堂數

課程名稱

課程重點

第一堂

深度學習概論與 PyTorch 基礎

• AI 版圖導讀：深度學習 vs 機器學習 vs 人工智慧的差異。
• PyTorch 核心操作：Tensor (張量) 的建立、運算與 GPU加速設定。
• 神經網路解密：感知器 (Perceptron)、權重 (Weights) 與偏差 (Bias)。
• Jupyter 環境實戰：設定開發環境並執行第一個 PyTorch 程式。
• 實作練習：利用 Tensor 運算實作簡單的線性迴歸預測。

第二堂

類神經網路 (ANN) 與模型訓練

• 建構神經網路：使用 torch.nn 搭建多層感知器 (MLP)。
• 訓練流程詳解：前向傳播 (Forward) 與反向傳播 (Backward)。
• 優化器與損失函數：SGD/Adam 優化器與 Cross-Entropy Loss 的應用。
• 數據集處理：使用 DataLoader 載入與批次處理數據。
• 實作練習：手寫數字辨識 (MNIST) 模型訓練與準確度評估。

第三堂

卷積神經網路 (CNN) 視覺應用

• 電腦視覺之眼：卷積層 (Convolution) 與池化層 (Pooling) 原理。
• CNN 架構設計：特徵提取 (Feature Extraction) 與分類器的結合。
• 圖像資料處理：讀取圖像、正規化與 Tensor 轉換。
• 模型效能調校：解決過擬合 (Overfitting) 與 Dropout 技巧。
• 實作練習：建構 CIFAR-10 彩色圖像分類器。

第四堂

資料增強與遷移學習 (Transfer Learning)

• 資料增強技術：旋轉、翻轉、裁剪，讓小數據也能訓練大模型。
• 預訓練模型 (Pre-trained Models) 介紹 (如 ResNet, VGG)。
• 遷移學習實戰：載入 ImageNet 預訓練權重並進行微調 (Fine-tuning)。
• 模型儲存與載入：如何保存訓練好的模型權重以供推論使用。
• 實作練習：利用 ResNet50 快速打造客製化圖像辨識系統 (如：貓狗分類)

第五堂

NVIDIA DLI 專案實作與認證考核

• 進階專案挑戰：整合前四堂所學，改善模型的推論速度與準確度。
• 模型評估與視覺化：繪製 Loss 曲線與混淆矩陣，分析模型弱點。
• 成果發表：學員展示最終訓練成果，並進行結業考核。