课程介绍：
随着深度学习技术在学术界和工业界得到广泛认可，越来越多的人开始参与到深度学习的相关研究和实践中来。然而，由于存在一定的技术门槛，快速入手深度学习的研究并不是一件容易的事情。其中的一个重要原因是，深度学习中的许多问题非常依赖于实践。然而长期以来，学术界和工业界缺少一款专门为深度学习而设计的，兼具性能、灵活性和扩展性等诸多优势于一身的开源框架。这使得无论是快速实现算法，还是复现他人的结论，都存在着实践上的困难。研究人员和工程师们迫切需要一套通用而高效的深度学习开源框架。2013年，一款叫作“Caffe”的深度学习框架由加州大学伯克利分校的贾扬清博士在Github上发布。发布伊始，Caffe框架就得到了广泛的关注。Caffe框架以“Layer层”为单位对深度神经网络的结构进行了高度的抽象，通过一些精巧的设计显著优化了执行效率，并且在保持高效实现的基础上不失灵活性。无论在结构、性能上，还是代码质量上，Caffe都是一款十分出色的开源框架。更重要的是，它将深度学习的每一个细节都原原本本地展现出来，供人们学习和实践。可以说，Caffe框架的发布极大地降低了深度学习研究和开发的难度。当前深度学习的计算框架除了Caffe还有很多，例如Torch、MxNet、TensorFlow、Theano等，而Caffe更擅长的是图像数据的深度学习处理，以及在开发之初就是以设计给科研人员实用为主，所以实用操作虽然不是最简便的，但是性能运算速度以及源码的设计都非常优秀，值得所有的“极客”们的学习。本课程从四个方面学习Caffe,分别是Caffe源码学习与介绍，Caffe使用与添加自定义Layer，自己动手写CNN框架以及案例应用，课程对深度学习的理论部分讲解不会很多，着重与Caffe框架的学习和实践，课程的宗旨是让同学们不仅可以学习并使用Caffe做深度学习的图像处理，还可以学习深度学习的程序实现，因此动手编程的部分较多，所以建议报名的同学是对编程有较大的热情。
课程目录：
一. Caffe源码学习与介绍
第1课 Caffe的介绍、安装和配置、Caffe的优点与局限性
第2课 深入Caffe源码，Caffe目录结构，数据结构，Caffe模型(Blob,Layer,Net)
第3课 Caffe的I/O模块，Caffe前/后向传播计算，优化求解过程，Layer的四种类型
二. Caffe使用与添加自定义Layer
第4课 使用Caffe已有的Layer层训练自己的数据集，编写Caffe实用工具
第5课 使用自己训练的Caffe模型文件到代码中，参数优化策略与模型对比方法（一）
第6课 使用自己训练的Caffe模型文件到代码中，参数优化策略与模型对比方法（二）
第7课 编写自己的自定义Layer添加到Caffe中并使用
三. 自己动手写CNN框架
第8课 编写属于自己的CNN框架（初级）
第9课 编写属于自己的CNN框架（进阶）
第10课 自己的CNN框架Caffe做对比，优化策略
四. 案例应用
第11课 Caffe+OpenCV实现基于CPU下运行Caffe的优化
第12课 利用Caffe训练代码实现R-CNN
第13课 简介Caffe基于GPU的应用
