深度学习与实战 （2018秋）

This page is archived and no longer maintained since the course is completed.

课程已经结束，该页面归档处理不再进行维护

News:

  • This course is completed, thanks for your patience and hope you grasped the basic idea and framework of deep learning. – 2019.1.11
  • 作业六截止时间 2019.1.10 23:59:59
  • 作业五截止时间 2018.12.27 23:59:59
  • 作业四截止时间 2018.12.20 23:59:59
  • 作业三截止时间 2018.12.20 23:59:59
  • 作业二截止时间 2018.11.29 23:59:59
  • 作业一截止时间 2018.11.22 23:59:59
  • Welcome to Deep Learning and Action Fall 2018 !

课程介绍

授课教师: 黎芳 fli@math.ecnu.edu.cn

助教: 陈久宁 johnnychen94@hotmail.com

时间地点： 周五 8:00-9:40 @闵行校区第四教学楼222（10-18周）

答疑：

  • 周二上午 8:00-10:00 @闵行校区数学楼109
  • QQ群：709500209 （已解散）

课程相关材料：ftp服务器

评分：总分100 = 考勤10 + 作业90（无考试）

教学大纲

作业

注：补交作业得分为正常提交分数的一半

FAQ

  • Tensorflow、Pytorch、Keras这些深度学习框架是什么？我需要学习吗？

    深度学习目前来说是一门高度工程化的理论，因此为了方便深度网络的训练，需要一系列的工具/函数来支持。Tensorflow、Pytorch这些深度学习框架提供的就是一些现成的工具集，它们使得原本需要几百行代码的神经网络训练能够缩减到十几行，因此对于实际使用来说是很方便的。

    本课程的设计初衷在于介绍深度学习的基本理论，即试图将这些深度学习框架中最核心的功能解释清楚，因此在这门课程中并不要求学习这些深度学习框架。对于实际的工程与科研项目来说，学习一个主流的深度学习框架是十分必要的。

  • 为什么深度学习都在用显卡(GPU)？只有CPU可以吗？

    深度学习涉及到超大规模的矩阵运算，并行运算在处理超大规模矩阵运算时有很大的优势 – 同时调用的计算单元越多，程序的运行速度越快。一块GPU中包含大约2000-4000个针对矩阵计算的计算单元，而CPU只能利用通用核心来进行矩阵计算。因此一般来说，相比于CPU而言，使用显卡能够带来10-20倍的计算加速 – 尽管如此，通过GPU也需要几小时甚至几天的时间来训练一个大规模的网络

    本课程前期不会涉及到大规模的网络训练，对于小规模的问题而言，只使用CPU是可以的；与此同时，我们提供有GPU服务器以训练实际规模的网络

  • 为什么采用MATLAB而不是Python？我可以使用Python/C++/…吗？

    尽管Python是目前深度学习的首选语言，但是相比于MATLAB而言，Python语言的学习成本比较高，具体来说：

    1. Python不是一个完整的编程环境：你需要花更多地时间在学习及安装各种Python工具包上面，你需要学习命令行使用，你需要熟悉Linux
    2. Python的IDE不如MATLAB方便：你需要对编程有良好的感觉才能够有效率地对python代码进行debug

    MATLAB依然是本课程的默认语言，Python代码是可以接受的，但它不作为课程内容；其他语言的代码不接受