构建Gesture CNN模型

本课程主要以深度学习技术应用于项目目的出发，前两部分从深度学习相关开发工具Anacond、Tensorflow、Python-OpenCV2的安装开始，一步一步仔细讲解、分析、编程实现：卷积神经网络CNN中的各种技术细节，让大家更好的理解卷积层、池化层、激活层等运算实现方式，快速上手构建、编写自己的卷积神经网络。
后两部分详细讲解2个项目：Gesture、Cifar-10,从零开始，涉及通过样本的原图构建自己的训练数据集、构建自己的CNN模型、分析模型、训练模型、保存模型，加载模型进行预测，一些列完整的例程操作实现。期间还涉及图像的样本制作方法，如样本的白化处理和增广技术。

具体：

1、深度学习简介

2、CNN的相关运算

   从理论到程序：单通道数据和多通道数据的卷积（convolution）、池化（pooling）、激活层（relu）等原理分析及程序实现。

3、Gesture案列分析,包括

   1) Gesture tfrecords原图数据集（数据类型uint8）制作;

   2）tfrecords数据集解码，构建训练的Batch;

   3）CNN 模型分析及构建、模型训练、模型保存的实现;

   3）模型加载预测样本。

4、Cifar-10案例分,包括

   1）三通道原图数据白化处理;

   2) 基于白化处理后的浮点数据制作tfrecords数据集;

   2）浮点型tfrecords的数据集解码

   3）模型分析构建、训练保存;

   3）已有模型再训练;

   4）模型加载预测。