课程简介
众所周知，人工智能是高级计算智能最宽泛的概念，机器学习是研究人工智能的一个工具，深度学习是机器学习的一个子集，是目前研究领域卓有成效的学习方法。深度学习的框架有很多，而TenforFlow将神经网络、算法这些平时停留在理论层面的知识，组织成一个平台框架，集合了神经网络的各个算法函数组成一个工具箱，让广大工程师可以专心建造自己的目标领域的“轮子”，而且TenforFlow是基于Python语言的，极易上手，这些优势迅速吸引了全世界的工程师。
当以统计方法为核心的机器学习方法成为主流后，我们需要的领域知识就相对少了。重要的是做特征工程（feature engineering），然后调一些参数，根据一些领域的经验来不断提取特征，特征的好坏往往就直接决定了模型的好坏。这种方法的一大缺点是，对文字等抽象领域，特征还相对容易提取，而对语音这种一维时域信号和图像这种二维空域信号等领域，提取特征就相对困难。
深度学习的革命性在于，它不需要我们过多地提取特征，在神经网络的每一层中，计算机都可以自动学习出特征。为了实现深度学习中运用的神经网络，TensorFlow这样的深度学习开源工具就应运而生。我们可以使用它来搭建自己的神经网络。这就有点儿类似于PHP开发当中的CodeIgniter框架，Java开发当中的SSH三大框架，Python开发当中的Tornado、Django框架，C++当中的MFC、ACE框架。框架的主要目的就是提供一个工具箱，使开发时能够简化代码，呈现出来的模型尽可能简洁易懂。
目标收益
1）覆盖Tensorflow和Tensorflow上层库(Keras) 、Tensorflow可视化TensorBoard及原理
2）从TF数据预处理到建模训练，从图像预处理到网络模型，一一覆盖
3）精讲图像等实战案例
4）精讲自然语言处理等实战案例
培训对象
课程大纲
| 1.Tensorflow基础 |
计算图的概念与使用 张量的概念与使用 Tensorflow与session Tensorflow playground与非线性切分案例 |
| 2.详解深度神经网络案例 |
线性与非线性模型 多种场景与损失函数 过拟合、学习率与滑动平均模型 完成一个深度神经网络案例 |
| 3.卷积神经网络与图像应用 |
经典数据集与应用 卷积神经网络与图像识别：从LeNet-5到google inception V3 物体检测与google object detection |
| 4.海量图像训练预处理 |
Tensorflow TFRecord输入数据格式与数据队列 Tensorflow 图像预处理功能 多线程输入数据处理框架 高效Tensorflow图像应用 |
| 5.循环神经网络与应用 |
简易循环神经网络案例 LSTM/GRU循环神经网络 自然语言生成建模案例 时间序列预测建模案例 |
| 6.Tensorboard工具与模型优化 |
Tensorboard简介 命名空间与Tensorboard可视化 模型状态评估与优化 Kaggle图像比赛与优化案例 Keras简介 Keras序贯模型与函数式模型 Keras图像与自然语言应用案例 |
|
1.Tensorflow基础 计算图的概念与使用 张量的概念与使用 Tensorflow与session Tensorflow playground与非线性切分案例 |
|
2.详解深度神经网络案例 线性与非线性模型 多种场景与损失函数 过拟合、学习率与滑动平均模型 完成一个深度神经网络案例 |
|
3.卷积神经网络与图像应用 经典数据集与应用 卷积神经网络与图像识别：从LeNet-5到google inception V3 物体检测与google object detection |
|
4.海量图像训练预处理 Tensorflow TFRecord输入数据格式与数据队列 Tensorflow 图像预处理功能 多线程输入数据处理框架 高效Tensorflow图像应用 |
|
5.循环神经网络与应用 简易循环神经网络案例 LSTM/GRU循环神经网络 自然语言生成建模案例 时间序列预测建模案例 |
|
6.Tensorboard工具与模型优化 Tensorboard简介 命名空间与Tensorboard可视化 模型状态评估与优化 Kaggle图像比赛与优化案例 Keras简介 Keras序贯模型与函数式模型 Keras图像与自然语言应用案例 |
近期公开课推荐