課程解讀
課程亮點
系統掌握Python深度學習與大模型核心技術，從理論到實戰構建AI應用全鏈路能力。本課程系統講解Python深度學習核心技術，從神經網絡基礎、卷積神經網絡、目標檢測、循環神經網絡到Transformer大模型，結合大量代碼實踐與真實項目案例，幫助學員掌握從模型構建、訓練優化到大模型私有化部署、微調與RAG知識庫建設的全鏈路實戰能力，覆蓋計算機視覺、自然語言處理、多模態應用等多個前沿方向。
適用對象
本課程主要面向人工智能算法工程師、深度學習研發人員、數據科學家及高校相關專業師生，特別適合希望系統提升深度學習理論與實戰能力，掌握大模型部署、微調與RAG技術的中高級開發人員。
相關事宜
2026年共舉辦2期課程
北京2026年5月29日~31日
上海2026年9月17日~19日
研修費用：4600元/人 (含培訓、工作餐、資料、證書)
工程師高培報名熱線：13269857695
微信致電均可，歡迎來詢！
課程大綱
第1節 Python深度學習基礎：深度學習在圖像處理、文本分類中的應用場景；深度學習和神經網絡基礎；函數、損失函數與優化算法；反向傳播算法；深度神經網絡模型（BP神經網絡、卷積神經網絡CNN、循環神經網絡RNN）；動手實踐：構建簡單的神經網絡——使用Python和TensorFlow/PyTorch構建和訓練神經網絡模型，數據預處理與模型評估。
第2節 卷積神經網絡原理及其應用：AlexNet、VGGNet、GoogleLeNet；Inception-V3/V4；ResNet、DenseNet；使用遷移學習實現蒙古文識別；獲取中間隱層的特征及可視化；隱層特征的意義和使用；遷移學習的trick（學習率、衰減、模型預訓練方式）；代碼和案例實踐：數字圖片分類，卷積核與特征提取，以圖搜圖，海量蒙古文識別，隱特征可視化及其應用。
第3節 目標檢測：視頻關鍵幀處理；卷積的位置不變性與圖像定位的關系；物體檢測與定位（RCNN、Fast-RCNN、Faster-RCNN、MaskRCNN）；YOLO、SSD；UNet及其與殘差網絡的結合；FaceNet與特征；EfficientNet、EfficientDet；視頻幀的目標定位；時空卷積網絡；SlowFast；代碼和案例實踐：人臉檢測，OCR字體定位和識別，睿客識云，氣象識別，視頻分類的trick，政務大廳視頻監控的真實系統。
第4節 循環神經網絡及其應用：數據預處理與序列填充；數據集劃分（訓練集、驗證集、測試集）；使用PyTorch和TensorFlow構建RNN模型（自定義RNN層、堆疊RNN層）；損失函數與評估指標的選擇；GRU（門控循環單元）；雙向RNN（Bi-RNN）；序列到序列（Seq2Seq）模型；注意力機制（Attention Mechanism）；機器翻譯、語音識別等應用場景。
第5節 自注意力Self-Attention和Transformer模型：編碼器、解碼器；自注意力機制詳解；Transformer（Mask Multi-Head Attention、位置編碼）；特定于任務的輸入轉換；無監督預訓練與有監督Fine-tuning；BERT思路理解；GPT基本思想；基于Transformer模型的分類任務；數據不平衡與領域適應性；模型選擇與調優；代碼和案例實踐：基本問答系統的代碼實現，深入閱讀理解的代碼實現，段落相關性代碼實現，高考作文神器，作文生成。
第6節 本地大模型私有化部署實操：1、Deepseek-R1蒸餾版的部署實操（模型獲取：通過HuggingFace官方倉庫申請權限，下載deepseek-r1-7B/8B/32B/70B的safetensors格式權重；推理服務啟動：關鍵參數trust_remote_code、max_model_len等講解，多種啟動服務方式對比；服務驗證：代碼調用與服務API參數設置）；2、Deepseek-R1 671B滿血版的部署流程（模型獲取：HuggingFace/Modelscope/github的參數下載；硬件配置說明：16張A100（700G顯存）、2T硬盤空間；對標模型的比較：QwQ系列與阿里32B模型對比）；3、Llama-3-8B快速部署（量化加速：FP8特點及Deepseek量化章節解讀；REST API調用：深度學習系統部署的常用方式及AI算法部署框架）。
第7節 使用蒸餾大模型完成微調、數據準備過程、模型訓練代碼實踐：1、Deepseek-R1領域數據微調（數據準備：JSONL格式，含instruction/input/output，數據源包括財報、券商研報、金融問答對等，關鍵處理使用SentencePiece重組專業術語tokenization；QLoRA訓練配置：微調常用方法，多種LoRA方式對比；啟動訓練：顯存優化與GPU并行）；2、探討適合微調的業務場景（闡述項目中RAG模式和LoRA模式的選擇，分析微調方案的優勢與不適合微調的場景）；3、UI缺陷檢測-多模態微調實踐（多模態數據融合原理，基于預訓練模型進行多模態微調操作，從數據標注到模型部署的完整流程，缺陷檢測效果評估，大型軟件項目中的UI缺陷檢測）。
第8節 知識庫建設與自定義知識問答RAG：1、私有數據的文檔生成系統全流程實操——架構設計（數據層：Wind API實時獲取宏觀指標+PDF解析模塊；推理層：Deepseek-R1作為生成核心，Mistral-8x7B進行事實核查；評估層：Rouge-L評估內容一致性，FinBERT檢測財務數據矛盾）；以部署拓撲理清整體脈絡（常規分析、復雜計算、數據采集、向量數據庫、路由決策、Deepseek-R1/Mistral-8x7B、合規審查、PDF輸出）；2、基于知識庫的問答系統實操——關鍵技術點（RAG增強：使用LlamaIndex構建行業知識圖譜，FAISS向量庫實現百萬級文檔秒級檢索；記憶管理：緩存最近輪次的對話摘要，采用CoT提示工程技術；風控攔截：關鍵詞過濾如“保證收益”“”等違規表述，置信度閾值設定softmax概率<0.7時觸發人工接管）。
主講專家
業內
深度學習與人工智能領域具備深厚的學術積淀與行業影響力。
經驗豐富
完成50多個深度學習實踐項目，廣泛應用于多個領域，具備豐富的跨行業項目落地經驗與技術培訓能力。