架构师_程序员

 找回密码
 注册[Register]

QQ登录

只需一步,快速开始

查看: 108|回复: 2

[教学视频] Google老师亲授 TensorFlow2.0 入门到进阶

[复制链接]
跳转到指定楼层
楼主
发表于 2019-11-6 08:02:38
zu
课程介绍
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

课程目录
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
1-2 Tensorflow是什么
1-3 Tensorflow版本变迁与tf1.0架构
1-4 Tensorflow2.0架构
1-5 Tensorflow&pytorch比较
1-6 Tensorflow环境配置;
1-7 Google_cloud无GPU环境搭建
1-8 Google_cloud远程jupyternotebook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

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

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.constant1
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

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

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5

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

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

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

Tensorflow模型保存与部署(未完待续)
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
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

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
10-19 缩放点积注意力机制实现
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

链接: https://pan.baidu.com/s/1ItjLYP8bzX3x_UieYzhKZQ
提取码:
游客,如果您要查看本帖隐藏内容请回复






上一篇:我与祖国共奋进团日活动PPT4套
下一篇:樊登读书会2013-2019年合集
帖子永久地址: 

架构师_程序员 - 论坛版权1、本主题所有言论和图片纯属会员个人意见,与本论坛立场无关
2、本站所有主题由该帖子作者发表,该帖子作者与架构师_程序员享有帖子相关版权
3、其他单位或个人使用、转载或引用本文时必须同时征得该帖子作者和架构师_程序员的同意
4、帖子作者须承担一切因本文发表而直接或间接导致的民事或刑事法律责任
5、本帖部分内容转载自其它媒体,但并不代表本站赞同其观点和对其真实性负责
6、如本帖侵犯到任何版权问题,请立即告知本站,本站将及时予与删除并致以最深的歉意
7、架构师_程序员管理员和版主有权不事先通知发贴者而删除本文

码农网,只发表在实践过程中,遇到的技术难题,不误导他人。
需要更多学习资源请扫二维码
沙发
发表于 2019-11-6 16:33:19
感谢楼主分享
码农网,只发表在实践过程中,遇到的技术难题,不误导他人。
板凳
发表于 2019-11-9 11:20:16
感谢楼主分享
码农网,只发表在实践过程中,遇到的技术难题,不误导他人。
您需要登录后才可以回帖 登录 | 注册[Register]

本版积分规则

免责声明:
码农网所发布的一切软件、编程资料或者文章仅限用于学习和研究目的;不得将上述内容用于商业或者非法用途,否则,一切后果请用户自负。本站信息来自网络,版权争议与本站无关。您必须在下载后的24个小时之内,从您的电脑中彻底删除上述内容。如果您喜欢该程序,请支持正版软件,购买注册,得到更好的正版服务。如有侵权请邮件与我们联系处理。

Mail To:help@itsvse.com

QQ|Archiver|手机版|小黑屋|架构师 ( 鲁ICP备14021824号-2 )|网站地图

GMT+8, 2019-12-14 01:59

Powered by Discuz! X3.4

© 2001-2017 Comsenz Inc.

快速回复 返回顶部 返回列表
即时比分新浪