深度学习是人工智能领域非常热的研究方向，的确也在诸多应用中表现出良好性能，是一种流行的应用工具，本课程以深度学习为对象展开相关探讨了。课程所引用的课程资源，请大家花时间尽快完成，并有针对性地阅读相关文献发现有关深度学习研究的最新进展和领域。

-----------------------------下文是所引用课程的原始介绍-------------------------------

不干涩地讲深层次理论和算法，也不是纯粹介绍TensorFlow的编程。而是针对大多数潜在学员的特点（有基本的编程能力，对开发人工智能应用感兴趣，学过一些基本概率统计和线性代数，但谈不上有深厚的数学功底和人工智能理论基础），通过针对典型的人工智能应用场景，设计系列针对性案例来引导学习过程。主要案例包括价格预测、手写数字识别、图像识别、文本情感分析（自然语言处理，NLP）、图像自动生成等，在案例讲解过程中深入浅出地介绍相关理论，并会从中讲解TensorBoard可视化、模型的断点续训等实用技巧。

本课程将主要内容根据学习阶段分为四部分：筑基篇、启航篇、进阶篇和扩展篇。筑基篇包括人工智能简介、开发环境搭建和Python开发语言快速入门、TensorFlow编程基础等三讲内容；启航篇从单个神经元的线性回归应用开始，直到完成多层神经网络应用开发，共有四讲内容；进阶篇主要围绕深度网络，从卷积神经网络CNN开始，历经循环神经网络RNN、生成对抗网络GAN等应用开发，涵括迁移学习等内容；扩展篇则包括Keras框架、TensorFlow.js、TensorFlow Lite移动应用开发等高级话题。

---------------------------------所引用课程介绍------------------------------------

本课程将全面介绍基于TensorFlow深度学习框架的人工智能应用开发技术。课程不仅会讲解机器学习的基础理论和主流的模型及算法（包括线性回归、神经网络、卷积神经网络、循环神经网络、生成对抗网络等），而且会重点讲解如何基于TensorFlow框架，针对不同的应用场景进行深度学习模型的选择、构建和应用。让学习者能快速具备人工智能问题求解的基本思想和初步的人工智能应用软件开发能力。

百分制，评估包括两个方面：

1、平时成绩：20%，根据课程参与、任务完成、测试分数等综合评定；

2、实践成绩：50%，组成项目团队，共同完成一个课题，通过结果（论文发表、创新项目申请、专利提交、软著授权等）进行评定；

3、课程论文：20%，撰写一篇以深度学习或应用为主的论文，格式要规整、内容要丰富（至少要较为详细总结5篇以上论文）、篇幅要足够（至少5000字）、有一定创新；

4、专题报告：10%，报告所撰写的课程论文，进行一场不少于30分钟的报告，根据报告表现和问题回答进行评分。

有基本的编程能力，学过一些基本概率统计和线性代数

不需要有深厚的数学功底和人工智能理论基础

吴明晖、李卓蓉、金苍宏，深度学习应用开发 - 基于TensorFlow的实践，高等教育出版社（待出版）

教材电子版本：

https://minghuiwu.gitbook.io/tfbook/

---------------------------------所引用课程介绍------------------------------------

Q :  这门课程对数学要求是否很高？

A :  本门课程偏应用开发，目的是在了解实现原理的基础上会建模、应用。需要了解一些基本的求导数、矩阵点乘、叉乘的概念，但不用做复杂的公式求解和推导。

Q :  这门课对编程要求是否很高？

A :  既然叫应用开发，当然是要编程实现的。本门课程采用Python编程，但只需要基本的编程技能，因此谈不上对编程技巧有太高要求。对于学过C语言或者Java语言，但没有学过Python的学员，还提供了一讲Python快速入门的章节，相信花点功夫就能跟上的。

Q :  这门课对开发机器的要求是否很高，没有GPU的一般电脑能做开发吗？

A :  作为教学案例，所设计的项目对电脑的要求谈不上高，普通配置的笔记本电脑都能顺利运行。只有到后面迁移学习需要训练深度神经网络时，如果有GPU会更快。总体说来是不用担心电脑配置问题影响学习的。

Q :  这门课采用的TensorFlow版本是多少？

A :  目前TensorFlow发布的最新版本是2.0Beta，本课程在录制时的版本没有这个高。简单案例其实和版本关系不大，主要通过教案体会思想。如果大家想提前安装环境，可以安装Anaconda(Python3.x)+TensorFlow2.0。课程讲义会提供2.0版本的案例代码。