TensorFlow2.0深度解析從原理到應(yīng)用

第1節(jié): 機(jī)器學(xué)習(xí)框架介紹.mp4
第2節(jié): Tensorflow介紹.mp4
第3節(jié): Tensorflow2新版特性.mp4
第4節(jié): Tensorflow2架構(gòu)方式.mp4
第5節(jié): Tensorflow與其他框架對比.mp4
第6節(jié): Tensorflow環(huán)境配置.mp4
第7節(jié): 基于谷歌云平臺搭建無GPU環(huán)境.mp4
第8節(jié): 基于谷歌云平臺配置遠(yuǎn)程筆記工具.mp4
第9節(jié): 基于谷歌云平臺搭建GPU版環(huán)境.mp4
第10節(jié): 基于谷歌云平臺鏡像搭建環(huán)境.mp4
第11節(jié): AWS云平臺環(huán)境配置.mp4
第12節(jié): tfkeras介紹.mp4
第13節(jié): 分類回歸與目標(biāo)函數(shù).mp4
第14節(jié): 分類模型數(shù)據(jù)讀取與展示.mp4
第15節(jié): 分類模型模型構(gòu)建.mp4
第16節(jié): 分類模型數(shù)據(jù)歸一化.mp4
第17節(jié): 回調(diào)函數(shù).mp4
第18節(jié): 神經(jīng)網(wǎng)絡(luò)講解.mp4
第19節(jié): 深度神經(jīng)網(wǎng)絡(luò)案例.mp4
第20節(jié): 批歸一化、激活函數(shù)、dropout案例.mp4
第21節(jié): wide_deep模型.mp4
第22節(jié): 函數(shù)API實(shí)現(xiàn)wide&deep模型.mp4
第23節(jié): 子類API實(shí)現(xiàn)wide&deep模型.mp4
第24節(jié): wide&deep模型的多輸入與多輸出案例.mp4
第25節(jié): 超參數(shù)搜索.mp4
第26節(jié): 手動實(shí)現(xiàn)超參數(shù)搜索案例.mp4
第27節(jié): 用sklearn封裝keras模型.mp4
第28節(jié): 用sklearn超參數(shù)搜索.mp4
第29節(jié): 基礎(chǔ)API介紹.mp4
第30節(jié): tf.constant.mp4
第31節(jié): tf.strings與ragged_tensor.mp4
第32節(jié): sparse_tensor與tf.Variable.mp4
第33節(jié): 自定義損失函數(shù)與DenseLayer回顧.mp4
第34節(jié): 使子類與lambda分別自定義層次.mp4
第35節(jié): tf.function函數(shù)轉(zhuǎn)換.mp4
第36節(jié): @tf.function函數(shù)轉(zhuǎn)換.mp4
第37節(jié): 函數(shù)簽名與圖結(jié)構(gòu).mp4
第38節(jié): 近似求導(dǎo).mp4
第39節(jié): tf.GradientTape基本使用方法.mp4
第40節(jié): tf.GradientTape與tf.keras結(jié)合使用.mp4
第41節(jié): 其它常用API介紹.mp4
第42節(jié): 調(diào)用data_API.mp4
第43節(jié): 調(diào)用tf_data.mp4
第44節(jié): 生成csv文件.mp4
第45節(jié): 調(diào)用tf.io.decode_csv工具.mp4
第46節(jié): tf.data與tf.keras讀取csv文件.mp4
第47節(jié): tfrecord API導(dǎo)入.mp4
第48節(jié): 生成tfrecords文件.mp4
第49節(jié): tf.data+tf.keras讀取文件.mp4
第50節(jié): datasetAPI注意事項(xiàng).mp4
第51節(jié): Estimator介紹.mp4
第52節(jié): 泰坦尼克問題分析.mp4
第53節(jié): feature_column使用.mp4
第54節(jié): keras_to_estimator.mp4
第55節(jié): 預(yù)定義estimator使用.mp4
第56節(jié): 交叉特征.mp4
第57節(jié): TF1.0引入.mp4
第58節(jié): TF1.0計(jì)算圖構(gòu)建.mp4
第59節(jié): TF1.0模型訓(xùn)練.mp4
第60節(jié): TF1_dataset使用.mp4
第61節(jié): TF1_自定義estimator.mp4
第62節(jié): API改動升級與課程總結(jié).mp4
第63節(jié): 卷積神經(jīng)網(wǎng)絡(luò)引入與總體結(jié)構(gòu).mp4
第64節(jié): 卷積解決的問題.mp4
第65節(jié): 卷積的計(jì)算.mp4
第66節(jié): 池化操作.mp4
第67節(jié): 卷積神經(jīng)網(wǎng)絡(luò).mp4
第68節(jié): 深度可分離卷積網(wǎng)絡(luò).mp4
第69節(jié): 深度可分離卷積網(wǎng)絡(luò).mp4
第70節(jié): Kaggle平臺與10monkeys數(shù)據(jù)集介紹.mp4
第71節(jié): Keras_generator讀取數(shù)據(jù).mp4
第72節(jié): 10monkeys基礎(chǔ)模型搭建與訓(xùn)練.mp4
第73節(jié): 10monkeys模型微調(diào).mp4
第74節(jié): keras_generator讀取cifar10數(shù)據(jù)集.mp4
第75節(jié): 模型訓(xùn)練與預(yù)測.mp4
第76節(jié): 章節(jié)總結(jié).mp4
第77節(jié): 循環(huán)神經(jīng)網(wǎng)絡(luò)引入與embedding.mp4
第78節(jié): 數(shù)據(jù)集載入與構(gòu)建詞表索引.mp4
第79節(jié): 數(shù)據(jù)padding、模型構(gòu)建與訓(xùn)練.mp4
第80節(jié): 序列式問題與循環(huán)神經(jīng)網(wǎng)絡(luò).mp4
第81節(jié): 循環(huán)神經(jīng)網(wǎng)絡(luò)文本分類.mp4
第82節(jié): 文本生成之?dāng)?shù)據(jù)處理.mp4
第83節(jié): 文本生成之構(gòu)建模型.mp4
第84節(jié): 文本生成之采樣生成文本.mp4
第85節(jié): LSTM長短期記憶網(wǎng)絡(luò).mp4
第86節(jié): LSTM文本分類與文本生成.mp4
第87節(jié): subword文本分類之?dāng)?shù)據(jù)集載入與tokenizer.ts
第88節(jié): subword文本分類之dataset變換與模型訓(xùn)練.ts
第89節(jié): 章節(jié)總結(jié).ts
第90節(jié): 課程引入與GPU設(shè)置.mp4
第91節(jié): GPU默認(rèn)設(shè)置.mp4
第92節(jié): 內(nèi)存增長和虛擬設(shè)備.mp4
第93節(jié): GPU手動設(shè)置.mp4
第94節(jié): 分布式策略.mp4
第95節(jié): keras分布式.mp4
第96節(jié): estimator分布式.mp4
第97節(jié): 自定義流程.mp4
第98節(jié): 分布式自定義流程.mp4
第99節(jié): 課程引入與TFLite_x264.ts
第100節(jié): 保存模型結(jié)構(gòu)加參數(shù)與保存參數(shù).ts
第101節(jié): Keras模型轉(zhuǎn)化為SavedModel.ts
第102節(jié): 簽名函數(shù)轉(zhuǎn)化為SavedModel.ts
第103節(jié): 簽名函數(shù)，SavedModel和Keras模型到具體函數(shù)轉(zhuǎn)換.ts
第104節(jié): tflite保存與解釋與量化.ts
第105節(jié): 本章總結(jié).mp4
第106節(jié): tensorflowjs搭建服務(wù)?載入模型.mp4
第107節(jié): Android部署模型與總結(jié).mp4
第108節(jié): 課程引入與seq2seq+attention模型講解.ts
第109節(jié): 數(shù)據(jù)預(yù)處理理與讀取.ts
第110節(jié): 數(shù)據(jù)id化與dataset生成.ts
第111節(jié): Encoder構(gòu)建.ts
第112節(jié): attention構(gòu)建.ts
第113節(jié): Decoder構(gòu)建.ts
第114節(jié): 損失函數(shù)與單步訓(xùn)練函數(shù).ts
第115節(jié): 模型訓(xùn)練.ts
第116節(jié): 模型預(yù)測實(shí)現(xiàn).ts
第117節(jié): 樣例例分析與總結(jié).ts
第118節(jié): Transformer模型總體架構(gòu).ts
第119節(jié): Encoder-Decoder架構(gòu)與縮放點(diǎn)擊注意力.ts
第120節(jié): 多頭注意力與位置編碼.ts
第121節(jié): Add、Normalize、Decoding過程與總結(jié).ts
第122節(jié): 數(shù)據(jù)預(yù)處理與dataset生成.ts
第123節(jié): 位置編碼.ts
第124節(jié): mask構(gòu)建.ts
第125節(jié): 縮放點(diǎn)積注意力機(jī)制實(shí)現(xiàn)(1).ts
第126節(jié): 縮放點(diǎn)積注意力機(jī)制實(shí)現(xiàn)(2).ts
第127節(jié): 多頭注意力機(jī)制實(shí)現(xiàn).ts
第128節(jié): feedforward層次實(shí)現(xiàn).ts
第129節(jié): EncoderLayer.ts
第130節(jié): DecoderLayer.ts
第131節(jié): EncoderModel.ts
第132節(jié): DecoderModel.ts
第133節(jié): Transformer.ts
第134節(jié): 自定義學(xué)習(xí)率.ts
第135節(jié): Mask創(chuàng)建與使用.ts
第136節(jié): 模型訓(xùn)練.ts
第137節(jié): 模型預(yù)測實(shí)現(xiàn).ts
第138節(jié): attention可視化.ts
第139節(jié): 案例展示.mp4
第140節(jié): 如何學(xué)習(xí)更多模型[完].mp4
資料包.rar