Tensorflow深度学习入门与实战

Tensorflow深度学习入门与实战

日月光华
日月光华数据分析系列课程主要面向python编程语言使用者,专注编程语言、爬虫、数据分析和机器学习等内容。
  • 课程目录
  • 课程介绍
  • 课时1:课程简介

  • 课时2:最新tensorflow 2.2 安装教程和 2.0 GPU版本安装教程

  • 课时3:Tensorflow2.0安装PPT

  • 课时4:Tensorflow2.0正式版的安装(选看)

  • 课时5:原生python环境安装tensorflow指南(选学)

  • 课时6:机器学习原理-线性回归

  • 课时7:tf.keras实现线性回归

  • 课时8:梯度下降算法

  • 课时9:多层感知器(神经网络)与激活函数

  • 课时10:多层感知器(神经网络)的代码实现

  • 课时11:逻辑回归与交叉熵

  • 课时12:逻辑回归实现

  • 课时13:softmax多分类(一)

  • 课时14:softmax多分类代码实现- fashion mnist数据分类实例

  • 课时15:独热编码与交叉熵损失函数

  • 课时16:优化函数、学习速率、反向传播算法

  • 课时17:网络优化与超参数选择

  • 课时18:Dropout抑制过拟合与网络参数选择总原则

  • 课时19:Dropout与过拟合抑制

  • 课时20:tf.keras函数式API

  • 课时21:tf.data模块简介

  • 课时22:tf.data模块用法示例

  • 课时23:tf.data输入实例(一)

  • 课时24:tf.data输入实例(二)

  • 课时25:认识卷积神经网络(一)

  • 课时26:认识卷积神经网络-卷积层和池化层

  • 课时27:卷积神经网络整体架构

  • 课时28:卷积神经网络识别Fashion mnist数据集

  • 课时29:搭建卷积神经网络

  • 课时30:卷积神经网络的优化

  • 课时31:卫星图像识别 卷积综合实例:图片数据读取

  • 课时32:卫星图像识别 卷积综合实例:读取和解码图片

  • 课时33:卫星图像识别 卷积综合实例:tf.data构造输入

  • 课时34:卫星图像识别 卷积综合实例: tf.data构建图片输入管道

  • 课时35:卫星图像识别 卷积综合实例: 分类模型训练

  • 课时36:批标准化

  • 课时37:批标准化的使用

  • 课时38:tf.keras序列问题 - 电影评论数据分类(一)

  • 课时39:tf.keras序列问题 - 电影评论数据分类(二)

  • 课时40:tf.keras 训练过程可视化及解决过拟合问题

  • 课时41:tf.keras图像识别 - 猫狗数据集实例(一)

  • 课时42:tf.keras图像识别 - 猫狗数据集实例(二)

  • 课时43:Eager模式简介

  • 课时44:Eager模式代码演示与张量

  • 课时45:变量与自动微分运算

  • 课时46:自动微分与自定义训练(一)

  • 课时47:Tensorflow自定义训练(二)

  • 课时48:Tensorflow自定义训练(三)

  • 课时49:Tensorflow自定义训练(四)

  • 课时50:tf.keras.metrics汇总计算模块

  • 课时51:tf.keras.metrics汇总计算应用实例(一)

  • 课时52:tf.keras.metrics汇总计算应用实例(二)

  • 课时53:利用回调函数使用Tensorboard

  • 课时54:Tensorboard启动和界面含义介绍

  • 课时55:自定义变量的tensorboard可视化

  • 课时56:自定义训练中的tensorboard可视化

  • 课时57:猫狗数据实例 - 数据读取

  • 课时58:猫狗数据实例 - 创建dataset

  • 课时59:猫狗数据实例 - 创建模型

  • 课时60:猫狗数据实例 - 损失函数与优化器

  • 课时61:猫狗数据实例 - 定义单批次训练函数

  • 课时62:使用kaggle训练模型

  • 课时63:在自定义训练中添加验证数据

  • 课时64:模型的训练与优化

  • 课时65:猫狗数据实例 - 图片增强

  • 课时66:模型的进一步优化与VGG网络

  • 课时67:预训练网络(迁移学习)基础知识

  • 课时68:迁移学习网络架构

  • 课时69:迁移学习的代码实现

  • 课时70:经典预训练网络权重分享和使用方法

  • 课时71:预训练网络使用——微调

  • 课时72:常见的预训练网络模型及使用示例

  • 课时73:多输出模型实例——数据加载

  • 课时74:多输出模型的创建

  • 课时75:多输出模型的编译和训练

  • 课时76:多输出模型的评价与模型预测

  • 课时77:保存整体模型

  • 课时78:.仅保存架构和仅保存权重

  • 课时79:使用回调函数保存模型

  • 课时80:在自定义训练中保存检查点

  • 课时81:常见图像处理任务

  • 课时82:图像和位置数据的解析与可视化

  • 课时83:图片缩放与目标值的规范

  • 课时84:数据读取与预处理(一)

  • 课时85:数据读取与预处理——创建目标数据datasets

  • 课时86:创建输入管道

  • 课时87:图像定位模型创建

  • 课时88:图像定位模型的预测

  • 课时89:图像定位的优化、评价和应用简介

  • 课时90:自动图运算

  • 课时91:GPU配置与使用策略

  • 课时92:图像语义分割简介

  • 课时93:图像语义分割网络结构——FCN

  • 课时94:图像语义分割网络FCN的跳接结构

  • 课时95:图像语义分割网络FCN代码实现(一)

  • 课时96:图像语义分割网络FCN代码实现(二)

  • 课时97:准备输入数据、可视化输入数据

  • 课时98:使用预训练网络

  • 课时99:获取模型中间层的输出

  • 课时100:FCN模型搭建(一)

  • 课时101:FCN模型搭建(二)

  • 课时102:FCN模型训练和预测

  • 课时103:Unet模型介绍

  • 课时104:城市街景数据集介绍

  • 课时105:获取图片路径,创建dataset

  • 课时106:读取数据集

  • 课时107:图片数据增强

  • 课时108:加载图像

  • 课时109: unet模型创建(上)

  • 课时110: unet模型创建(下)

  • 课时111:模型编译

  • 课时112:unet模型的训练和练习作业

  • 课时113:RNN循环神经网络简介

  • 课时114:tf.keras循环神经网络 - 航空评论数据预处理(一)

  • 课时115:tf.keras循环神经网络 - 航空评论数据预处理(二)

  • 课时116:tf.keras循环神经网络 - 航空评论数据分类模型

  • 课时117:RNN序列预测实例 - 空气污染预测 - 数据预处理(一)

  • 课时118:RNN序列预测实例 - 空气污染预测 - 数据预处理(二)

  • 课时119:RNN序列预测实例 - 空气污染预测 - 数据采样(一)

  • 课时120:RNN序列预测实例 - 空气污染预测 - 数据采样(二)

  • 课时121:RNN序列预测实例 - 空气污染预测 -  基础模型

  • 课时122:RNN序列预测实例 - 空气污染预测 - 搭建LSTM模型

  • 课时123:LSTM模型优化 - 多层LSTM 和训练速度衰减

  • 课时124:LSTM模型的预测和评价

  • 课时125:一维卷积简介

  • 课时126:一维卷积实例——文本分类

  • 课时127:一维卷积——叶子分类实例(1)

  • 课时128:一维卷积——叶子分类实例(2)

  • 课时129:一维卷积——叶子分类实例(3)

  • 课时130:一维卷积网络的优化(1)

  • 课时131:一维卷积网络的优化(2)

  • 课时132:注册和使用界面简介

  • 课时133:添加数据集和下载运行输出

  • 课时134:Tensorflow1.x版本课程介绍(续)

  • 课时135:Tensorflow的简介与安装

  • 课时136:课程更新介绍及安装提示(2019.02)

  • 课时137:Tensorflow数据流图、张量及数据类型

  • 课时138:Tensorflow中的session、占位符和变量

  • 课时139:机器学习基础-线性回归模型

  • 课时140:对数几率回归-数据预处理

  • 课时141:对数几率回归-定义网络

  • 课时142:多分类问题-IRIS数据集

  • 课时143:CNN卷积神经网络介绍

  • 课时144:Mnist手写数字数据集softmax识别

  • 课时145:卷积神经网络识别Mnist手写数字数据集

  • 课时146:Tensorflow读取机制与猫和狗识别数据集

  • 课时147:猫和狗数据集的CNN网络实现

  • 课时148:CNN保存检查点

  • 课时149:过拟合与正则化以及数据增强处理

  • 课时150:Cifar-10数据集的CNN实现

  • 课时151:批标准化简介与应用

  • 课时152:使用tf.data读取猫狗数据集(一)

  • 课时153:使用tf.data读取猫狗数据集(二)

  • 课时154:Feedable iterator使用实例(一)

  • 课时155:Feedable iterator使用实例(二)

  • 课时156:tf.layers模块常用方法(一)

  • 课时157:tf.layers模块常用方法(二)

  • 课时158:RNN循环神经网络简介

  • 课时159:RNN识别Mnist手写数字数据集

  • 课时160:美国航空公司Twitter评论数据集-数据预处理

  • 课时161:美国航空公司Twitter评论数据集-RNN实现

  • 课时162:练习作业-搜狗实验室搜狐新闻中文数据分类

  • 课时163:Anaconda的安装

  • 课时164:conda的使用

  • 课时165:Notebook页面介绍

  • 课时166:Jupyter notebook使用技巧(一)

  • 课时167:Jupyter notebook技巧(二)

课程概述

更新提示:
2020年10月12日更新一维卷积一章, 共7节。介绍一维卷积的概念、使用,并演示了评论情绪文本分类和kaggle叶子分类实例。
2020年5月6日更新unet图像语义分割一章 10节。使用城市街景语义分割数据集演示并讲解UNET语义分割模型的代码实现,同时提供了练习作业。
2020年4月15日更新 unet 语义分割模型作业。补充更新序列预测演示。
2019年12月26日更新图像语义分割一章第6-11节,讲解FCN语义分割模型的代码实现,并讲解了如何获取模型中间输出,同时复习了多输入输出模型。
2019年12月23日更新图像语义分割一章前5节。
2019年11月25日更新图像定位一章。同时更新自动图运算和GPU配置与使用策略。
————————————————————————
本课程用通俗易懂的实例,系统讲解了Tensorflow2.0的使用,是目前网易云课堂最简明易懂、最新最系统的 Tensorflow 2.0 教程,没有之一。
咱们的课程由主讲老师提供最优质的答疑群服务,学习讨论的氛围特别好!
————————————————————————
课程永久有效,提供全部数据集、代码和PPT。
————————————————————————
课程数据集和代码在 QQ答疑群(群号:1082334585)下载。

教程推荐

Python机器学习在线教程

Derby在线教程

MariaDB在线教程

Erlang在线教程

JSON在线教程

Node.js在线教程

随机推荐

舒贝怡儿童内衣套装春季新品婴儿睡衣纯棉男女宝宝家居衣服优缺点...

微笑鲨307b激光笔绿光大功率远射充电手电筒质量真的差吗,评测性...

艾美特“温室系列”取暖器使用两个月反馈!质量不好吗

美丽空间客厅落地脉叶干花装饰花艺买前一定要先知道这些情况!评...

多乐信除湿机最真实的图文评测分享!评测值得入手吗

松下电吹风机家用评测值得入手吗,最真实的图文评测分享!