本课程面向零基础学员，旨在从基础理论到实践案例，系统讲解深度学习基本原理、PyTorch 框架的使用，以及如何将深度学习技术应用于材料科学中的各类问题。课程既包含人工智能、数据预处理、模型构建、模型调参等深度学习核心内容，也结合材料科学的具体案例（如电极参数优化、晶界预测和电镜表征图像识别与分析），实现理论与实践的充分融合。特别地，凡购买材料人深度学习工作站，可以任选我们一门深度学习课程免费参加！2025年4月12日-13日 09:00-12:00、14:00-17:00
1深度学习基础
1.1 人工智能、机器学习与深度学习概述
1.2 pytorch简介及相关数学原理与算法
2 电池材料科学概论
2.1 电池材料科学基本概念与分类
2.2 电池材料的关键性能指标与表征技术
2.3 材料数据的特性与挑战：数据稀疏性、噪声与高维度
2.4 数据预处理与特征工程在材料科学中的重要性
第二部分：PyTorch深度学习框架与基础操作
3 PyTorch 环境搭建与基础知识
3.1 Python 与 PyTorch 安装及代码运行环境配置
3.2 Tensor 基础：创建、运算与向量化操作
3.3 GPU加速与PyTorch的CUDA支持
4神经网络基础与模型构建
4.1 神经网络基本结构：全连接层、激活函数、损失函数
4.2 线性回归与逻辑回归在 PyTorch 中的实现
4.3 PyTorch 与 Numpy 的数据转换及常用 API 对应关系
4.4 自动求导机制与反向传播原理
第三部分：实践案例与应用
5 案例一：手写数字识别（MNIST）
5.1 MNIST数据集简介与预处理（独热编码、归一化等）
5.2 构建多层全连接神经网络
5.3 模型训练、优化（SGD、Adam、ASGD）与分类损失函数
5.4 权重可视化与模型性能评估
6案例二：电池电极参数优化
6.1 材料数据预处理与特征工程
6.2 模型构建中的关键技巧：学习率调整、Dropout 与正则化
6.3 批大小、回调函数及模型保存与加载
6.4 结果可视化与实验效果分析
7案例三：电池材料晶界预测
7.1 文献数据整理与预处理
7.2 PyTorch模型构建：全连接网络与图神经网络对比
7.3 模型训练、调优及与文献结果对比
7.4 学习曲线诊断与模型误差分析
8案例四：电池材料电镜表征图像识别与分析
8.1图像数据的获取、预处理与增强
8.2深度卷积神经网络构建：卷积与池化与全连接层
8.3基于 PyTorch 的图像分类模型构建
8.4 模型不确定性分析与性能评估
8.5 模型调参策略分析
廖老师，国家重点实验室研究员，在国内和海外知名高校完成博士及博士后研究工作，主要研究方向为基于深度学习的材料性能预测与优化，以及利用机器学习技术加速新型电池材料的研发，相关研究发表在Advanced Energy Materials、Small、Energy & Environmental Science等国际知名期刊，累计发表学术论文20余篇，并担任多个期刊审稿人，具有丰富的深度学习与材料科学交叉领域的研究经验。
点击阅读原文进入上课链接，购买后即可获得直播和回看观看权限，或联系客服开通权限。请在直播期间进入网页观看直播或通过APP观看，微信群内答疑交流，直播结束后同地址观看回看。回看不限时不限次。
