人工智能 编程学院 ·

Google老师亲授 TensorFlow2.0 入门到进阶

Google老师亲授 TensorFlow2.0 入门到进阶 人工智能 第1张

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
9-6 tflite保存与解释与量化
9-7 tensorflowjs转换模型
9-8 tensorflowjs搭建服务器载入模型实战
9-9 Android部署模型实战与总结
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。…

10-1 课程引入与seq2seq+attention模型讲解
10-2 数据预处理理与读取
10-3 数据id化与dataset生成
10-4 Encoder构建
10-5 attention构建
10-6 Decoder构建
10-7 损失函数与单步训练函数
10-8 模型训练
10-9 模型预测实现
10-10 样例例分析与总结
10-11 Transformer模型总体架构
10-12 Encoder-Decoder架构与缩放点击注意力
10-13 多头注意力与位置编码
10-14 Add、Normalize、Decoding过程与总结
10-15 数据预处理与dataset生成
10-16 位置编码
10-17 mask构建
10-18 缩放点积注意力机制实现(1)
10-19 缩放点积注意力机制实现(2)
10-20 多头注意力机制实现
10-21 feedforward层次实现
10-22 EncoderLayer实现
10-23 DecoderLayer实现
10-24 EncoderModel实现
10-25 DecoderModel实现
10-26 Transformer实现
10-27 自定义学习率
10-28 Mask创建与使用
10-29 模型训练
10-30 模型预测实现
10-31 attention可视化
10-32 示例展示与实战总结
10-33 GPT与Bert与课程总结

相关下载

点击下载

参与评论