課程簡介
本課程是關(guān)于Tensorflow與深度學(xué)習(xí)實戰(zhàn)的一門課程。本課程講解Tensorflow中各種概念、操作和使用方法，針對Tensorflow的基礎(chǔ)知識，在傳統(tǒng)數(shù)據(jù)分析中應(yīng)用、CNN和RNN都進(jìn)行詳細(xì)講解，并且給出了豐富的深度學(xué)習(xí)模型實戰(zhàn)。
目標(biāo)收益
通過本課程的學(xué)習(xí)，學(xué)員們能夠在短時間內(nèi)掌握深度學(xué)習(xí)原理，學(xué)會使用Tensorflow和Keras構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)的技巧和方法，能夠在圖像識別、序列預(yù)測等深度學(xué)習(xí)項目上迅速入手。
培訓(xùn)對象
本課程適合從事數(shù)據(jù)分析、數(shù)據(jù)挖掘、圖像識別、序列預(yù)測等相關(guān)方面工作的學(xué)員。
課程大綱
| Tensorflow的安裝和開發(fā)環(huán)境搭建 |
1.1 課程簡介 1.1.1 課程簡介 1.1.2 Tensorflow2.0簡介 1.2 Tensorflow的安裝 1.2.1 安裝CPU版本 1.2.2 安裝GPU版本 |
|
Tf.keras 核心高階API |
2.1 機(jī)器學(xué)習(xí)基礎(chǔ)與tf.keras 2.1.1 tf.keras實現(xiàn)線性回歸 2.1.2 邏輯回歸實例與交叉熵 2.1.3 Softmax多分類實例 2.2 多層感知器與神經(jīng)網(wǎng)絡(luò) 2.2.1 多層感知器原理與梯度下降算法 2.2.2 激活函數(shù)和常見優(yōu)化算法 2.2.3 多層感知器優(yōu)化實例 2.2.4 過擬合與神經(jīng)網(wǎng)絡(luò)評價標(biāo)準(zhǔn) 2.2.5 Dropout與正則化 2.2.6 網(wǎng)絡(luò)參數(shù)選擇原則 2.3 tf.keras基礎(chǔ)實例 2.3.1 手寫數(shù)字識別及模型優(yōu)化 2.3.2 電影評論情緒分類 2.3.3 tf.keras函數(shù)式API |
|
Tf.data 輸入模塊 |
3.1 Tf.data簡介 3.1.1 tf.data模塊用法演示 3.1.2 tf.data數(shù)據(jù)輸入實例 |
| 卷積神經(jīng)網(wǎng)絡(luò) |
4.1 認(rèn)識卷積神經(jīng)網(wǎng)絡(luò) 4.1.1 卷積神經(jīng)網(wǎng)絡(luò)整體架構(gòu) 4.1.2 卷積神經(jīng)網(wǎng)絡(luò)實例（Fashion Mnist數(shù)據(jù)集） 4.2 tf.data與卷積神網(wǎng)絡(luò)綜合實例-衛(wèi)星圖像識別 4.2.1 圖片讀取與解碼 4.2.2 使用tf.data構(gòu)造輸入管道 4.2.3 模型的訓(xùn)練與優(yōu)化 |
| Eager模式與自定義訓(xùn)練 |
5.1 Eager模式簡介 5.1.1 Eager模式與張量運算 5.1.2 變量與自動微分 5.1.3 Tensorflow自定義訓(xùn)練 5.2 自定義訓(xùn)練綜合實例 5.2.1 貓狗數(shù)據(jù)識別 |
|
卷積神經(jīng)網(wǎng)絡(luò)高級應(yīng)用、 遷移學(xué)習(xí) |
6.1 圖片增強(qiáng) 6.2 使用預(yù)訓(xùn)練網(wǎng)絡(luò)與遷移學(xué)習(xí) 6.2.1 遷移學(xué)習(xí)的基礎(chǔ)概念 6.2.2 使用VGG預(yù)訓(xùn)練網(wǎng)絡(luò)實例 6.3 批標(biāo)準(zhǔn)化 |
| 模型保存與可視化 |
7.1 加載和保存整個模型 7.2 加載保存模型結(jié)構(gòu) 7.3 加載和保存模型參數(shù) 7.4 Tensorflow面向?qū)ο蟊４?br/>7.5 模型可視化 7.6 使用Tensorboard |
| RNN循環(huán)神經(jīng)網(wǎng)絡(luò) |
8.1 RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 8.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)的原理和整體架構(gòu) 8.1.2 tf.keras序列問題實例（電影評論分類） 8.2 RNN文本分類實例 8.2.1 文本嵌入表示 8.2.2 航空公司評價情緒分類 8.3 RNN序列預(yù)測 — 空氣污染預(yù)測 8.3.1 數(shù)據(jù)預(yù)處理與數(shù)據(jù)采樣 8.3.2 搭建LSTM模型 8.3.3 LSTM模型優(yōu)化 |
| 一維卷積序列處理 |
9.1 一維卷積簡介 9.2 一維卷積實例 — 葉子分類預(yù)測 9.3 一維卷積實例 — Kaggle電影評論競賽 |
| 多輸出預(yù)測實例 | 10.1 多輸出模型實例 — 同時預(yù)測顏色和種類 |
|
Tensorflow的安裝和開發(fā)環(huán)境搭建 1.1 課程簡介 1.1.1 課程簡介 1.1.2 Tensorflow2.0簡介 1.2 Tensorflow的安裝 1.2.1 安裝CPU版本 1.2.2 安裝GPU版本 |
|
Tf.keras 核心高階API 2.1 機(jī)器學(xué)習(xí)基礎(chǔ)與tf.keras 2.1.1 tf.keras實現(xiàn)線性回歸 2.1.2 邏輯回歸實例與交叉熵 2.1.3 Softmax多分類實例 2.2 多層感知器與神經(jīng)網(wǎng)絡(luò) 2.2.1 多層感知器原理與梯度下降算法 2.2.2 激活函數(shù)和常見優(yōu)化算法 2.2.3 多層感知器優(yōu)化實例 2.2.4 過擬合與神經(jīng)網(wǎng)絡(luò)評價標(biāo)準(zhǔn) 2.2.5 Dropout與正則化 2.2.6 網(wǎng)絡(luò)參數(shù)選擇原則 2.3 tf.keras基礎(chǔ)實例 2.3.1 手寫數(shù)字識別及模型優(yōu)化 2.3.2 電影評論情緒分類 2.3.3 tf.keras函數(shù)式API |
|
Tf.data 輸入模塊 3.1 Tf.data簡介 3.1.1 tf.data模塊用法演示 3.1.2 tf.data數(shù)據(jù)輸入實例 |
|
卷積神經(jīng)網(wǎng)絡(luò) 4.1 認(rèn)識卷積神經(jīng)網(wǎng)絡(luò) 4.1.1 卷積神經(jīng)網(wǎng)絡(luò)整體架構(gòu) 4.1.2 卷積神經(jīng)網(wǎng)絡(luò)實例（Fashion Mnist數(shù)據(jù)集） 4.2 tf.data與卷積神網(wǎng)絡(luò)綜合實例-衛(wèi)星圖像識別 4.2.1 圖片讀取與解碼 4.2.2 使用tf.data構(gòu)造輸入管道 4.2.3 模型的訓(xùn)練與優(yōu)化 |
|
Eager模式與自定義訓(xùn)練 5.1 Eager模式簡介 5.1.1 Eager模式與張量運算 5.1.2 變量與自動微分 5.1.3 Tensorflow自定義訓(xùn)練 5.2 自定義訓(xùn)練綜合實例 5.2.1 貓狗數(shù)據(jù)識別 |
|
卷積神經(jīng)網(wǎng)絡(luò)高級應(yīng)用、 遷移學(xué)習(xí) 6.1 圖片增強(qiáng) 6.2 使用預(yù)訓(xùn)練網(wǎng)絡(luò)與遷移學(xué)習(xí) 6.2.1 遷移學(xué)習(xí)的基礎(chǔ)概念 6.2.2 使用VGG預(yù)訓(xùn)練網(wǎng)絡(luò)實例 6.3 批標(biāo)準(zhǔn)化 |
|
模型保存與可視化 7.1 加載和保存整個模型 7.2 加載保存模型結(jié)構(gòu) 7.3 加載和保存模型參數(shù) 7.4 Tensorflow面向?qū)ο蟊４?br/>7.5 模型可視化 7.6 使用Tensorboard |
|
RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 8.1 RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 8.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)的原理和整體架構(gòu) 8.1.2 tf.keras序列問題實例（電影評論分類） 8.2 RNN文本分類實例 8.2.1 文本嵌入表示 8.2.2 航空公司評價情緒分類 8.3 RNN序列預(yù)測 — 空氣污染預(yù)測 8.3.1 數(shù)據(jù)預(yù)處理與數(shù)據(jù)采樣 8.3.2 搭建LSTM模型 8.3.3 LSTM模型優(yōu)化 |
|
一維卷積序列處理 9.1 一維卷積簡介 9.2 一維卷積實例 — 葉子分類預(yù)測 9.3 一維卷積實例 — Kaggle電影評論競賽 |
|
多輸出預(yù)測實例 10.1 多輸出模型實例 — 同時預(yù)測顏色和種類 |
近期公開課推薦
