课程简介：
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（如电池剩余寿命预测、电极材料微结构分析和电池电极图像分割识别），实现理论与实践的充分融合。

上课时间

205年4月26日-27日

课程内容

第一部分：深度学习理论基础与背景知识

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 张量(Tensor)创建和基本操作

3.3 自动求导机制与反向传播原理

3.4 GPU加速与PyTorch的CUDA支持

3.5 PyTorch 与 Numpy 的数据转换及常用 API 对应关系

4神经网络基础与模型构建

4.1 神经网络基本结构

4.2 优化器(optimizer)

4.3 损失函数(Loss Function)

4.4 模型评估及性能指标介绍

4.5 任务关系总结表

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

5.2 项目环境配置

5.3 数据加载与预处理

5.4 模型构建

5.5 模型训练

5.6 结果评估

5.7 改进与进展

6案例二：基于Transformer算法的电池剩余寿命预测

6.1 NASA电池数据集介绍、预处理及关键参数提取和分析

6.2 RUL预测数据集预处理和可视化检查

6.3 Transformer模型搭建、训练及最优模型保存

6.4 Transformer模型加载、评估与寿命预测结果可视化分析

6.5 RUL预测模型优化策略

7案例三：基于SliceGAN算法的电池电极材料微结构分析

7.1 文献训练数据整理

7.2 SliceGAN模型及工作原理

7.3 Pytorch搭建SliceGAN模型框架

7.4 数据预处理

7.5 训练辅助函数构建

7.6 图像后处理函数构建

7.7 SliceGAN模型训练

7.8 SliceGAN模型训练结果

7.9 SliceGAN模型生成结果

8案例四：基于EffcicientNet的电池表征图像识别

8.1 数据准备与预处理

8.2深度卷积神经网络构建：卷积与池化与全连接层

8.3 EfficientNet模型训练

8.4 EfficientNet模型测试

8.5 图像分类识别结果分析

 

授课老师

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。