自從西元 1998 年 Yann LeCun 大師提出 LeNet 神經網路 (Neural Network) 作為手寫文件的辨識方法之後，Convolutional Neural Network (CNN) 網路架構成功的提昇了神經網路的執行效率；同時也證明了將神經網路應用在實際產品的可行性。到了西元 2012 年 Geoffery Hinton 大師所提出的 AlexNet (含有 8 層網路深度) 在 ImageNet 年度影像識別大會 (ILSVRC-2012) 奪得當年比賽的冠軍，將辨識的錯誤率降低至 16.4%，受到當時各界的矚目，也更證明了深度學習 (Deep Learning) 的效果及實用性。接著在西元 2014 年，Google 團隊更提出了深度為 22 層的 GoogLeNet 神經網路，在ILSVRC-2014 比賽中贏得冠軍，更將辨識的錯誤率降低至 6.7%；Google 同時也運用深度學習的技術實現了許多智慧型的服務，例如 Google Now 語音辨識、Gmail 自動回信、Gmail 垃圾郵件判斷、Google相簿自動分類與辨識、Google 翻譯等。因此，深度學習的技術已漸漸地實現了許多我們期待已久的人工智慧 ( Artificial Intelligence ) 應用系統；加上現今 CPU與 GPU 平行處理能力的大幅增長，更促進了目前深度學習被開發的腳步。
在兩天的深度學習訓練營中，第一天所安排的課程內容將由淺而深，從神經網路的基礎模型開始說明，包含訓練與辨識的方法，使學員瞭解基礎模型的運作方式。接著將介紹在深度學習技術中常用的 Convolutional Neural Networks (CNN) 模型，配合 Image classification 應用實例，幫助學員實際的瞭解深度學習的訓練及辨識概念；然而運算速度終究成為實際應用的瓶頸，因此運用 GPU 加速已成為深度學習項目中不可不知的關鍵技術。NVIDIA提供 cuDNN 等加速程式庫，讓使用者可以運用所提供的高階模型來加速深度學習的計算，因此本課程也將介紹 cuDNN 等加速程式庫的使用方法。
經過第一天深度學習的基礎訓練之後，第二天的課程內容將著重於 Berkeley CAFFE 及 Google TENSORFLOW 等深度學習平台的介紹與展示。
※上課時間 ：歡迎機關團體或個人隨時來電洽詢。
※基礎 ：具備有 C 程式語言的設計基礎者均可參加此課程。
Designed by ezb2b2c
