----追光逐电 光赢未来----
深度学习光学设计（光网络与逆向设计）专题
深度学习计算光学成像专题
FLOWER CLUSTERS
深度学习光学设计讲师介绍
深度学习计算光学成像讲师介绍
深度学习光学设计目标
深度学习光学设计
第一天
第一章 导论
第二天
第三章 深度学习
第一节 机器学习
第二节 机器学习中的关键组件
2.1 数据
2.2 模型
2.3 损失函数
2.4 优化算法
第三节 机器学习的分类
3.1 监督学习
3.2 无监督学习
3.3 半监督学习
3.4 强化学习
3.5 迁移学习
第四节 深度学习
4.1 深度学习的发展历程
4.2 深度学习的进展
4.3 人工神经网络
第四章 深度学习模型（实操）
第一节 线性神经网络实例
1.1 线性回归
1.2 softmax 回归
第二节 多层感知机实例
2.1 多层感知机
2.2 模型选择、欠拟合和过拟合
2.3 权重衰减
2.4 Dropout
第三节 卷积神经网络实例
3.1 从全连接层到卷积
3.2 通道和汇聚层
3.3 卷积神经网络（LeNet）
3.4 批量归一化
3.5 残差连接
第四节 循环神经网络实例
4.1 序列模型
4.2 语言模型和数据集
4.3 循环神经网络
第五节 生成对抗网络实例
5.1 概率生成模型
5.2 变分自编码器
5.3 生成对抗网络
第三天
第五章 超材料
第一节 超材料概述
第二节 光子晶体(COMSOL 实际操作)
2.1 光子晶体基础和应用
2.2 传递矩阵方法求解一维光子晶体能带
2.3 平面波展开法求解一维光子晶体能带
2.4 有限元法求解光子晶体能带
2.4.1 二维正方晶格能带
2.4.2 二维正方晶格光子晶体板能带
2.4.3 二维三角晶格光子晶体板能带
2.4.4 二维六角晶格光子晶体板能带
2.5 光子晶体板中的连续谱束缚态(BIC)及其拓扑荷的计算
第三节 超表面在光场调控中的作用
3.1 相位调控
3.2 光强调控
3.3 偏振调控
3.4 频率调控
3.5 联合调控
第四节 超表面仿真实例(COMSOL 实际操作)
3.1 频率选择表面周期性互补开口谐振环
3.2 超表面光束偏折器
第五节 超构表面在量子光学中的研究与应用
5.1 量子等离激元
5.2 量子光源
5.3 量子态的测量与操纵
5.4 量子光学的应用
第四天
第六章 基于马赫-增德尔干涉仪的光计算
第一节 光计算及光神经网络的简介
1.1 光计算的背景介绍
1.2 光神经网络的发展与分类
1.3 光神经网络的研究现状
第二节 基于 MZI 的光神经网络原理
2.1 全连接神经网络原理讲解
2.2 MZI 级联的相干光矩阵计算原理
2.3 N 阶酉矩阵分解
2.4 基于 MZI 拓扑级联的酉矩阵通用架构
第三节 训练数据集的获取与处理（Python 实操）
3.1 Python 程序环境安装
3.2 Pycharm 主要功能介绍
3.3 数据集的获取方法
3.4 训练数据集的前期处理
第四节 酉矩阵通用架构的搭建（Python 实操）
4.1 二阶酉矩阵的搭建
4.2 clement 架构的搭建
第五节 光神经网络的模型运行（Python 实操）
第五天
第七章 全光衍射神经网络
第一节 标量衍射理论基础
1.1 惠更斯-菲涅耳原理
1.2 瑞利-索莫菲衍射公式
1.3 衍射角谱理论
1.4 离散傅里叶变换
第六节 光学衍射神经网络（Python 实操）
2.1 人工神经网络结构
2.2 光学衍射神经网络结构
2.3 光学衍射神经网络实现手写数字识别
2.4 光学衍射神经网络的应用
第八章 超材料反向设计实例
第一节 基于神经网络方法实现全介质超表面的设计（COMSOL 实操）
1.1 超表面元的模拟
1.2 超表面元的参数提取
1.3 训练数据集的搭建
1.4 预测模型的训练
第二节 CNN 和 RNN 的组合寻找等离子体结构的光学特性（COMSOL 实操）
第三节 DELAY 强化学习算法实现激光器的自动锁模控制
深度学习计算光学成像专题
第一天：
第一章：光学成像基础
第一节：绪论
1.什么是光学成像？
2.光学成像进展
第二节：光学成像重要属性
1.物距、焦距、空间带宽乘积
2.分辨率、视场、景深
3.球差、慧差、场曲、畸变、色差、像差
4.点扩散函数、调制传递函数
第三节：成像质量评价指标
1.全参考评价
2.半参考评价
3.无参考评价
第四节：光学成像发展趋势
1.功能拓展 (相位、三维、非视距、穿云透雾、遥感)
2.性能改善（视场大小、分辨率、成像速度）
3.系统优化（小型化、廉价化、高效制造）
第二章：典型计算成像
第一节：计算机断层扫描（CT）成像
1.基本原理（X射线投影与探测）
2.基于深度学习的计算重建
3.技术进展与应用
第二节：压缩感知成像
1.稀疏表示与测量
2.典型重建算法与优化
3.压缩感知成像计算重建
4.应用与发展趋势
第三节：编码孔径成像
1.编码孔径设计原理
2.成像系统特性与优势
3.基于深度学习的图像重建
4.典型应用概述
第四节：非视距成像
1.成像场景概述
2.光传播模型与测量
3.成像重建算法
4.技术挑战与未来发展
第五节：无透镜成像
1.成像系统
2.光传播模型建模
3.基于深度学习的计算重建
4.技术挑战及发展
第三章：实操软件介绍及运行（实践）
第一节：Python环境的搭建
1.了解anaconda的安装
2.运行环境创建及激活
3.学习编译器spyder的使用
4.Shell脚本的使用
第二节：Python基本操作
1.变量、数据类型、控制流
2.函数、文件操作
第三节：深度学习环境实践
1.pytorch框架介绍
2.学习编译器spyder的使用
3.Shell脚本的使用
第四节：简单的深度学习网络实操
1.学习深度学习网络学习所需文件、运行方式
2.了解数据集导入、了解网络训练、了解网络测试
第二天
第四章 最优化理论基础
第一节：引言与基础概念
1.最优化概述与定义
2.最优化问题的分类与形式化表示
3.目标函数与约束条件的基本概念
4.最优解的定义与性质
5.常见的最优化应用场景与实例
6.稀疏理论及其分析
第二节：单变量最优化方法及其编程（理论+实操）
1.单变量函数的最大值与最小值
2.黄金分割法与二分法
3.牛顿法与割线法
4.收敛性与收敛速度分析
5.实际问题中的应用与限制
第三节：多变量无约束优化及其编程（理论+实操）
1.多变量函数的最优化问题
2.梯度下降法与共轭梯度法
3.牛顿法与拟牛顿法
4.收敛性与局部最优解
5.凸优化的基本理论与方法
第四节：多变量约束优化（理论+实操）
1.等式约束与不等式约束的最优化问题
2.拉格朗日乘子法
3.KKT条件与约束优化的求解策略
4.内点法与序列二次规划方法
5.实际问题中的应用与复杂性分析
第五节：典型最优化方法
1.最小二乘法
2.ISTA方法
3.ADMM方法
4.方法编程实现（实操）
第三天
第五章 深度学习基础
第一节：深度学习相关基础
1.了解神经网络的基本原理
2.了解反向传播和链式梯度计算
第二节：主流神经网络构型讲解
1.典型卷积网络介绍（ResNet、UNet）
2.Transformer
3.MLP
第三节：神经网络训练策略
1.全监督
2.弱监督（半监督）
3.无监督（自监督）
4.迁移学习（蒸馏、域自适应）
第四节：典型神经网络的搭建及训练（实操）
主要对ResNet、UNet等选一二作为例子，搭建全监督、弱监督、无监督等训练模式，进行实操
第四天
第六章 计算成像实践
第一节：基于最优化理论的计算成像设计（理论+实操）
（选取典型的计算成像示例，通过最优化理论进行计算重建）
1.目标函数设计
2.优化算法选择
（选择合适的优化算法进行目标函数的求解，如梯度下降法、共轭梯度法、交替方向乘子法（ADMM）等）
3.噪声处理与鲁棒性增强
（在重建过程中考虑噪声的影响，通过加入正则化项或鲁棒优化技术，提高算法的抗噪性和鲁棒性）
3.实操示例
第二节：基于深度学习的计算成像设计（理论+实操）
（选取典型的计算成像示例，通过典型的神经网络进行计算重建）
1.系统架构设计和数据处理
2.深度学习模型设计及训练
3.算法优化策略与实现
4.性能评估
第五天
第七章 新兴深度神经网络设计实战（创新实践）
第一节：最优化理论的深度展开
1.最优化理论和深度学习的碰撞
2.如何将最优化方法展开成网络
第二节：讲解优化理论的深度展开具体设计
1.了解迭代收缩阈值网络论文大概
2.准备和制作数据集，参数的介绍
3.了解迭代收缩阈值网络的核心设计
第三节：如何从零开开始复现典型的迭代收缩阈值网络
1.学习阅读代码中的readme文档
2.了解代码执行的核心思想
3.介绍如何通过终端执行命令
第四节：将构建的迭代收缩阈值网络应用于无透镜计算成像实战
1.了解ImageNet数据集的基本内容及数据集整理
2.如何训练面向无透镜成像的新兴深度神经网络
申明：感谢原创作者的辛勤付出。本号转载的文章均会在文中注明，若遇到版权问题请联系我们处理。
----与智者为伍 为创新赋能----
联系邮箱：uestcwxd@126.com
QQ：493826566
