一、 基本要求

深度学习应用开发平台是为大学本科人工智能核心课程——《深度学习》进行算法学习实验及相关案例开发的开放性平台。深度学习平台包括：深度学习服务器、计算机终端（选配）、相机、开源深度学习框架、样例程序、大量训练测试数据等。本应用开发平台主要解决《深度学习》课程教学工程实践问题，真正培养学生具有基于《深度学习》经验丰富知识的实践项目开发能力。

二、硬件配置

1. 服务器

1.1 机箱：5U塔式服务器；

1.2 CPU：Intel XEON 2.1G 16核处理器；

1.3 GPU：4个8G Telsa P4卡；

1.4 内存：128，主频2666内存；

1.5 硬盘：480G SSD+4T企业级硬盘；

1.6 显示器：21英寸。

2. 计算机终端

2.1 CPU：Intel i5处理器；

2.2 显卡：独立显卡，2G；

2.3 内存：8G；

2.4 硬盘：1T+128G SSD；

2.5 显示器：21英寸。

3. 深度学习视觉系统

3.1 200万像素智能相机；

3.2 包含1路麦克风和1路扬声器，1路音频输入和1路音频输出；

3.3 1/2.7”CMOS传感器；

3.4 较 大图像尺寸：1920×1080；

3.5 RJ45以太网接口；

3.6 电源：DC12V/15W。

三、软件配置

1. TensorFlow软件及开发案例；

2. PyTorch软件及开发案例；

3. ★提供20个从入门到综合应用的深度学习开源案例；

4. 提供5000个以上深度学习案例数据。

四、应用开发案例

1. 人工神经网络与机器学习

1.1 单层感知机MCP；

1.2 多层感知机MLP；

1.3 BP神经网络。

2. 深度学习主要网络结构

2.1 卷积神经网络及应用；

2.2 循环神经网络及应；

2.3 残差网络及应用；

2.4 生成对抗网络及应用。

3. 深度学习开源框架

3.7 基于TensorFlow框架的网络模型搭建；

3.8 基于PyTorch框架的网络模型搭建。

4. 深度学习在自然语音处理的应用

4.1 中文分词与词性标注；

4.2 句法分析与文本处理；

4.3 机器翻译。

5. 深度学习在图像处理的应用

5.1 手写数字识别；

5.2 图像分类；

5.3 目标检测识别；

5.4 人脸识别；

5.5 图像生成。

6. 深度学习在语音识别的应用

6.1 语音识别模型；

6.2 语音输入法；

6.3 语音合成。

四、配套教学资源

1. ▲配套提供与平台案例列表一致的《深度学习》教材；

2. ▲配套提供支持iOS和安卓APP、Web客户端等学习的互联网平台教学视频课程资源。