Google老师亲授TensorFlow2.0入门到进阶

主讲:正十七 软件工程师课时:时长 23小时
Google老师亲授 TensorFlow2.0 入门到进阶
课程以Tensorflow2.0框架为主体，以图像分类、房价预测、文本分类、文本生成、机器翻译、泰坦尼克生存预测等项目为依托，讲解Tensorflow框架的使用方法，让学员获得灵活使用Tensorflow的能力，同时学习到相关的深度学习/机器学习知识，达到初级深度学习工程师的水平

课程介绍

Google老师亲授 TensorFlow2.0 入门到进阶
课程以Tensorflow2.0框架为主体，以图像分类、房价预测、文本分类、文本生成、机器翻译、泰坦尼克生存预测等项目为依托，讲解Tensorflow框架的使用方法，让学员获得灵活使用Tensorflow的能力，同时学习到相关的深度学习/机器学习知识，达到初级深度学习工程师的水平适合人群
想转行到深度学习方向的工程师
学习了理论但欠缺实践的深度学习starter
有志于、感兴趣深度学习的爱好者们
想快速做实验完成研究任务毕设任务的同学们
技术储备要求
熟悉Python3基础语法
熟悉Linux环境
了解机器学习与深度学习基础知识
另:1：《Google老师亲授 TensorFlow2.0 入门到进阶》来自某课网，原价399，由编程猿整理发布！编程猿承诺，本站所有课程百分百高清，完整，原画，包含所有的视频+素材+课件+源码，官方同步体验！2：本站所有课程MP4格式无密 可以通过网盘在线学习也可下载到本地，方便快捷！3： 所有课程全部支持试看任何章节，可通过点击右侧官方微信扫码添加要求试看！4：官方品质，信誉保证，本站包含某课网,某讯课堂,某易云,饥人谷,某度教育....等上万部课程正在陆续更新，感谢同学们的信任与支持，保证让同学们意！5：所有课程都会包更新，只要官方更新本站延迟2-3天就会更新。6：爱好学习，一直提升自己的小伙伴可以【开通VIP】，享受全站免金币无限制畅快学习！7：点击下方链接进行试看，在线看默认流畅，调节成原画，最好直接下载到本地是超清！试看链接：https://pan.baidu.com/s/10Q8HYDTV4KzPT2v2oEQLSg
提取码：hvl0如需咨询请点击课程目录： 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的架构和强大特性。并在Tensorflow1.0、pytorch、Tensorflow2.0之间做了对比。最后通过实战讲解了在Google cloud和AWS两个平台上的环境配置。
        1-1 课程导学 试看
        1-2 Tensorflow是什么
        1-3 Tensorflow版本变迁与tf1.0架构
        1-4 Tensorflow2.0架构 试看
        1-5 Tensorflow&pytorch比较 试看
        1-6 Tensorflow环境配置
        1-7 Google_cloud无GPU环境搭建
        1-8 Google_cloud_远程jupyter_notebook配置
        1-9 Google_cloud_gpu_tensorflow配置
        1-10 Google_cloud_gpu_tensorflow镜像配置
        1-11 AWS云平台环境配置
    第2章 Tensorflow keras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。...
        2-1 tfkeras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
        2-11 wide_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
        2-14 wide&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API tf.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。...
        3-1 tf基础API引入
        3-2 实战tf.constant
        3-3 实战tf.strings与ragged tensor
        3-4 实战sparse tensor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
        3-7 tf.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
        3-11 tf.GradientTape基本使用方法
        3-12 tf.GradientTape与tf.keras结合使用
        3-13 章节总结
    第4章 Tensorflow dataset使用

    介绍Tensorflow dataset空间下API的使用，dataset API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。
        4-1 data_API引入
        4-2 tf_data基础API使用
        4-3 生成csv文件
        4-4 tf.io.decode_csv使用
        4-5 tf.data读取csv文件并与tf.keras结合使用
        4-6 tfrecord基础API使用
        4-7 生成tfrecords文件
        4-8 tf.data读取tfrecord文件并与tf.keras结合使用
        4-9 章节总结
    第5章 Tensorflow Estimator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
        5-3 feature_column使用
        5-4 keras_to_estimator
        5-5 预定义estimator使用
        5-6 交叉特征实战
        5-7 TF1.0引入
        5-8 TF1.0计算图构建
        5-9 TF1.0模型训练
        5-10 TF1_dataset使用
        5-11 TF1_自定义estimator
        5-12 API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
        6-8 Kaggle平台与10monkeys数据集介绍
        6-9 Keras generator读取数据
        6-10 10monkeys基础模型搭建与训练
        6-11 10monkeys模型微调
        6-12 keras generator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
        7-9 LSTM长短期记忆网络
        7-10 LSTM文本分类与文本生成实战
        7-11 subword文本分类之数据集载入与tokenizer
        7-12 subword文本分类之dataset变换与模型训练
        7-13 章节总结
    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
        8-2 GPU默认设置
        8-3 内存增长和虚拟设备实战
        8-4 GPU手动设置实战
        8-5 分布式策略
        8-6 keras分布式实战
        8-7 estimator分布式实战
        8-8 自定义流程实战
        8-9 分布式自定义流程实战
    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。
        9-1 课程引入与TFLite_x264
        9-2 保存模型结构加参数与保存参数实战
        9-3 Keras模型转化为SavedModel
        9-4 签名函数转化为SavedModel
        9-5 签名函数，SavedModel和Keras模型到具体函数转换
    第10章 机器翻译本节课程依托机器翻译项目，对transformer模型进行了详细的讲解，包括可缩放点积注意力、多头注意力等知识。并对该模型进行了实现。同时，讲解了tensorflow中常用算法库tensor2tensor的使用，并使用tensor2tensor中已有的最新算法在图像分类和机器翻译上进行了最高效果的训练。...
共 33 节 (376分钟) 收起列表
10-1 课程引入与seq2seq+attention模型讲解 (10:25) 10-2 数据预处理理与读取 (16:15) 10-3 数据id化与dataset生成 (13:32) 10-4 Encoder构建 (08:18) 10-5 attention构建 (08:12) 10-6 Decoder构建 (10:45) 10-7 损失函数与单步训练函数 (10:14) 10-8 模型训练 (06:46) 10-9 模型预测实现 (16:11) 10-10 样例例分析与总结 (08:59) 10-11 Transformer模型总体架构 (10:24) 10-12 Encoder-Decoder架构与缩放点击注意力 (09:56) 10-13 多头注意力与位置编码 (08:56) 10-14 Add、Normalize、Decoding过程与总结 (07:59) 10-15 数据预处理与dataset生成 (20:09) 10-16 位置编码 (10:47) 10-17 mask构建 (07:54) 10-18 缩放点积注意力机制实现(1) (10:32) 10-19 缩放点积注意力机制实现(2) (08:00) 10-20 多头注意力机制实现 (15:34) 10-21 feedforward层次实现 (02:24) 10-22 EncoderLayer实现 (11:33) 10-23 DecoderLayer实现 (13:34) 10-24 EncoderModel实现 (11:12) 10-25 DecoderModel实现 (11:50) 10-26 Transformer实现 (13:50) 10-27 自定义学习率 (11:23) 10-28 Mask创建与使用 (18:12) 10-29 模型训练 (14:03) 10-30 模型预测实现 (15:10) 10-31 attention可视化 (12:32) 10-32 示例展示与实战总结 (11:35) 10-33 GPT与Bert与课程总结 (08:13)本课程已完结