課程簡(jiǎn)介
眾所周知，人工智能是高級(jí)計(jì)算智能最寬泛的概念，機(jī)器學(xué)習(xí)是研究人工智能的一個(gè)工具，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集，是目前研究領(lǐng)域卓有成效的學(xué)習(xí)方法。深度學(xué)習(xí)的框架有很多，而TenforFlow將神經(jīng)網(wǎng)絡(luò)、算法這些平時(shí)停留在理論層面的知識(shí)，組織成一個(gè)平臺(tái)框架，集合了神經(jīng)網(wǎng)絡(luò)的各個(gè)算法函數(shù)組成一個(gè)工具箱，讓廣大工程師可以專心建造自己的目標(biāo)領(lǐng)域的“輪子”，而且TenforFlow是基于Python語言的，極易上手，這些優(yōu)勢(shì)迅速吸引了全世界的工程師。
當(dāng)以統(tǒng)計(jì)方法為核心的機(jī)器學(xué)習(xí)方法成為主流后，我們需要的領(lǐng)域知識(shí)就相對(duì)少了。重要的是做特征工程（feature engineering），然后調(diào)一些參數(shù)，根據(jù)一些領(lǐng)域的經(jīng)驗(yàn)來不斷提取特征，特征的好壞往往就直接決定了模型的好壞。這種方法的一大缺點(diǎn)是，對(duì)文字等抽象領(lǐng)域，特征還相對(duì)容易提取，而對(duì)語音這種一維時(shí)域信號(hào)和圖像這種二維空域信號(hào)等領(lǐng)域，提取特征就相對(duì)困難。
深度學(xué)習(xí)的革命性在于，它不需要我們過多地提取特征，在神經(jīng)網(wǎng)絡(luò)的每一層中，計(jì)算機(jī)都可以自動(dòng)學(xué)習(xí)出特征。為了實(shí)現(xiàn)深度學(xué)習(xí)中運(yùn)用的神經(jīng)網(wǎng)絡(luò)，TensorFlow這樣的深度學(xué)習(xí)開源工具就應(yīng)運(yùn)而生。我們可以使用它來搭建自己的神經(jīng)網(wǎng)絡(luò)。這就有點(diǎn)兒類似于PHP開發(fā)當(dāng)中的CodeIgniter框架，Java開發(fā)當(dāng)中的SSH三大框架，Python開發(fā)當(dāng)中的Tornado、Django框架，C++當(dāng)中的MFC、ACE框架?？蚣艿闹饕康木褪翘峁┮粋€(gè)工具箱，使開發(fā)時(shí)能夠簡(jiǎn)化代碼，呈現(xiàn)出來的模型盡可能簡(jiǎn)潔易懂。
目標(biāo)收益
1）覆蓋Tensorflow和Tensorflow上層庫(Keras) 、Tensorflow可視化TensorBoard及原理
2）從TF數(shù)據(jù)預(yù)處理到建模訓(xùn)練，從圖像預(yù)處理到網(wǎng)絡(luò)模型，一一覆蓋
3）精講圖像等實(shí)戰(zhàn)案例
4）精講自然語言處理等實(shí)戰(zhàn)案例
培訓(xùn)對(duì)象
課程大綱
| 1.Tensorflow基礎(chǔ) |
? ?計(jì)算圖的概念與使用? ????張量的概念與使用? ????Tensorflow與session? ????Tensorflow playground與非線性切分案例 |
| 2.詳解深度神經(jīng)網(wǎng)絡(luò)案例 |
????線性與非線性模型? ????多種場(chǎng)景與損失函數(shù)? ????過擬合、學(xué)習(xí)率與滑動(dòng)平均模型? ????完成一個(gè)深度神經(jīng)網(wǎng)絡(luò)案例 |
| 3.卷積神經(jīng)網(wǎng)絡(luò)與圖像應(yīng)用 |
????經(jīng)典數(shù)據(jù)集與應(yīng)用? ????卷積神經(jīng)網(wǎng)絡(luò)與圖像識(shí)別：從LeNet-5到google inception V3? ????物體檢測(cè)與google object detection |
| 4.海量圖像訓(xùn)練預(yù)處理 |
????Tensorflow TFRecord輸入數(shù)據(jù)格式與數(shù)據(jù)隊(duì)列? ????Tensorflow 圖像預(yù)處理功能? ????多線程輸入數(shù)據(jù)處理框架? ????高效Tensorflow圖像應(yīng)用 |
| 5.循環(huán)神經(jīng)網(wǎng)絡(luò)與應(yīng)用 |
????簡(jiǎn)易循環(huán)神經(jīng)網(wǎng)絡(luò)案例? ????LSTM/GRU循環(huán)神經(jīng)網(wǎng)絡(luò)? ????自然語言生成建模案例? ????時(shí)間序列預(yù)測(cè)建模案例 |
| 6.Tensorboard工具與模型優(yōu)化 |
????Tensorboard簡(jiǎn)介? ????命名空間與Tensorboard可視化? ????模型狀態(tài)評(píng)估與優(yōu)化? ????Kaggle圖像比賽與優(yōu)化案例 ????Keras簡(jiǎn)介? ????Keras序貫?zāi)Ｐ团c函數(shù)式模型? ????Keras圖像與自然語言應(yīng)用案例 |
|
1.Tensorflow基礎(chǔ) ? ?計(jì)算圖的概念與使用? ????張量的概念與使用? ????Tensorflow與session? ????Tensorflow playground與非線性切分案例 |
|
2.詳解深度神經(jīng)網(wǎng)絡(luò)案例 ????線性與非線性模型? ????多種場(chǎng)景與損失函數(shù)? ????過擬合、學(xué)習(xí)率與滑動(dòng)平均模型? ????完成一個(gè)深度神經(jīng)網(wǎng)絡(luò)案例 |
|
3.卷積神經(jīng)網(wǎng)絡(luò)與圖像應(yīng)用 ????經(jīng)典數(shù)據(jù)集與應(yīng)用? ????卷積神經(jīng)網(wǎng)絡(luò)與圖像識(shí)別：從LeNet-5到google inception V3? ????物體檢測(cè)與google object detection |
|
4.海量圖像訓(xùn)練預(yù)處理 ????Tensorflow TFRecord輸入數(shù)據(jù)格式與數(shù)據(jù)隊(duì)列? ????Tensorflow 圖像預(yù)處理功能? ????多線程輸入數(shù)據(jù)處理框架? ????高效Tensorflow圖像應(yīng)用 |
|
5.循環(huán)神經(jīng)網(wǎng)絡(luò)與應(yīng)用 ????簡(jiǎn)易循環(huán)神經(jīng)網(wǎng)絡(luò)案例? ????LSTM/GRU循環(huán)神經(jīng)網(wǎng)絡(luò)? ????自然語言生成建模案例? ????時(shí)間序列預(yù)測(cè)建模案例 |
|
6.Tensorboard工具與模型優(yōu)化 ????Tensorboard簡(jiǎn)介? ????命名空間與Tensorboard可視化? ????模型狀態(tài)評(píng)估與優(yōu)化? ????Kaggle圖像比賽與優(yōu)化案例 ????Keras簡(jiǎn)介? ????Keras序貫?zāi)Ｐ团c函數(shù)式模型? ????Keras圖像與自然語言應(yīng)用案例 |
近期公開課推薦
