MATLAB 2024b深度學習工具箱通過架構創新與功能強化，為科研創新和行業應用提供了全棧式解決方案。
?
第一：MATLAB 2024b深度學習工具箱新特性
1、MATLAB?Deep Learning Toolbox
2、實時腳本（Live?Script）與交互控件（Control）功能
3、批量大數據導入及Datastore類函數功能
4、數據清洗（Data?Cleaning）功能
5、深度網絡設計器（Deep Network Designer）功能
6、實驗管理器（Experiment Manager）功能
7、MATLAB Deep?Learning Model Hub
8、MATLAB與TensorFlow、PyTorch等深度學習框架協同工作功能
9、MATLAB Deep?Learning Toolbox Examples
第二：卷積神經網絡（Convolutional Neural Network, CNN）
1、深度學習與傳統機器學習的區別與聯系
2、卷積神經網絡的基本原理
3、LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet等經典深度神經網絡的區別與聯系
4、預訓練模型（Alexnet、Vgg-16/19、GoogLeNet、ResNet等）的下載與安裝
5、優化算法（梯度下降、隨機梯度下降、小批量隨機梯度下降、動量法、Adam等）
6、調參技巧（參數初始化、數據預處理、數據擴增、批量歸一化、超參數優化、網絡正則化等）
7、（1）CNN預訓練模型實現物體識別；（2）利用卷積神經網絡抽取抽象特征；（3）自定義卷積神經網絡拓撲結構；（4）1D CNN模型解決回歸擬合預測問題
第三：模型可解釋性與特征可視化Model Explanation and Feature Visualization
1、什么是模型可解釋性？為什么要對CNN模型進行解釋？
2、常用的可視化方法有哪些（特征圖可視化、卷積核可視化、類別激活可視化等）？
3、CAM（Class Activation Mapping）、GRAD-CAM、LIME（Local Interpretable Model-agnostic Explanation）、t-SNE等方法原理
4、基于CAM/Grad-CAM的卷積神經網絡模型的特征可視化
第四：遷移學習算法（Transfer Learning）
1、遷移學習算法的基本原理
2、基于深度神經網絡模型的遷移學習算法
3、基于Alexnet預訓練模型的模型遷移
第五：循環神經網絡與長短時記憶神經網絡（RNN & LSTM）
1、循環神經網絡（RNN）與長短時記憶神經網絡（LSTM）的基本原理
2、RNN與LSTM的區別與聯系
3、（1）時間序列預測；（2）序列-序列分類
第六：時間卷積網絡（Temporal Convolutional Network, TCN）
1、時間卷積網絡（TCN）的基本原理
2、TCN與1D CNN、LSTM的區別與聯系
3、（1）時間序列預測：新冠肺炎疫情預測；（2）序列-序列分類：人體動作識別
第七：生成式對抗網絡（Generative Adversarial Network）
1、生成式對抗網絡GAN
2、向日葵花圖像的自動生成
第八：自編碼器（AutoEncoder）
1、自編碼器的組成及基本工作原理
2、經典自編碼器
3、基于自編碼器的圖像分類
第九：目標檢測YOLO模型
1、什么是目標檢測？目標檢測與目標識別的區別與聯系？YOLO模型的工作原理（從傳統目標檢測到基于深度學習的目標檢測、從“兩步法”的R-CNN到“一步法”的YOLO、YOLO模型的演化歷史）
2、(1)標注工具Image Labeler功能簡介與演示；(2)使用預訓練模型實現圖像、視頻等實時目標檢測；(3)訓練自己的數據集：新冠疫情佩戴口罩識別
第十：圖像語義分割U-Net模型
1、語義分割（Semantic Segmentation）
2、U-Net模型的基本原理
3、基于U-Net的多光譜圖像語義分割
第十一：注意力機制（Attention）
1、注意力機制的背景和動機。
2、注意力機制的基本原理
3、注意力機制的主要類型：鍵值對注意力機制（Key-Value Attention）、自注意力（Self-Attention）與多頭注意力（Multi-Head Attention）、Soft Attention 與 Hard Attention、全局（Global）與局部（Local）注意力
4、注意力機制的優化與變體：稀疏注意力（Sparse Attention）、自適應注意力（Adaptive Attention）、動態注意力機制（Dynamic Attention）、跨模態注意力機制（Cross-Modal Attention）
5、（1）基于注意力機制的Seq-to-Seq翻譯；（2）基于注意力機制的圖像描述?
第十二：Transformer模型及其在NLP和CV領域的應用
1、Transformer模型的提出背景
2、Transformer模型的進化之路
3、Transformer模型拓撲結構
4、Transformer模型工作原理
5、BERT模型的工作原理
6、GPT系列模型
7、ViT模型（提出的背景、基本架構、與傳統CNN的比較、輸入圖像的分塊處理、位置編碼、Transformer編碼器、分類頭、ViT模型的訓練與優化
8、（1）基于BERT模型的文本分類；（2）基于ViT模型的圖像分類
第十三：物理信息神經網絡（PINN）
1、PINN工作原理：物理定律與方程的數學表達、如何將物理定律嵌入到神經網絡模型中？PINN的架構（輸入層、隱含層、輸出層的設計）、物理約束的形式化（如何將邊界條件等物理知識融入網絡？）損失函數的設計（數據驅動與物理驅動的損失項）
2、基于PINN的微分方程求解
第十四：圖神經網絡（GNN）
1、圖神經網絡的背景和基礎知識
2、圖的基本概念和表示
3、圖神經網絡的工作原理
4、圖卷積網絡（GCN）的工作原理。
5、圖神經網絡的變種和擴展：圖注意力網絡（GAT）、圖同構網絡（GIN）、圖自編碼器、圖生成網絡。
6、（1）基于圖卷積神經網絡的節點分類；（2）基于圖神經網絡的時間序列異常點檢測
第十五：深度學習模型壓縮（Compression）
1、深度學習模型壓縮的常用方法
2、Deep Learning Toolbox Model Compression Library的安裝與模型壓縮
3、基于Deep Network Designer的模型壓縮
第十六：MATLAB接入ChatGPT/DeepSeek等大語言模型
1、Ollama下載與安裝
2、Large Language Models (LLMs) with MATLAB下載與安裝
3、ChatGPT API Key配置與MATLAB接入ChatGPT對話
4、本地部署DeepSeek大語言模型與MATLAB接入DeepSeek對話
)
