MATLAB 2024b深度学习工具箱通过架构创新与功能强化，为科研创新和行业应用提供了全栈式解决方案。
第一：MATLAB 2024b深度学习工具箱新特性
1、MATLAB Deep Learning Toolbox
2、实时脚本（Live Script）与交互控件（Control）功能
3、批量大数据导入及Datastore类函数功能
4、数据清洗（Data Cleaning）功能
5、深度网络设计器（Deep Network Designer）功能
6、实验管理器（Experiment Manager）功能
7、MATLAB Deep Learning Model Hub
8、MATLAB与TensorFlow、PyTorch等深度学习框架协同工作功能
9、MATLAB Deep Learning Toolbox Examples
第二：卷积神经网络（Convolutional Neural Network, CNN）
1、深度学习与传统机器学习的区别与联系
2、卷积神经网络的基本原理
3、LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet等经典深度神经网络的区别与联系
4、预训练模型（Alexnet、Vgg-16/19、GoogLeNet、ResNet等）的下载与安装
5、优化算法（梯度下降、随机梯度下降、小批量随机梯度下降、动量法、Adam等）
6、调参技巧（参数初始化、数据预处理、数据扩增、批量归一化、超参数优化、网络正则化等）
7、（1）CNN预训练模型实现物体识别；（2）利用卷积神经网络抽取抽象特征；（3）自定义卷积神经网络拓扑结构；（4）1D CNN模型解决回归拟合预测问题
第三：模型可解释性与特征可视化Model Explanation and Feature Visualization
1、什么是模型可解释性？为什么要对CNN模型进行解释？
2、常用的可视化方法有哪些（特征图可视化、卷积核可视化、类别激活可视化等）？
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的卷积神经网络模型的特征可视化
第四：迁移学习算法（Transfer Learning）
1、迁移学习算法的基本原理
2、基于深度神经网络模型的迁移学习算法
3、基于Alexnet预训练模型的模型迁移
第五：循环神经网络与长短时记忆神经网络（RNN & LSTM）
1、循环神经网络（RNN）与长短时记忆神经网络（LSTM）的基本原理
2、RNN与LSTM的区别与联系
3、（1）时间序列预测；（2）序列-序列分类
第六：时间卷积网络（Temporal Convolutional Network, TCN）
1、时间卷积网络（TCN）的基本原理
2、TCN与1D CNN、LSTM的区别与联系
3、（1）时间序列预测：新冠肺炎疫情预测；（2）序列-序列分类：人体动作识别
第七：生成式对抗网络（Generative Adversarial Network）
1、生成式对抗网络GAN
2、向日葵花图像的自动生成
第八：自编码器（AutoEncoder）
1、自编码器的组成及基本工作原理
2、经典自编码器
3、基于自编码器的图像分类
第九：目标检测YOLO模型
1、什么是目标检测？目标检测与目标识别的区别与联系？YOLO模型的工作原理（从传统目标检测到基于深度学习的目标检测、从“两步法”的R-CNN到“一步法”的YOLO、YOLO模型的演化历史）
2、(1)标注工具Image Labeler功能简介与演示；(2)使用预训练模型实现图像、视频等实时目标检测；(3)训练自己的数据集：新冠疫情佩戴口罩识别
第十：图像语义分割U-Net模型
1、语义分割（Semantic Segmentation）
2、U-Net模型的基本原理
3、基于U-Net的多光谱图像语义分割
第十一：注意力机制（Attention）
1、注意力机制的背景和动机。
2、注意力机制的基本原理
3、注意力机制的主要类型：键值对注意力机制（Key-Value Attention）、自注意力（Self-Attention）与多头注意力（Multi-Head Attention）、Soft Attention 与 Hard Attention、全局（Global）与局部（Local）注意力
4、注意力机制的优化与变体：稀疏注意力（Sparse Attention）、自适应注意力（Adaptive Attention）、动态注意力机制（Dynamic Attention）、跨模态注意力机制（Cross-Modal Attention）
5、（1）基于注意力机制的Seq-to-Seq翻译；（2）基于注意力机制的图像描述
第十二：Transformer模型及其在NLP和CV领域的应用
1、Transformer模型的提出背景
2、Transformer模型的进化之路
3、Transformer模型拓扑结构
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、基本架构、与传统CNN的比较、输入图像的分块处理、位置编码、Transformer编码器、分类头、ViT模型的训练与优化
8、（1）基于BERT模型的文本分类；（2）基于ViT模型的图像分类
第十三：物理信息神经网络（PINN）
1、PINN工作原理：物理定律与方程的数学表达、如何将物理定律嵌入到神经网络模型中？PINN的架构（输入层、隐含层、输出层的设计）、物理约束的形式化（如何将边界条件等物理知识融入网络？）损失函数的设计（数据驱动与物理驱动的损失项）
2、基于PINN的微分方程求解
第十四：图神经网络（GNN）
1、图神经网络的背景和基础知识
2、图的基本概念和表示
3、图神经网络的工作原理
4、图卷积网络（GCN）的工作原理。
5、图神经网络的变种和扩展：图注意力网络（GAT）、图同构网络（GIN）、图自编码器、图生成网络。
6、（1）基于图卷积神经网络的节点分类；（2）基于图神经网络的时间序列异常点检测
第十五：深度学习模型压缩（Compression）
1、深度学习模型压缩的常用方法
2、Deep Learning Toolbox Model Compression Library的安装与模型压缩
3、基于Deep Network Designer的模型压缩
第十六：MATLAB接入ChatGPT/DeepSeek等大语言模型
1、Ollama下载与安装
2、Large Language Models (LLMs) with MATLAB下载与安装
3、ChatGPT API Key配置与MATLAB接入ChatGPT对话
4、本地部署DeepSeek大语言模型与MATLAB接入DeepSeek对话
)
