课程简介
本课程是关于Tensorflow与深度学习实战的一门课程。本课程讲解Tensorflow中各种概念、操作和使用方法，针对Tensorflow的基础知识，在传统数据分析中应用、CNN和RNN都进行详细讲解，并且给出了丰富的深度学习模型实战。
目标收益
通过本课程的学习，学员们能够在短时间内掌握深度学习原理，学会使用Tensorflow和Keras构建深度学习网络的技巧和方法，能够在图像识别、序列预测等深度学习项目上迅速入手。
培训对象
本课程适合从事数据分析、数据挖掘、图像识别、序列预测等相关方面工作的学员。
课程大纲
| Tensorflow的安装和开发环境搭建 |
1.1 课程简介 1.1.1 课程简介 1.1.2 Tensorflow2.0简介 1.2 Tensorflow的安装 1.2.1 安装CPU版本 1.2.2 安装GPU版本 |
|
Tf.keras 核心高阶API |
2.1 机器学习基础与tf.keras 2.1.1 tf.keras实现线性回归 2.1.2 逻辑回归实例与交叉熵 2.1.3 Softmax多分类实例 2.2 多层感知器与神经网络 2.2.1 多层感知器原理与梯度下降算法 2.2.2 激活函数和常见优化算法 2.2.3 多层感知器优化实例 2.2.4 过拟合与神经网络评价标准 2.2.5 Dropout与正则化 2.2.6 网络参数选择原则 2.3 tf.keras基础实例 2.3.1 手写数字识别及模型优化 2.3.2 电影评论情绪分类 2.3.3 tf.keras函数式API |
|
Tf.data 输入模块 |
3.1 Tf.data简介 3.1.1 tf.data模块用法演示 3.1.2 tf.data数据输入实例 |
| 卷积神经网络 |
4.1 认识卷积神经网络 4.1.1 卷积神经网络整体架构 4.1.2 卷积神经网络实例（Fashion Mnist数据集） 4.2 tf.data与卷积神网络综合实例-卫星图像识别 4.2.1 图片读取与解码 4.2.2 使用tf.data构造输入管道 4.2.3 模型的训练与优化 |
| Eager模式与自定义训练 |
5.1 Eager模式简介 5.1.1 Eager模式与张量运算 5.1.2 变量与自动微分 5.1.3 Tensorflow自定义训练 5.2 自定义训练综合实例 5.2.1 猫狗数据识别 |
|
卷积神经网络高级应用、 迁移学习 |
6.1 图片增强 6.2 使用预训练网络与迁移学习 6.2.1 迁移学习的基础概念 6.2.2 使用VGG预训练网络实例 6.3 批标准化 |
| 模型保存与可视化 |
7.1 加载和保存整个模型 7.2 加载保存模型结构 7.3 加载和保存模型参数 7.4 Tensorflow面向对象保存 7.5 模型可视化 7.6 使用Tensorboard |
| RNN循环神经网络 |
8.1 RNN循环神经网络 8.1.1 循环神经网络的原理和整体架构 8.1.2 tf.keras序列问题实例（电影评论分类） 8.2 RNN文本分类实例 8.2.1 文本嵌入表示 8.2.2 航空公司评价情绪分类 8.3 RNN序列预测 — 空气污染预测 8.3.1 数据预处理与数据采样 8.3.2 搭建LSTM模型 8.3.3 LSTM模型优化 |
| 一维卷积序列处理 |
9.1 一维卷积简介 9.2 一维卷积实例 — 叶子分类预测 9.3 一维卷积实例 — Kaggle电影评论竞赛 |
| 多输出预测实例 | 10.1 多输出模型实例 — 同时预测颜色和种类 |
|
Tensorflow的安装和开发环境搭建 1.1 课程简介 1.1.1 课程简介 1.1.2 Tensorflow2.0简介 1.2 Tensorflow的安装 1.2.1 安装CPU版本 1.2.2 安装GPU版本 |
|
Tf.keras 核心高阶API 2.1 机器学习基础与tf.keras 2.1.1 tf.keras实现线性回归 2.1.2 逻辑回归实例与交叉熵 2.1.3 Softmax多分类实例 2.2 多层感知器与神经网络 2.2.1 多层感知器原理与梯度下降算法 2.2.2 激活函数和常见优化算法 2.2.3 多层感知器优化实例 2.2.4 过拟合与神经网络评价标准 2.2.5 Dropout与正则化 2.2.6 网络参数选择原则 2.3 tf.keras基础实例 2.3.1 手写数字识别及模型优化 2.3.2 电影评论情绪分类 2.3.3 tf.keras函数式API |
|
Tf.data 输入模块 3.1 Tf.data简介 3.1.1 tf.data模块用法演示 3.1.2 tf.data数据输入实例 |
|
卷积神经网络 4.1 认识卷积神经网络 4.1.1 卷积神经网络整体架构 4.1.2 卷积神经网络实例（Fashion Mnist数据集） 4.2 tf.data与卷积神网络综合实例-卫星图像识别 4.2.1 图片读取与解码 4.2.2 使用tf.data构造输入管道 4.2.3 模型的训练与优化 |
|
Eager模式与自定义训练 5.1 Eager模式简介 5.1.1 Eager模式与张量运算 5.1.2 变量与自动微分 5.1.3 Tensorflow自定义训练 5.2 自定义训练综合实例 5.2.1 猫狗数据识别 |
|
卷积神经网络高级应用、 迁移学习 6.1 图片增强 6.2 使用预训练网络与迁移学习 6.2.1 迁移学习的基础概念 6.2.2 使用VGG预训练网络实例 6.3 批标准化 |
|
模型保存与可视化 7.1 加载和保存整个模型 7.2 加载保存模型结构 7.3 加载和保存模型参数 7.4 Tensorflow面向对象保存 7.5 模型可视化 7.6 使用Tensorboard |
|
RNN循环神经网络 8.1 RNN循环神经网络 8.1.1 循环神经网络的原理和整体架构 8.1.2 tf.keras序列问题实例（电影评论分类） 8.2 RNN文本分类实例 8.2.1 文本嵌入表示 8.2.2 航空公司评价情绪分类 8.3 RNN序列预测 — 空气污染预测 8.3.1 数据预处理与数据采样 8.3.2 搭建LSTM模型 8.3.3 LSTM模型优化 |
|
一维卷积序列处理 9.1 一维卷积简介 9.2 一维卷积实例 — 叶子分类预测 9.3 一维卷积实例 — Kaggle电影评论竞赛 |
|
多输出预测实例 10.1 多输出模型实例 — 同时预测颜色和种类 |
近期公开课推荐