第一天 光学基础
STUDY
第一节 深度学习与光学设计
1.1 光学设计概述
1.2 深度学习在成像光学系统的应用
1.3 深度学习在光子器件的应用
1.4 深度学习光学设计的优势
1.5 深度学习光学设计的发展趋势与挑战
第二节 光学基础
2.1 几何光学基本定理
2.1.1 几何光学原理
2.1.2 光在介质中的传播
2.2 光的电磁理论基础
2.2.1 自由空间麦克斯韦方程组
2.2.2 平面电磁波及其性质
2.2.3 球面波和柱面波
2.2.4 光波的辐射和辐射能
2.2.5 光在电介质分界面上的反射和折射
2.2.6 光在金属表面的反射和透射
2.2.7 光的吸收、色散和散射
2.2.8 波的叠加原理
2.3 成像的基本概念
2.4 光学系统的像质评价
2.4.1 瑞利判据
2.4.2 中心点亮度和能量包容图
2.4.3 分辨率与点扩散函数
2.4.4 星点检测法
2.4.5 光学传递函数
第三节 Zemax 光学设计辅助软件
3.1 安装 Zemax 软件
3.2 Zemax 软件的界面
3.3 Zemax 软件的基本操作
3.4 应用实例
第二天 深度学习实例
STUDY
第一节 深度学习基础
1.1 机器学习
1.1.1 日常生活中的机器学习
1.1.2 机器学习中的关键组件
1.1.3 各种机器学习问题
1.1.4 深度学习
1.2 深度学习环境的搭建
1.2.1 Anaconda 安装
1.2.2 Pytorch 安装
1.3 Python 常见的数据结构与数据类型
1.4 Pytorch 的基本操作
1.4.1 数据操作
1.4.2 数据预处理
1.4.3 线性代数
1.4.4 自动微分
1.4.5 概率
第二节 深度神经网络模型
2.1 线性神经网络实例
2.1.1 线性回归
2.1.2 softmax 回归
2.2 多层感知机实例
2.2.1 多层感知机
2.2.2 模型选择、欠拟合和过拟合
2.2.3 权重衰减
2.2.4 暂退法（Dropout）
2.3 卷积神经网络实例
2.3.1 从全连接层到卷积
2.3.2 多输入多输出通道
2.3.3 汇聚层
2.3.4 卷积神经网络（LeNet）
2.4 循环神经网络实例
2.4.1 序列模型
2.4.2 语言模型和数据集
2.4.3 循环神经网络
2.5 生成对抗网络实例
2.5.1 概率生成模型
2.5.2 变分自编码器
2.5.3 生成对抗网络
2.6 基于注意力机制的 Transformer 架构
2.6.1 注意力机制
2.6.2 自注意力机制
2.6.3 Transformer
第三天 基于深度学习的透射式
光学系统初始结构设计
STUDY
第一节 监督学习过程
1.1 DNN 模型介绍
1.2 自归一化神经网络参数初始化方法
1.3 SELU 函数及使用
1.4 Softplus 函数及使用
1.5 最邻近搜索算法
1.6 监督损失函数的构建
第二节 无监督学习过程
2.1 光线追迹
2.2 光线追迹自定义监督函数
第三节 半监督学习过程
3.1 超参数设置
3.2 监督函数
3.3 模型可靠性的讨论与验证
第四天 全光衍射神经网络
STUDY
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
第二节 光学衍射深度神经网络
2.1 人工神经网络结构
2.2 光学衍射深度神经网络
2.3 空间域光学衍射深度神经网络
2.3.1 网络设计方案
2.3.2 网络训练
2.3.3 网络性能分析
2.4 频率域光学衍射深度神经网络
2.4.1 光学衍射深度神经网络的局限性
2.4.2 频率域光学衍射深度神经网络
2.4.3 网络性能分析
第五天 基于深度学习的光学超材料
与光纤光束控制设计
STUDY
第一节 超材料
1.1 超材料概述
1.2 超材料在光场调控中的作用
1.3 数值计算设计超材料法
第二节 深度学习超材料实例
2.1 MLP 网络模型完成对8层球壳纳米材料的逆向设计
2.2 SMTL 网络模型低维纳米结构的设计
2.3 CNN 与 RNN 结合网络模型预测纳米器件结构的吸收光谱
第三节 深度学习在光纤光束控制的实例
3.1 类人算法（HLA）实现 NPR 激光器的自动锁模
3.2 DELAY 强化学习算法实现激光器的自动锁模控制
（最后一天均为实操内容）
https://mp.weixin.qq.com/s/RhBf0AaJz-ESWGZWLopAYQ
标签：Nature,Science,神经网络,深度,2.3,2.2,光学,2.4 From： https://blog.csdn.net/2301_76578373/article/details/139168026