras实现迁移学习之演示VGG16()函数下载实例化.mp4 1-25 利用VGG16对本地汽车图像进行类别预测.mp4 1-26 解释preprocess_input函数作用.mp4 1-27 tensorflow-hub的介绍及安装.mp4 1-28 Tensorflow-hub预训练模型的下载.mp4 1-29 使用Tensorflow-hub预训练模型进行预测.mp4 1-30 使用迁移学习实现花卉图像分类器-花卉图像介绍及导入、预处理1.mp4 1-31 使用迁移学习实现花卉图像分类器-花卉图像介绍及导入、预处理2.mp4 1-32 使用迁移学习实现花卉图像分类器-创建 批次数据.mp4 1-33 Keras Applications 迁移学习实现花卉分类.mp4 1-34 Keras Applications 迁移学习实现花卉分类2.mp4 1-35 使用TensorF Hub迁移学习实现花卉图像分类.mp4 1-36 强化学习的基本概念.mp4 1-37 深度强化学习思路.mp4 1-38 gym平台介绍及案例演示.mp4 1-39 使用Keras-RL2的DQN算法实现《CartPole》.mp4 1-40 案例分析：CIFAR-10数据描述及下载.mp4 1-41 案例分析：CIFAR-10数据预处理.mp4 1-42 案例分析：构建卷积神经网络识别CIFAR-10图像.mp4 1-43 【课后习题】判断题和选择题讲解.mp4 1-44 【课后习题】实训题讲解.mp4 2-1 循环神经网络基本理解.mp4 2-2 词嵌入基础及学习词嵌入案例讲解.mp4 2-3 预训练词嵌入及案例演示.mp4 2-4 简单循环神经网络原理及Keras实现.mp4 2-5 长短期记忆网络-LSTM原理及Keras实现.mp4 2-6 门控循环单元-GRU原理及Keras实现.mp4 2-7 序列到序列Seq2Seq2基本原理概述.mp4 2-8 引入注意力机制的Seq2Seq框架.mp4 2-9 利用Keras实现序列到序列案例演示.mp4 2-10 利用TensorFlow Addons实现Seq2Seq2.mp4 2-11 Transformer基本原理及KerasNLP介绍.mp4 2-12 案例实训：中文文本分类.mp4 2-13 课后习题讲解.mp4 3-1 自编码器概述.mp4 3-2 简单自编码器的Keras实现.mp4 3-3 简单自编码器对cifar-10图像进行重构案例讲解.mp4 3-4 稀疏自编码器.mp4 3-5 堆栈自编码器.mp4 3-6 卷积自编码器.mp4 3-7 降噪自编码器.mp4 3-8 案例实训：使用自编码器建立推荐系统.mp4 3-9 第6章【课后习题】讲解.mp4 4-1 生成式对抗网络概述.mp4 4-2 GAN模型的Keras实现.mp4 4-3 DCGAN模型的Keras实现.mp4 4-4 案例实训：使用GAN和DCGAN模型生成数字5图像.mp4 4-5 第7章【课后习题】讲解.mp4 5-1 模型评估技术.mp4 5-2 模型优化：基于梯度的优化和自适应学习率算法.mp4 5-3 模型优化：网格搜索、数据分区、交叉验证、正则化等.mp4 5-4 在tf.Keras中进行模型优化.mp4 5-5 使用Scikit-Learn优化CIFAR-10分类模型.mp4 5-6 使用KerasTuner优化CIFAR-10分类.mp4 5-7 第8章【课后习题】讲解.mp4 6-1 TensorFlow Datasets 实验.mp4 6-2 tf.data 定义高效的输入流水线.mp4 6-3 在 tf.Keras 使用 Scikit-Learn优化模型.mp4 6-4 ImageDataGenerator 类图像增强.mp4 6-5 CNN 模型对手写数字识别.mp4 6-6 CNN 模型驾驶员睡意检测.mp4 配套资料： PDF.rar 课后习题.rar 深度学习实验项目.rar 书中代码和数据_2.rar