深度学习基础课：课程介绍
大家好~我开设了“深度学习基础班”的线上课程，带领同学从0开始学习全连接和卷积神经网络，进行数学推导，并且实现可以运行的Demo程序
线上课程资料： 本节课录像回放 扫码加QQ群，获得ppt等资料，与群主交流讨论：
本系列文章为线上课程的复盘，每上完一节课就会同步发布对应的文章
本文为第一节课：课程介绍的复盘文章
本课程系列文章可进入索引查看：深度学习基础课系列文章索引
我主要关注在图形学中的应用，在“深度学习和图形学渲染的结合和应用” 中总结了深度学习在图形学中的部分应用。
具体来说应用包括下面几个方面：
降噪
如上图所示，左边为路径追踪生成的有噪点的场景图片，右边为经过深度学习降噪后的清晰图片
降噪主要使用深度学习中的卷积神经网络，这也是本课程会重点学习的在最新的论文中，已经实现了10ms降噪，从而可以用在实时渲染的全局光照中了！
神经渲染
具体说就是2D图片转成3D场景
比如谷歌之前发布的3D地图，就是使用了该技术。它先从多个角度拍摄街道，然后通过深度学习中的NeRF将其转换为可从任意视角观看的3D模型
语义图像合成
深度学习通过GAN网络，可以将“我的世界”这种体素构成的3D场景，转换为三角面构成的3D场景，从而可以实现玩家在游戏中既可以像我的世界那样，通过操作体素的方式自定义世界，又可以切换到真实渲染模式（三角面组成的3D场景）查看渲染精美的3D场景
辐照度缓存
在Real-time Neural Radiance Caching for Path Tracing论文中，提出了使用深度学习实现辐照度缓存，从而加快路径追踪的渲染速度
高清分辨率的纹理
在NeuMIP: Multi-Resolution Neural Materials论文中，提出了使用深度学习实现高清分辨率的纹理
Rescript Rescript以前叫Reasonml，它跟Typescript类似，都属于编译到Javascript的语言 Rescript是从Ocaml而来，基于函数式编程范式，高度优化了编译后的Javascript，性能非常好，非常适合像深度学习这种处理数据的场景 Rescript的学习资料为： 官方文档
零基础上手学习
从0开始
进行数学推导
实现可以运行的Demo程序
掌握深度学习的数学推导
获得深度学习的实战经验
了解深度学习在图形学中的应用
本课程从0开始，不使用任何框架，重点学习在“图像识别”、“降噪”领域的应用
课程内容包括：
课程介绍
实现“判断性别”Demo
推导前向传播和梯度下降
基于全连接层实现“识别手写数字”Demo
基于卷积神经网络实现“判断性别”Demo
基于卷积神经网络实现“识别手写数字”Demo
实现优化算法
实现LeNet
实现AlexNet实现图像识别Demo实现多个Backend基于卷积神经网络实现“降噪”Demo