您现在的位置是：课程
深度学习
2023-09-20 23:08课程 人已围观
深度学习的思想源自于“人工神经网络”，从大脑中汲取灵感，模拟人脑分析问题机制并建立分析学习的神经网络。神经网络的基本构建模块是人工神经元-模仿人类大脑神经元。正如大脑数十亿个神经元神经元分布在神经网络的几个层中，之间有数万个连接，深度学习模型涉及大量的计算单元，它们彼此交互时对所建模数据潜在分布的多层表征进行自主学习。
1.主要解决如何让机器能够模仿人脑的思考方式，从而摆脱原来的固有数据库比较的限制，让机器能够通过深度学习理解这个世界不断变化的，因此深度学习是人工智能AI的重要组成部分。
可以说人脑视觉系统和神经网络。
2.随着谷歌不断在开放AI开发平台，人工智能开发像Android一样逐渐平民化、大众化，是主动学习还是被动淘汰？显然，越早学习和掌握这一技术的人才越有优势。 为此，开设“AI基础系列课程”，涵盖 LabVIEW传统视觉基础、Yolov3、神经棒以及人脸识别登录节目“AI发现”，让我们跟着大咖的视角来近距离解密AI。
3.解决传统视觉的呆板，固定计算的方式。让机器视觉有自己的思想。
为什么做这次个课程？
● 机器视觉缺陷检测的痛点
● 仍存在下面主要的问题和难点
1） 受环境、光照、生产工艺和噪声等多重因素影响，检测系统的信噪比一般较低，微弱信号难以检出或不能与噪声有效区分。如何构建稳定、可靠、鲁棒的检测系统，以适应光照变化、噪声以及其他外界不良环境的干扰，是要解决的问题之一。
2） 由于检测对象多样、表面缺陷种类繁多、形态多样、复杂背景，对于众多缺陷类型产生的机理以及其外在表现形式之间的关系尚不明确，致使对缺陷的描述不充分，缺陷的特征提取有效性不高，缺陷目标分割困难；同时，很难找到“标准”图像作为参照，这给缺陷的检测和分类带来困难，造成识别率尚有待提高。
3） 机器视觉表面缺陷检测，特别是在线检测，其特点是数据量庞大、冗余信息多、特征空间维度高，同时考虑到真正的机器视觉面对的对象和问题的多样性，从海量数据中提取有限缺陷信息的算法能力不足，实时性不高。
4） 与机器视觉表面检测密切相关的人工智能理论虽然得到了很大的发展，但如何模拟人类大脑的信息处理功能去构建智能机器视觉系统还需要理论上的进一步研究，如何更好的基于生物视觉认识、指导机器视觉得检测也是研究人员的难点之一。
5） 从机器视觉表面检测的准确性方面来看，尽管一系列优秀的算法不断出现，但在实际应用中准确率仍然与满足实际应用的需求尚有一定差距，如何解决准确识别与模糊特征之间、实时性与准确性之间的矛盾仍然是目前的难点。
传统算法在某些特定的应用中已经取得了较好的效果，但仍然存在许多不足。例如：图像预处理步骤繁多且具有强烈的针对性，鲁棒性差；多种算法计算量惊人且无法精确的检测缺陷的大小和形状。而深度学习可以直接通过学习数据更新参数，避免了人工设计复杂的算法流程，并且有着极高的鲁棒性和精度。
主要知识点：
1Tensorflow环境的搭建
Tensorflow object环境搭建
学会如何标注图片
如何labview快速通过迁移学习训练自己的模型
课程适合哪些人群？
1、适用于labview行业从业者利用labview进行深度学习应用；
2、适用于plc电气工程师利用labview进行深度学习应用编程；
3、适用于机械工程师利用labview进行深度学习应用编程；
4、适用于在校大学生/研究生利用labview实现课程设计和课题研究；
5、适用于IT互联网行业人群快速掌握tensorflow训练的流程；
学生或新手能不能学会？
学生或新手可以直接学习，课程不涉及python编程，不需要python基础，不涉及到理论的理解，课程手把手教学员如何一步步进行环境配置和训练调用，让学员直接掌握深度学习动手实践的能力，只要跟着视频做就能学会应用。
