资源详情
目录： 第1章 Tensorflow简介与环境搭建 本门课程的入门章节，简要介绍了tensorflow是什么，详细介绍了Tensorflow历史版本变迁以及tensorflow的架构和强大特忄生。并在Tensorflow1.0、pytorch、Tensorflow2.0之间做了对比。最后通过实战讲解了在Google cloud和AWS两个平台上的环境配置。 1-1 课程导学 1-2 Tensorflow是什么 1-3 Tensorflow版本变迁与tf1.0架构 1-4 Tensorflow2.0架构 1-5 Tensorflow&pytorch比较 1-6 Tensorflow环境配置 1-7 Google_cloud无GPU环境搭建 1-8 Google_cloud_远程jupyter_notebook配置 1-9 Google_cloud_gpu_tensorflow配置 1-10 Google_cloud_gpu_tensorflow镜像配置 1-11 AWS云平台环境配置 第2章 Tensorflow keras实战 本门课程的基础章节，详细介绍了如何使用tf.keras进行模型的搭建以及大量的深度学习的理论知识。理论知识包括分类问题、回归问题、损失函数、神经网络、激活函数、dropout、批归一化、深度神经网络、Wide&Deep模型、密集特征、稀疏特征、超参数搜索等及其在图像分类、房价预测上的实现。... 2-1 tfkeras简介 2-2 分类回归与目标函数 2-3 实战分类模型之数据读取与展示 2-4 实战分类模型之模型构建 2-5 实战分类模型之数据归一化 2-6 实战回调函数 2-7 实战回归模型 2-8 神经网络讲解 2-9 实战深度神经网络 2-10 实战批归一化、激活函数、dropout 2-11 wide_deep模型 2-12 函数API实现wide&deep模型 2-13 子类API实现wide&deep模型 2-14 wide&deep模型的多输入与多输出实战 2-15 超参数搜索 2-16 手动实现超参数搜索实战 2-17 实战sklearn封装keras模型 2-18 实战sklearn超参数搜索 第3章 Tensorflow基础API使用 接上一节课中使用高级抽象的API tf.keras搭建模型，本节课则介绍了基础的API来方便大家更加灵活的定义和使用模型。课程内容包括tensorflow基础数据类型、自定义模型和损失函数、自定义求导、tf.function、图结构等以及其在图像分类、房价预测上的实现。... 3-1 tf基础API引入 3-2 实战tf.constant 3-3 实战tf.strings与ragged tensor 3-4 实战sparse tensor与tf.Variable 3-5 实战自定义损失函数与DenseLayer回顾 3-6 使子类与lambda分别实战自定义层次 3-7 tf.function函数转换 3-8 @tf.function函数转换 3-9 函数签名与图结构 3-10 近似求导 3-11 tf.GradientTape基本使用方法 3-12 tf.GradientTape与tf.keras结合使用 3-13 章节总结 第4章 Tensorflow dataset使用 介绍Tensorflow dataset空间下API的使用，dataset API主要用于读取数据。本届课程通过在房价预测问题上的实战详细的介绍如何使用tf.dataset读取csv文件和tfrecord文件。 4-1 data_API引入 4-2 tf_data基础API使用 4-3 生成csv文件 4-4 tf.io.decode_csv使用 4-5 tf.data读取csv文件并与tf.keras结合使用 4-6 tfrecord基础API使用 4-7 生成tfrecords文件 4-8 tf.data读取tfrecord文件并与tf.keras结合使用 4-9 章节总结 第5章 Tensorflow Estimator使用与tf1.0 本节课分为两部分，第一部分介绍tensorflow中estimator和特征列的API的使用，estimator是和keras平级的用于模型抽象的高级API，会使用泰坦尼克生存预测项目来详细的讲解特征抽取和estimator使用。学习完以上的基础知识后，在第二部分中会讲解tf1.0的知识点来方便大家对比2.0与1.0的区别。... 5-1 课程引入 5-2 泰坦尼克问题引入分析 5-3 feature_column使用 5-5 预定义estimator使用 5-6 交叉特征实战 5-7 TF1.0引入 5-8 TF1.0计算图构建 5-9 TF1.0模型训练 5-10 TF1_dataset使用 5-11 TF1_自定义estimator 5-12 API改动升级与课程总结 第6章 卷积神经网络 本节课程依托图像分类与两个Kaggle数据集项目，主要讲解卷积神经网络，包括卷积、池化、卷积网络、数据增强、迁移学习等知识。详细的讲解了卷积操作的过程。同时还对如何使用Kaggle平台上的GPU进行的讲解。 6-1 卷积神经网络引入与总体结构 6-2 卷积解决的问题 6-3 卷积的计算 6-4 池化操作 6-5 卷积神经网络实战 6-6 深度可分离卷积网络 6-7 深度可分离卷积网络实战 6-8 Kaggle平台与10monkeys数据集介绍 6-9 Keras generator读取数据 6-10 10monkeys基础模型搭建与训练 6-11 10monkeys模型微调 6-12 keras generator读取cifar10数据集 6-13 模型训练与预测 6-14 章节总结 第7章 循环神经网络 本节课程依托文本分类和文本生成两个项目，对序列式问题、循环神经网络、LSTM、双向LSTM等模型进行了详细的讲解和实战。 7-1 循环神经网络引入与embedding 7-2 数据集载入与构建词表索引 7-3 数据padding、模型构建与训练 7-4 序列式问题与循环神经网络 7-5 循环神经网络实战文本分类 7-6 文本生成之数据处理 7-7 文本生成实战之构建模型 7-8 文本生成实战之采样生成文本 7-9 LSTM长短期记忆网络 7-10 LSTM文本分类与文本生成实战 第8章 Tensorflow分布式 本节课程依托图像分类项目，对tensorflow框架中的分布式原理和策略进行了详细的讲解，并在实战中予以实现。尤其是对参数服务器的分布式的并行架构进行详细的阐述。 8-1 课程引入与GPU设置 8-2 GPU默认设置 8-3 内存增长和虚拟设备实战 8-4 GPU手动设置实战 8-5 分布式策略 8-6 keras分布式实战 8-7 estimator分布式实战 第9章 Tensorflow模型保存与部署 本节课程依托图像分类项目，对tensorflow模型和部署进行了详细的讲解，包括普通的模型保存、tflite的使用、模型的android的部署、在js上的部署等以及对应的实战。
下载地址
链接:https://pan.baidu.com/s/1pTu4Ohe01kEcCNZTpdf8tA 密码：1n3z 解压密码：未加密，无解压密码