什么是caffe入门教程
如何设计卷积神经网络？
如何设计卷积神经网络？
卷积神经网络是一种以卷积操作为主的神经网络，常常用于提取图像特征，可以用作图像分类，语义分割，图像生成等任务中。在实际中，我们想要应用卷积网络来解决一个具体问题，就需要设计出合适的卷积神经网络架构。也就是需要确定出网络模型的超参数，如网络的层数、卷积核大小、卷积核个数等等。
最简单直接的就是对这些超参数进行单纯的网格搜索（grid search），但是由于搜索空间很大，这种方法常常需要反复的试验和测试效果，以及调参经验，这就会耗费很多时间。
因此更为常用的方法则是借鉴前人的经验，对已有的网络架构进行稍加改进来应用于解决新问题。如果想要从头设计一个网络，也有一些现成的设计经验和方法以供参考。
1. 选择卷积神经网络的层数——从较少层数的简单模型开始测试，逐渐增加网络的深度和复杂度。我们在这里主要是进行深度的扩展，因为试验证明增加深度比增加宽度效果更好。
2. 加入跨层链接——增加跨层链接不仅使得卷积提取的特征能够更好的组合，此外在反向传播时，跨层链接能够让梯度信息有效的传递，从而加速收敛。
3. 卷积核大小的选择——通常会选取3*3或1*1大小的卷积核，通过堆叠多个3*3大小的卷积可以实现5*5、7*7的卷积效果，同时减少参数。1*1卷积则可以进行特征的降维。
4. 步长的选择——一般来说步长为1可以保持卷积之后的尺寸不变，若步长大于1则会进行下采样（downsample），成倍的减小特征图大小；而步长为1/2则是转置卷积为上采样（upsample），即成倍的增加卷积图大小。
5. 池化层的参数的选择——使用大小为2*2的maxpooling，此外还可以使用全局池化（global pooling）使得分类输出不受图像尺寸不同影响。
6. 激活函数的选取——最常用的就是Relu或者LeakyRelu。
7. Normalization的选择——Normalization是为了解决层状网络中出现的Internal Covariate Shift的问题。其中Batch Normalization往往适合于分类问题；Instance Normalization则用于图像生成；还可以使用更为通用的Group Normalization。
深度学习一般要学多长时间？
一般这个课程不是很长，因为既然是深度，就是一个拔高课程，时长1个月的样子。
优就业有个一个月的直播课，是和中科院合作的
首先，题主这个精通，概念很模糊啊，什么样才能算精通呢？
给楼主个建议吧，，学习深度学习，入门必看课程那就是吴恩达的的《深度学习》课程，在网易云课堂上就能直接看，免费的。基本上，看完了对深度学习有了个整体性的认识；然后就是拿过来一个深度学习框架好好学，推荐TensorFlow（有人或许会推荐Caffe），资源很全面的。
走完上面两步，基本上要是每天都使劲学，一个月肯定可以的熟练使用的，，，，，，精不精通，就别想了，这学科本身就有很多问题需要去解决，哪能谈得上精通？会用就不错了！
一定要结合自己的方向来学，根据具体任务去确定需要学啥，不然，都不知道自己学的东西能干啥，所以，要有一个详细的学习计划。
最后，还是那句话，哪怕你学一年，也不敢说精通，楼主的问题太浮夸了，，，，，，但能比较熟练的使用深度学习框架解决问题还是比较现实的。
首先学习深度学习能选择自学和报班两种方法，自学的话花的时间就不好说了，如果你是有基础的，而且理解和学习能力强，在自学中能够自己解决问题，那么这样的话自学起来也不费劲，时间也不会太长。但是如果毫不精通，那么可能学起来就非常困难，这时候就需要选择报班，以某公的深度学习课程来讲，共有30课时，5周时间上完，没基础还会送python基础课，中科院相关证书和企业源码等。