预备知识：图像识别方法的演进基础、开发环境配置：Anaconda环境和MXNet、深度学习简介：起源、特点和发展、计算机视觉概述、数据操作、自动求梯度、图像识别的演进、线性回归与线性回归的实现、线性模型：对数线性二分类、多分类、独热和稠密度向量表示、softmax回归与实现、基于深度学习的图像识别技术发展、深度学习基础知识、线性模型的局限性：异或问题、非线性输入转换、核方法、可训练的映射函数、感知机和多层感知机的实现、模型选择、欠拟合过拟合问题、权重衰减和丢弃法、实战案例：房价预测模型、神经网络基础、前馈神经网络、BP神经网络、神经网络的训练、深度学习计算、卷积神经网络与深度学习、二维卷积层相关运算、填充和步幅、多输入通道和多输出通道、二维最 大池化层和平均池化层、卷积神经网络LeNet模型、深度卷积神经网络AlexNet、使用重复数据的网络、网络中的网络：NIN块和NIN模型、合并行连接的网络、批量归一化、残差网络ResNet模型、稠密度连接网络DeseNet模型、循环神经网络与深度学习、语言模型计算、循环神经网络、模型语言数据集、循环神经网络从零开始实现、循环神经网络的简介实现、通过时间反向传播、门控循环单元、长短期记忆、深度循环神经网络、双向循环神经网络、优化算法与深度学习、优化与深度学习的关系、梯度下降和随机梯度下降、小批量随机梯度下降、动量法与实现、AdaGrad算法特点与实现、RMSProp算法、AdaDelta算法、Adma算法、计算机技术与高性能计算、衡量性能的方法、提高性能性能的各种编程方法、命令式和混合编程、异步计算、自动并行运算、多GPU运算、AI应用方向之计算机视觉、使用图像增广训练模型、微调:热狗识别、目标检测和边界框、计算机视觉：锚框生成、多尺度目标检测、目标检测数据集：皮卡丘、单发多框检测：SSD、积神经网络系列：R-CNN、语意分割和数据集、全卷积网络、样式迁移、计算机视觉案例：Kaggle图像识别、图像分类、狗的品种、获取和整理数据集、图像增广、读取数据集、定义模型、定义训练函数、训练模型、AI应用方向之NLP自然语言处理、嵌入和连续词袋模型、近似训练：负采样、层序softmax、word2vec的实现、子词潜入：fastText、全局向量的词潜入：GloVe、求近义词和类比词、文本情感分类：使用循环神经网络、文本情感分类：使用卷积神经网络（textCNN）、编码器、解码器、贪婪搜索、全局搜索、束搜索、注意力机制、自然语言处理案例、机器人翻译、读取和与处理数据集、含注意力机制的编码器-解码器、训练模型、预测不定长的序列、评价翻译结果、唐诗生成器、定义输入数据、定义多层LESTM模型、定义损失函数、训练模型生成文字、更多参数说明、运行自己的数据