卷积神经网络（Convolutional Neural Networks）是人工神经网络的重要分支，目前已经成为语音和图像识别领域的一大研究热点。特别是在图像识别领域，由于其特有的权值共享网络结构，大大降低了模型复杂度，减少了权值数量，因此可以直接将多维图像作为输入数据展开训练，有效避免了传统识别算法中复杂的特征提取和数据重建过程。
逐本溯源，卷积结构最早出现于 1984 年的神经认知机（NeoCognitron）。发展到 1998 年，诞生了第一代经典卷积神经网络 LeNet，但随着支持向量机 SVM（Support Vector Machine）的出现，卷积神经网络一度归于沉寂。后来，随着 ReLu（Rectified Linear Units）和 Dropout 等激活函数的提出，以及 GPU 和大数据带来的历史机遇，卷积神经网络在 2012 年迎来了一个历史性的突破 —— AlexNet 网络。AlexNet 在当年的 ImageNet 图像分类竞赛中，Top-5 错误率比上年冠军下降了十个百分点，而且远远超过当年的第二名，震惊了整个行业。随后，以 AlexNet 为基础，又出现了 VGG（Visual Geometry Group）、Inception 和 ResNet 等多种不同的子类。
那么问题来了，这些各不相同的卷积神经网络究竟有哪些不同，它们各自的技术特点是什么，又都应用于哪些领域？面对所有这些疑问，雷锋网(公众号：雷锋网)有幸请到了PPmoney 大数据算法总监黄文坚来做一个彻底的解答。
黄文坚，PPmoney 大数据算法总监，谷歌 TensorFlow 贡献者，畅销书《 TensorFlow 实战》作者（该书获得到了谷歌 TensorFlow 团队的官方推荐）。前明略数据技术合伙人，领导了对诸多大型银行、保险公司、基金的数据挖掘项目，包括建立金融风控模型、新闻舆情分析、保险复购预测等。曾就职于阿里巴巴搜索引擎算法团队，负责天猫个性化搜索系统。曾参加阿里巴巴大数据推荐算法大赛，于 7000 多支队伍中获得前 10 名。本科、研究生就读于香港科技大学，曾在顶级会议和期刊 SIGMOBILE MobiCom、IEEE Transactions on Image Processing 发表论文，研究成果获美国计算机协会移动计算大会（MobiCom）最佳移动应用技术冠军，并获得两项美国专利和一项中国专利。
本期公开课内容包括但不限于：
1. 卷积神经网络概述以及经典网络介绍
2. AlexNet 网络的技术特点介绍
3. VGG 网络的技术特点介绍
4. Inception 网络的技术特点介绍
5. ResNet 网络的技术特点介绍
2月28日 下午3点 微信直播群准时开课
扫描下方海报上的二维码，关注“AI科技评论”，在菜单里点击“公开课”添加管理员，管理员拉你进群交流。转发海报到朋友圈，还有机会赢取《Tensorflow 实战》书籍。
本次课程优先学术、技术开发人士进群，敬请知悉。
本文作者：恒亮 本文转自雷锋网禁止二次转载， 原文链接 相关资源：七夕情人节表白HTML源码(两款)