TA的每日心情 | 开心 2024-9-19 21:14 |
---|
签到天数: 757 天 [LV.10]以坛为家III
管理员
- 积分
- 1312677
|
资源详情
目录:
第1章Tensorflow简介与环境搭建
本门课程的入门章节,简要介绍了tensorflow是什么,详细介绍了Tensorflow历史版本变迁以及tensorflow的架构和强大特忄生。并在Tensorflow1.0、pytorch、Tensorflow2.0之间做了对比。最后通过实战讲解了在Googlecloud和AWS两个平台上的环境配置。
1-1课程导学
1-2Tensorflow是什么
1-3Tensorflow版本变迁与tf1.0架构
1-4Tensorflow2.0架构
1-5Tensorflow&pytorch比较
1-6Tensorflow环境配置
1-7Google_cloud无GPU环境搭建
1-8Google_cloud_远程jupyter_notebook配置
1-9Google_cloud_gpu_tensorflow配置
1-10Google_cloud_gpu_tensorflow镜像配置
1-11AWS云平台环境配置
第2章Tensorflowkeras实战
本门课程的基础章节,详细介绍了如何使用tf.keras进行模型的搭建以及大量的深度学习的理论知识。理论知识包括分类问题、回归问题、损失函数、神经网络、激活函数、dropout、批归一化、深度神经网络、Wide&Deep模型、密集特征、稀疏特征、超参数搜索等及其在图像分类、房价预测上的实现。...
2-1tfkeras简介
2-2分类回归与目标函数
2-3实战分类模型之数据读取与展示
2-4实战分类模型之模型构建
2-5实战分类模型之数据归一化
2-6实战回调函数
2-7实战回归模型
2-8神经网络讲解
2-9实战深度神经网络
2-10实战批归一化、激活函数、dropout
2-11wide_deep模型
2-12函数API实现wide&deep模型
2-13子类API实现wide&deep模型
2-14wide&deep模型的多输入与多输出实战
2-15超参数搜索
2-16手动实现超参数搜索实战
2-17实战sklearn封装keras模型
2-18实战sklearn超参数搜索
第3章Tensorflow基础API使用
接上一节课中使用高级抽象的APItf.keras搭建模型,本节课则介绍了基础的API来方便大家更加灵活的定义和使用模型。课程内容包括tensorflow基础数据类型、自定义模型和损失函数、自定义求导、tf.function、图结构等以及其在图像分类、房价预测上的实现。...
3-1tf基础API引入
3-2实战tf.constant
3-3实战tf.strings与raggedtensor
3-4实战sparsetensor与tf.Variable
3-5实战自定义损失函数与DenseLayer回顾
3-6使子类与lambda分别实战自定义层次
3-7tf.function函数转换
3-8@tf.function函数转换
3-9函数签名与图结构
3-10近似求导
3-11tf.GradientTape基本使用方法
3-12tf.GradientTape与tf.keras结合使用
3-13章节总结
第4章Tensorflowdataset使用
介绍Tensorflowdataset空间下API的使用,datasetAPI主要用于读取数据。本届课程通过在房价预测问题上的实战详细的介绍如何使用tf.dataset读取csv文件和tfrecord文件。
4-1data_API引入
4-2tf_data基础API使用
4-3生成csv文件
4-4tf.io.decode_csv使用
4-5tf.data读取csv文件并与tf.keras结合使用
4-6tfrecord基础API使用
4-7生成tfrecords文件
4-8tf.data读取tfrecord文件并与tf.keras结合使用
4-9章节总结
第5章TensorflowEstimator使用与tf1.0
本节课分为两部分,第一部分介绍tensorflow中estimator和特征列的API的使用,estimator是和keras平级的用于模型抽象的高级API,会使用泰坦尼克生存预测项目来详细的讲解特征抽取和estimator使用。学习完以上的基础知识后,在第二部分中会讲解tf1.0的知识点来方便大家对比2.0与1.0的区别。...
5-1课程引入
5-2泰坦尼克问题引入分析
5-3feature_column使用
5-5预定义estimator使用
5-6交叉特征实战
5-7TF1.0引入
5-8TF1.0计算图构建
5-9TF1.0模型训练
5-10TF1_dataset使用
5-11TF1_自定义estimator
5-12API改动升级与课程总结
第6章卷积神经网络
本节课程依托图像分类与两个Kaggle数据集项目,主要讲解卷积神经网络,包括卷积、池化、卷积网络、数据增强、迁移学习等知识。详细的讲解了卷积操作的过程。同时还对如何使用Kaggle平台上的GPU进行的讲解。
6-1卷积神经网络引入与总体结构
6-2卷积解决的问题
6-3卷积的计算
6-4池化操作
6-5卷积神经网络实战
6-6深度可分离卷积网络
6-7深度可分离卷积网络实战
6-8Kaggle平台与10monkeys数据集介绍
6-9Kerasgenerator读取数据
6-1010monkeys基础模型搭建与训练
6-1110monkeys模型微调
6-12kerasgenerator读取cifar10数据集
6-13模型训练与预测
6-14章节总结
第7章循环神经网络
本节课程依托文本分类和文本生成两个项目,对序列式问题、循环神经网络、LSTM、双向LSTM等模型进行了详细的讲解和实战。
7-1循环神经网络引入与embedding
7-2数据集载入与构建词表索引
7-3数据padding、模型构建与训练
7-4序列式问题与循环神经网络
7-5循环神经网络实战文本分类
7-6文本生成之数据处理
7-7文本生成实战之构建模型
7-8文本生成实战之采样生成文本
7-9LSTM长短期记忆网络
7-10LSTM文本分类与文本生成实战
第8章Tensorflow分布式
本节课程依托图像分类项目,对tensorflow框架中的分布式原理和策略进行了详细的讲解,并在实战中予以实现。尤其是对参数服务器的分布式的并行架构进行详细的阐述。
8-1课程引入与GPU设置
8-2GPU默认设置
8-3内存增长和虚拟设备实战
8-4GPU手动设置实战
8-5分布式策略
8-6keras分布式实战
8-7estimator分布式实战
第9章Tensorflow模型保存与部署
本节课程依托图像分类项目,对tensorflow模型和部署进行了详细的讲解,包括普通的模型保存、tflite的使用、模型的android的部署、在js上的部署等以及对应的实战。
|
|