深度学习与TensorFlow 2入门实战 /

人工智能101学院
人工智能101学院提供最前沿的人工智能资讯和最专业的咨询服务,拥有丰富的海外一流名校博士导师资源,做华人圈最好的人工智能一站式培训学院。
  • 课程目录
  • 课程介绍
  • 课时1:学习指南

  • 课时2:深度学习框架介绍-1

  • 课时3:深度学习框架介绍-2

  • 课时4:开发环境安装-Anaconda-精简版

  • 课时5:开发环境安装-TensorFlow-精简版

  • 课时6:开发环境安装-PyCharm-精简版

  • 课时7:配套书本介绍

  • 课时8:开发环境安装-标准版-1

  • 课时9:开发环境安装-标准版-2

  • 课时10:Win10平台实录-1

  • 课时11:Win10平台实录-2

  • 课时12:Ubuntu平台实录-CUDA安装

  • 课时13:Ubuntu平台实录-Anaconda安装

  • 课时14:Ubuntu平台实录-TensorFlow/PyTorch安装

  • 课时15:Ubuntu平台实录-PyCharm安装

  • 课时16:线性回归-1

  • 课时17:线性回归-2

  • 课时18:回归问题实战-1

  • 课时19:回归问题实战-2

  • 课时20:手写数字问题-1

  • 课时21:手写数字问题-2

  • 课时22:手写数字问题-3

  • 课时23:手写数字问题初体验-1

  • 课时24:手写数字问题初体验-2

  • 课时25:Tensor数据类型-1

  • 课时26:Tensor数据类型-2

  • 课时27:创建Tensor-1

  • 课时28:创建Tensor-2

  • 课时29:创建Tensor-3

  • 课时30:索引与切片-1

  • 课时31:索引与切片-2

  • 课时32:索引与切片-3

  • 课时33:索引与切片-4

  • 课时34:索引与切片-5

  • 课时35:维度变换-1

  • 课时36:维度变换-2

  • 课时37:维度变换-3

  • 课时38:Broadcasting-1

  • 课时39:Broadcasting-2

  • 课时40:数学运算

  • 课时41:前向传播(张量)-实战-1

  • 课时42:前向传播(张量)-实战-2

  • 课时43:前向传播(张量)-实战-3

  • 课时44:前向传播(张量)-实战-4

  • 课时45:合并与分割

  • 课时46:数据统计

  • 课时47:张量排序-1

  • 课时48:张量排序-2

  • 课时49:填充与复制

  • 课时50:张量限幅-1

  • 课时51:张量限幅-2

  • 课时52:高阶操作-1

  • 课时53:高阶操作-2

  • 课时54:数据加载-1

  • 课时55:数据加载-2

  • 课时56:数据加载-3

  • 课时57:测试(张量)-实战

  • 课时58:全连接层-1

  • 课时59:全连接层-2

  • 课时60:输出方式

  • 课时61:误差计算-1

  • 课时62:误差计算-2

  • 课时63:误差计算-3

  • 课时64:梯度下降-简介-1

  • 课时65:梯度下降-简介-2

  • 课时66:常见函数的梯度

  • 课时67:激活函数及其梯度

  • 课时68:损失函数及其梯度-1

  • 课时69:损失函数及其梯度-2

  • 课时70:单输出感知机梯度

  • 课时71:多输出感知机梯度

  • 课时72:链式法则

  • 课时73:反向传播算法-1

  • 课时74:反向传播算法-2

  • 课时75:函数优化实战

  • 课时76:手写数字问题实战(层)-1

  • 课时77:手写数字问题实战(层)-2

  • 课时78:手写数字问题实战(层)-3

  • 课时79:TensorBoard可视化-1

  • 课时80:TensorBoard可视化-2

  • 课时81:Keras高层API-1

  • 课时82:Keras高层API-2

  • 课时83:Keras高层API-3

  • 课时84:自定义层/网络-1

  • 课时85:自定义层/网络-2

  • 课时86:模型加载与保存

  • 课时87:CIFAR10自定义网络实战-1

  • 课时88:CIFAR10自定义网络实战-2

  • 课时89:CIFAR10自定义网络实战-3

  • 课时90:过拟合与欠拟合

  • 课时91:交叉验证-1

  • 课时92:交叉验证-2

  • 课时93:Regularization

  • 课时94:动量与学习率

  • 课时95:Early Stopping和Dropout

  • 课时96:什么是卷积-1

  • 课时97:什么是卷积-2

  • 课时98:什么是卷积-3

  • 课时99:什么是卷积-4

  • 课时100:卷积神经网络-1

  • 课时101:卷积神经网络-2

  • 课时102:卷积神经网络-3

  • 课时103:卷积神经网络-4

  • 课时104:池化与采样

  • 课时105:CIFAR100与VGG13实战-1

  • 课时106:CIFAR100与VGG13实战-2

  • 课时107:CIFAR100与VGG13实战-3

  • 课时108:CIFAR100与VGG13实战-4

  • 课时109:经典卷积网络VGG, GoogLeNet, Inception-1

  • 课时110:经典卷积网络VGG, GoogLeNet, Inception-2

  • 课时111:BatchNorm

  • 课时112:BatchNorm-2

  • 课时113:ResNet, DenseNet - 1

  • 课时114:ResNet, DenseNet - 2

  • 课时115:ResNet实战-1

  • 课时116:ResNet实战-2

  • 课时117:ResNet实战-3

  • 课时118:ResNet实战-4

  • 课时119:序列表示方法-1

  • 课时120:序列表示方法-2

  • 课时121:循环神经网络层-1

  • 课时122:循环神经网络层-2

  • 课时123:RNNCell使用-1

  • 课时124:RNNCell使用-2

  • 课时125:RNN与情感分类问题实战-加载IMDB数据集

  • 课时126:RNN与情感分类问题实战-单层RNN Cell

  • 课时127:RNN与情感分类问题实战-网络训练

  • 课时128:RNN与情感分类问题实战-多层RNN Cell

  • 课时129:RNN与情感分类问题实战-高层接口

  • 课时130:梯度弥散与梯度爆炸

  • 课时131:LSTM-1

  • 课时132:LSTM-2

  • 课时133:LSTM实战

  • 课时134:GRU原理与实战

  • 课时135:宝可梦精灵数据集

  • 课时136:自定义数据集加载流程

  • 课时137:自定义数据集实现

  • 课时138:数据增强

  • 课时139:数据标准化

  • 课时140:从零训练ResNet

  • 课时141:小样本训练难题

  • 课时142:迁移学习原理与实战

  • 课时143:什么是目标检测?

  • 课时144:目标检测的算法思路

  • 课时145:YOLO的由来

  • 课时146:YOLOv1原理

  • 课时147:YOLOv1训练方法

  • 课时148:算法测试和预测效果

  • 课时149:YOLOv2-升级Backbone

  • 课时150:引入Anchors

  • 课时151:输出向量格式

  • 课时152:输出坐标设计

  • 课时153:YOLOv2算法

  • 课时154:YOLOv2训练与测试

  • 课时155:实战1.1.1-花草数据集介绍

  • 课时156:实战1.1.2-环境配置

  • 课时157:实战1.1.3-解析xml文件

  • 课时158:实战1.1.4-解析xml文件

  • 课时159:实战1.1.5-合并box

  • 课时160:实战1.1.6-数据集测试

  • 课时161:实战1.2-构建DB

  • 课时162:实战1.3.1-可视化DB

  • 课时163:实战1.3.2-数据增强

  • 课时164:实战2.1.1-GT box介绍

  • 课时165:实战2.1.2-准备空位

  • 课时166:实战2.1.3-提取数据

  • 课时167:实战2.1.4-写入数据

  • 课时168:实战2.2.1-批量GT box合并

  • 课时169:实战2.2.2-批量Generator

  • 课时170:实战2.3-GT box可视化

  • 课时171:实战3.1.1-Darknet-19介绍

  • 课时172:实战3.1.2-网络模型实现

  • 课时173:实战3.1.3-网络模型实现

  • 课时174:实战3.1.4-网络初始化

  • 课时175:实战3.2-网络输出可视化

  • 课时176:实战4.1.1-坐标Loss

  • 课时177:实战4.1.2-坐标Loss

  • 课时178:实战4.2-分类loss

  • 课时179:实战4.3.1-iou计算

  • 课时180:实战4.3.2-组合

  • 课时181:实战4.3.3-组合IOU

  • 课时182:实战4.3.4-组合IOU计算

  • 课时183:实战4.3.5-无物体loss

  • 课时184:实战4.3.6-物体Loss

  • 课时185:实战4.3.7-YOLOv2训练

  • 课时186:实战4.3.8-训练优化

  • 课时187:实战4.4.1-计算Pred boxes坐标

  • 课时188:实战4.4.2-筛选box

  • 课时189:实战4.4.3-绘制矩形框

  • 课时190:实战4.4.4-小结

  • 课时191:无监督学习

  • 课时192:Auto-Encoders原理

  • 课时193:Auto-Encoders变种

  • 课时194:Adversarial Auto-Encoders

  • 课时195:Variational Auto-Encoders引入

  • 课时196:Reparameterization Trick

  • 课时197:Variational Auto-Encoders原理

  • 课时198:Auto-Encoders实战-创建编解码器

  • 课时199:Auto-Encoders实战-训练

  • 课时200:Auto-Encoders实战-测试

  • 课时201:VAE实战-创建网络

  • 课时202:VAE实战-KL Divergence计算

  • 课时203:VAE实战-训练与测试

  • 课时204:数据的分布

  • 课时205:画家的成长历程

  • 课时206:GAN原理

  • 课时207:纳什均衡-D

  • 课时208:纳什均衡-G

  • 课时209:JS散度的缺陷

  • 课时210:EM距离

  • 课时211:WGAN-GP原理

  • 课时212:GAN实战-1

  • 课时213:GAN实战-2

  • 课时214:GAN实战-3

  • 课时215:GAN实战-4

  • 课时216:GAN实战-5

  • 课时217:GAN实战-6

  • 课时218:WGAN实战-1

  • 课时219:WGAN实战-2

  • 课时220:生物神经元结构

  • 课时221:感知机的提出

  • 课时222:BP神经网络

  • 课时223:CNN和LSTM的发明

  • 课时224:人工智能低谷

  • 课时225:深度学习的诞生

  • 课时226:深度学习的爆发

  • 课时227:权值的表示

  • 课时228:多层感知机的实现

  • 课时229:BP神经网络前向传播

  • 课时230:BP神经网络反向传播-1

  • 课时231:BP神经网络反向传播-2

  • 课时232:BP神经网络反向传播-3

  • 课时233:多层感知机的训练

  • 课时234:多层感知机的测试

  • 课时235:实战小结

课程概述

本课程配套书本由【清华大学出版社】出版,和视频内容100%同步,市面唯一的体系化教程,一套教程即可入门人工智能算法!书本京东链接:https://item.jd.com/12954866.html视频课程基于TensorFlow 2.x最新版本讲解,超过230节课时,网易云最通俗易懂、最受好评的TF2深度学习课程。一次购买,永久有效,源代码和PPT请购买后加QQ群(441082251)下载,同时提供专业答疑服务。