客观的：使用预训练网络执行图像分类。使用转移学习训练自定义分类网络。

• 预训练网络
• 图像数据存储
• 迁移学习
• 网络评估

目标：通过可视化网络中的图像数据，深入了解网络的运行方式。将此技术应用于不同类型的图像。

• 激活
• 机器学习中的特征提取

目标：从头开始构建卷积网络。了解信息如何在网络层之间传递以及不同类型的层如何工作。

• 从无到有的训练
• 神经网络
• 卷积层和滤波器

目标：了解训练算法是如何工作的。设置培训选项以监视和控制培训。

• 网络培训
• 培训进度图
• 验证

目标：选择并实现对训练算法选项、网络架构或训练数据的修改，以提高网络性能。

• 培训方案
• 有向无环图
• 扩充数据存储

目标：创建能够预测连续数值响应的卷积网络。

• 回归迁移学习
• 回归网络的评价指标

目标：训练网络定位和标记图像中的特定对象。

• 图像应用程序工作流
• 对象检测

目标：构建和训练网络，对有序数据序列（如时间序列或传感器数据）进行分类。

• 长短时记忆网络
• 层序分类
• 序列预处理
• 分类序列

目标：使用递归网络来创建预测序列。

• 序列间分类
• 序列预测