深度学习教程

深度学习教程（第2版）

第1周

1. 深度学习简介
2. Python基础
3. 让我们玩转图像与MNIST数据集
4. 术语

第2周 - 你了解深度学习吗？

1. CNN与AlexNet
2. TensorFlow基础
3. 逻辑回归
4. GoogLeNet
5. AlphaGo：MCTS+CNN
6. 让我们实现多层感知机！
7. 让我们使用自己的数据集
8. 正则化方法
9. 优化方法
10. 受限玻尔兹曼机
11. 让我们实现去噪自编码器

第3周 - CNN基础

1. 语义分割：FCN、DeconvNet、带空洞卷积的DeepLab
2. 让我们实现一个简单的CNN
3. 让我们实现一个基础的CNN
4. 让我们实现语义分割
5. 弱监督定位：全局平均池化
6. 在你自己的数据集上实现MLP和CNN
7. 去噪反卷积神经网络

第4周 - CNN应用 + RNN基础

1. 图像检测（RCNN、SPPnet、FastRCNN、FasterRCNN）
2. 其他检测方法（YOLO、AttentionNet）
3. 让我们使用TensorBoard
4. Colah博客中的RNN
5. 视觉问答：DPPnet + MCBP！
6. 超分辨率
7. 深度强化学习

第5周 - RNN应用

1. RNN基础 + 手写体生成
2. 让我们实现RNN
3. 让我们实现Word2vec
4. 图像字幕生成：Show and Tell + Show, attend and tell
5. char-rnn + 我们如何使用韩文字母？

第6周 - 深度学习真有趣！

1. 残差网络及一些分析
2. 神经风格：纹理合成+CNN反演
3. 让我们实现神经风格
4. 贝叶斯优化
5. 对抗攻击？
6. 生成对抗网络

dl_tutorials 快速上手指南

dl_tutorials 是一套系统的深度学习教程（第二版），涵盖从 Python 基础、TensorFlow 入门到 CNN、RNN、GAN 等前沿架构的理论与实战代码。本指南将帮助你快速搭建环境并开始学习。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统：Windows, macOS 或 Linux (推荐 Ubuntu 18.04+)
• Python 版本：Python 3.6 - 3.8 (教程基于较早期的 TensorFlow 版本，过高版本可能存在兼容性差异)
• 核心依赖：
  • TensorFlow (CPU 或 GPU 版本)
  • NumPy
  • Matplotlib
  • Pillow (用于图像处理)
  • Jupyter Notebook (可选，用于查看和运行演示)

国内加速建议： 推荐使用清华源或阿里源安装 Python 包，以提升下载速度。

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>

安装步骤

1. 克隆项目仓库

首先，将教程代码下载到本地：

git clone https://github.com/sjchoi86/dl_tutorials.git
cd dl_tutorials

2. 创建虚拟环境（推荐）

为了避免依赖冲突，建议创建独立的虚拟环境：

python -m venv dl_env
# Windows
dl_env\Scripts\activate
# macOS/Linux
source dl_env/bin/activate

3. 安装依赖库

根据教程内容，安装必要的深度学习库。由于该教程主要基于 TensorFlow 1.x 或早期 2.x 编写，建议先尝试安装兼容版本：

# 使用国内镜像源加速安装
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==1.15.0 numpy matplotlib pillow jupyter

注：如果某些代码示例明确需要 TensorFlow 2.x，请将上述命令中的版本号调整为 tensorflow (最新版) 或特定版本，并根据代码报错信息调整 API 调用。

基本使用

本教程的核心内容是 presentations 目录下的 PPT 课件以及对应的代码示例（通常命名为 basic_*.py 或在 PPT 中展示的代码片段）。

1. 浏览课程大纲

进入 presentations 目录，你可以按周次学习：

• Week1: 深度学习简介、Python 基础、MNIST 初探。
• Week2: CNN 原理、TensorFlow 基础、逻辑回归、Autoencoder。
• Week3: CNN 进阶、语义分割、自定义数据集训练。
• Week4: 目标检测 (RCNN/YOLO)、RNN 基础、强化学习。
• Week5: RNN 应用、Word2Vec、图像描述生成。
• Week6: ResNet、神经风格迁移、GAN、对抗攻击。

2. 运行第一个示例 (MNIST)

以 Week1 中的 MNIST 手写数字识别为例，找到对应的代码文件（通常在根目录或子文件夹中搜索 basic_mnist 相关脚本）。

假设你找到了 basic_mnist.py (若文件名不同，请替换为实际文件名)，运行命令如下：

python basic_mnist.py

如果教程中提供的是 Jupyter Notebook 格式或需要在 Notebook 中运行代码片段：

jupyter notebook

然后在浏览器中导航至对应周的代码文件进行交互式运行。

3. 使用自定义数据集

在 Week2 和 Week3 中，教程介绍了如何生成和使用自己的数据集。你可以参考 basic_gendataset 相关的课件和代码，修改输入路径来训练你自己的图像模型：

# 示例：运行自定义数据集生成脚本（具体文件名请参考 Week2-1e 相关内容）
python basic_gendataset.py --data_path ./my_images

4. 可视化训练过程

在 Week4 中，教程介绍了如何使用 TensorBoard 监控训练状态。运行训练脚本后，在终端执行：

tensorboard --logdir=./logs

然后在浏览器访问 http://localhost:6006 查看损失曲线和模型结构。

---

提示：由于部分代码可能基于旧版 TensorFlow 语法（如 tf.Session()），若在 TensorFlow 2.x 环境下运行报错，可尝试在代码开头添加以下兼容模式代码：

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()