本集训营共有七个课节，预习课程主要针对基础预习与平台介绍。后面几个课节都从项目角度出发，针对项目介绍相关理论。

项目一：新冠疫情可视。

本节的理论部分主要介绍深度学习的发展。实践部分是对新冠疫情可视。主要对pyecharts API可视化工具的了解。

项目二：手势识别。

本节的相关理论部分主要介绍神经网络。神经网络的前向传播与反向传播。相关步骤：建立模型、损失函数、参数学习。

建立模型：

神经网络模型，有浅层与深层神经网络（DNN）。通常DNN分类效果更好，但网络越深参数量也越大。其中的激活函数有多种选择：sigmoid函数，tanh函数，ReLU函数。ReLU函数也是深度学习中最常用的激活函数。

常用损失函数：平方误差损失函数（常用在回归类问题）、交叉熵损失函数（常用在分类问题）。

参数学习：通过梯度下降来尽可能寻找全局最优解，寻找最优解中调节学习率的大小可以控制获得最优解的快慢。反向传播算法不断更新参数。

调优方法：1.学习率大小。2.训练迭代次数。3.网络结构。4.梯度下降方法。5.损失函数。6.激活函数。

神经网络劣势：参数大、训练时间长、图像尺寸固定等。

项目三：车牌识别。

针对神经网络存在的一些不足，提出了卷积神经网络（LeNet）。卷积神经网络在图像分类任务取得了不错的效果（mnist）。

卷积神经网络结构上的三大特性

卷积神经网络结构：

项目四：口罩分类

理论部分介绍了经典的卷积神经网络：AlexNet、VGG-16、ResNet。

AlexNet：主要通过并行两个分支的卷积神经网络。

VGG-16：主要堆积卷积块，加深卷积层。

ResNet：主要解决卷积加深引起的梯度消失问题。

本实践部分使用的就是经典卷积神经网络（VGG-16）。

AI Studio平台操作简单，提供免费算力，对于没有GPU的同学是一大福音。paddlepaddle提供了很多API接口，PaddleSlim模型压缩对于项目落地提供了很大帮助。我之前接触了Pytorch与tensorflow框架，paddlepaddle是最近才开始接触，从总体来说我更喜欢使用paddlepaddle框架，也打算以后都用paddlepaddle。

AI Studio平台唯一让我不太满意的是GPU算力经常经常不能用，希望能够扩容。