Nature|重磅！光学领域的技术“热潮”！从跟跑到领跑，将成为领域发展的“里程碑”！

第一章 导论 

第三章 深度学习模型（python实操）

第一节机器学习基本组件

第二节线性神经网络实例

2.1线性回归

2.2softmax 回归

第三节多层感知机实例

3.1多层感知机

3.2权重衰减

3.3Dropout

第四节卷积神经网络实例

4.1从全连接层到卷积

4.2通道和汇聚层

4.3卷积神经网络（LeNet）

第五节循环神经网络实例

5.1序列模型

5.2语言模型和数据集

5.3循环神经网络

第二天

第四章 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

2.2MZI级联的相干光矩阵计算原理

2.3N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）

3.1Python程序环境安装

3.2Pycharm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）

第三天授课内容

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)

4.1 频率选择表面周期性互补开口谐振环

4.2 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 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

第二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 自由空间光学衍射神经网络

2.4 硅基集成衍射神经网络（Comsol 仿真）

第七章 硅光子学平台上矢量矩阵乘法的反向设计（COMSOL 实操）

第一节基于密度的拓扑优化

1.1前向传播场

1.2伴随场

1.3折射率插值

第二节有效折射率仿真

第三节向量乘法

第五天授课内容

第八章 基于深度学习的超表面反设计（COMSOL + python实操）

第一节 基于全连接实现全介质超表面的设计

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 长短期记忆神经网络预测纳米鳍超表面极化灵敏度

2.1 长短期记忆神经网络搭建

2.2 超表面仿真

2.3 数据库建立

2.4模型训练

第三节 基于深度学习的混合全局优化设计超低损耗波导交叉

3.1 直接二分查找算法建立数据集

3.2 基于物理的生成对抗神经网络

3.3 模型训练与预测

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：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安装及验证

2.学习编译器spyder的使用

3.Shell脚本的使用

第四节：深度学习基础

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

第五节：主流神经网络构型讲解

1.典型卷积网络讲解

2.Transformer网络结构

3.MLP网络结构

第六节：典型神经网络的搭建及训练（实操）

1.制备数据集

2.ResNet网络模型搭建

3.网络训练

第二天

第三章 高分辨成像技术及实践

第一节：超分辨率成像

1.基本概念及模型

2.典型方法介绍

3.高分辨成像技术实践

3.1 案例讲解

3.2 数据集及网络搭建讲解

3.3 网络结果及评价

第二节：图像去模糊

1.基本概念及模型

2.典型方法介绍

3.图像去模糊技术实践

3.1 案例讲解

3.2 数据集及网络搭建讲解

3.3 网络结果及评价

第三节：图像去雾

1.基本概念及模型

2.典型方法介绍

3.图像去雾技术实践

3.1 案例讲解

3.2 数据集及网络搭建讲解

3.3 网络结果及评价

第四节：低照度图像增强

1.基本概念及模型

2.典型方法介绍

3.低照度图像增强技术实践

3.1 案例讲解

3.2 数据集及网络搭建讲解

3.3 网络结果及评价

第三天

第四章 计算光学成像逆问题求解

第一节：CT成像逆问题求解

1.基本概念及模型

2.典型方法介绍

3.CT成像逆问题案例分析

3.1 相关论文分析

3.2 数据集及网络搭建

3.3 网络训练及结果评价

第二节：无透镜成像逆问题求解

1.基本概念及模型

2.典型方法介绍

3.无透镜成像逆问题案例分析

3.1 相关论文分析

3.2 数据集及网络搭建

3.3 网络训练及结果评价

第三节：非视距成像逆问题求解

1.基本概念及模型

2.典型方法介绍

3.非视距成像逆问题案例分析

3.1 相关论文分析

3.2 数据集及网络搭建

3.3 网络训练及结果评价

第四节：压缩感知成像逆问题求解

1.基本概念及模型

2.典型方法介绍

3.压缩感知成像逆问题案例分析

3.1 相关论文分析

3.2 数据集及网络搭建

3.3 网络训练及结果评价

第四天

第五章 遥感和地球观测

第一节：高光谱成像

1.基本概念及模型

2.典型方法讲解

3.高光谱成像技术案例解析

3.1 典型研究方案设计动机分析

3.2 网络结构分析及网络搭建

3.3 网络训练及结果分析

第二节：合成孔径雷达成像

1.基本概念及模型

2.典型方法讲解

3.合成孔径雷达成像案例解析

3.1 典型研究方案设计动机分析

3.2 网络结构分析及网络搭建

3.3 网络训练及结果分析

第三节：TOF成像

1.基本概念及模型

2.典型方法讲解

3.TOF成像案例解析

3.1 典型研究方案设计动机分析

3.2 网络结构分析及网络搭建

3.3 网络训练及结果分析

第四节：遥感目标检测

1.基本概念及模型

2.典型方法讲解

3.遥感目标检测案例解析

3.1 典型研究方案设计动机分析

3.2 网络结构分析及网络搭建

3.3 网络训练及结果分析

第五天

第六章 深度光学技术及实践

第一节：用于HDR成像的深度光学

1.基本概念及模型

2.典型方法介绍

3.技术实操

3.1 设备系统分析

3.2 深度模型的构建及训练

3.3 评测结果及创新改进分析

第二节：畸变感知对焦深度

1.基本概念及模型

2.典型方法介绍

3.技术实操

3.1 设备系统分析

3.2 深度模型的构建及训练

3.3 评测结果及创新改进分析

第三节：用于衍射快照高光谱成像的量化感知深度光学技术

1.基本概念及模型

2.典型方法介绍

3.技术实操

3.1 设备系统分析

3.2 深度模型的构建及训练

3.3 评测结果及创新改进分析