Tensorflow深度学习入门与实战

课程介绍：

适用人群

本课程讲解Tensorflow深度学习的概念和使用方法，适合有一定python语言基础和数据分析基础的学员学习参考。

本课程用通俗易懂的实例，系统讲解了Tensorflow2.0的使用，是一堂简明易懂、系统深入的 Tensorflow 2.0 教程。咱们的课程由主讲老师提供答疑服务，答疑群学习讨论的氛围浓厚！

〖课程目录〗:

• | └──1、日月光华tensorflow2.0
• | | ├──{10}–使用预训练网络（迁移学习）
• | | | ├──[10.1]–预训练网络（迁移学习）基础知识【 www.ko996.com】.mp4 19.91M
• | | | ├──[10.2]–迁移学习网络架构【 www.ko996.com】.mp4 9.66M
• | | | ├──[10.3]–迁移学习的代码实现【 www.ko996.com】.mp4 27.81M
• | | | ├──[10.4]–经典预训练网络权重分享和使用方法【 www.ko996.com】.mp4 11.62M
• | | | ├──[10.5]–预训练网络使用——微调【 www.ko996.com】.mp4 26.43M
• | | | └──[10.6]–常见的预训练网络模型及使用示例【 www.ko996.com】.mp4 66.15M
• | | ├──{11}–多输出模型实例
• | | | ├──[11.1]–多输出模型实例——数据加载【 www.ko996.com】.mp4 80.68M
• | | | ├──[11.2]–多输出模型的创建【 www.ko996.com】.mp4 28.07M
• | | | ├──[11.3]–多输出模型的编译和训练【 www.ko996.com】.mp4 17.56M
• | | | └──[11.4]–多输出模型的评价与模型预测【 www.ko996.com】.mp4 57.26M
• | | ├──{12}–模型保存与恢复
• | | | ├──[12.1]–保存整体模型【 www.ko996.com】.mp4 27.50M
• | | | ├──[12.2]–.仅保存架构和仅保存权重【 www.ko996.com】.mp4 105.24M
• | | | ├──[12.3]–使用回调函数保存模型【 www.ko996.com】.mp4 24.07M
• | | | └──[12.4]–在自定义训练中保存检查点【 www.ko996.com】.mp4 46.13M
• | | ├──{13}–图像定位
• | | | ├──[13.1]–常见图像处理任务【 www.ko996.com】.mp4 28.19M
• | | | ├──[13.2]–图像和位置数据的解析与可视化【 www.ko996.com】.mp4 39.37M
• | | | ├──[13.3]–图片缩放与目标值的规范【 www.ko996.com】.mp4 20.50M
• | | | ├──[13.4]–数据读取与预处理（一）【 www.ko996.com】.mp4 25.95M
• | | | ├──[13.5]–数据读取与预处理——创建目标数据datasets【 www.ko996.com】.mp4 20.72M
• | | | ├──[13.6]–创建输入管道【 www.ko996.com】.mp4 27.14M
• | | | ├──[13.7]–图像定位模型创建【 www.ko996.com】.mp4 28.40M
• | | | ├──[13.8]–图像定位模型的预测【 www.ko996.com】.mp4 37.83M
• | | | └──[13.9]–图像定位的优化、评价和应用简介【 www.ko996.com】.mp4 18.98M
• | | ├──{14}–自动图运算与GPU使用策略
• | | | ├──[14.1]–自动图运算【 www.ko996.com】.mp4 22.85M
• | | | └──[14.2]–GPU配置与使用策略【 www.ko996.com】.mp4 70.27M
• | | ├──{15}–图像语义分割
• | | | ├──[15.10]–FCN模型搭建（二）【 www.ko996.com】.mp4 18.87M
• | | | ├──[15.11]–FCN模型训练和预测【 www.ko996.com】.mp4 35.46M
• | | | ├──[15.1]–图像语义分割简介【 www.ko996.com】.mp4 16.73M
• | | | ├──[15.2]–图像语义分割网络结构——FCN【 www.ko996.com】.mp4 25.22M
• | | | ├──[15.3]–图像语义分割网络FCN的跳接结构【 www.ko996.com】.mp4 15.17M
• | | | ├──[15.4]–图像语义分割网络FCN代码实现(一)【 www.ko996.com】.mp4 30.12M
• | | | ├──[15.5]–图像语义分割网络FCN代码实现(二)【 www.ko996.com】.mp4 28.72M
• | | | ├──[15.6]–准备输入数据、可视化输入数据【 www.ko996.com】.mp4 85.07M
• | | | ├──[15.7]–使用预训练网络【 www.ko996.com】.mp4 29.73M
• | | | ├──[15.8]–获取模型中间层的输出【 www.ko996.com】.mp4 38.77M
• | | | └──[15.9]–FCN模型搭建（一）【 www.ko996.com】.mp4 81.38M
• | | ├──{16}–RNN循环神经网络
• | | | ├──[16.1]–RNN循环神经网络简介【 www.ko996.com】.mp4 34.53M
• | | | ├──[16.2]–tf.keras循环神经网络-航空评数据预处理（一）【 www.ko996.com】.mp4 42.99M
• | | | ├──[16.3]–tf.keras循环神经网络-航空评数据预处理（二）【 www.ko996.com】.mp4 30.64M
• | | | └──[16.4]–tf.keras循环神经网络-航空评数据分类模型【 www.ko996.com】.mp4 29.47M
• | | ├──{17}–RNN序列预测实例-空气污染预测
• | | | ├──[17.1]–RNN序列预测实例-空气污染预测-数据预处理(一)【 www.ko996.com】.mp4 99.78M
• | | | ├──[17.2]–RNN序列预测实例-空气污染预测-数据预处理(二)【 www.ko996.com】.mp4 52.17M
• | | | ├──[17.3]–RNN序列预测实例-空气污染预测-数据采样(一)【 www.ko996.com】.mp4 36.62M
• | | | ├──[17.4]–RNN序列预测实例-空气污染预测-数据采样(二)【 www.ko996.com】.mp4 24.31M
• | | | ├──[17.5]–RNN序列预测实例-空气污染预测-基础模型【 www.ko996.com】.mp4 33.27M
• | | | ├──[17.6]–RNN序列预测实例-空气污染预测-搭建LSTM模型【 www.ko996.com】.mp4 32.21M
• | | | ├──[17.7]–LSTM模型优化-多层LSTM和训练速度衰减【 www.ko996.com】.mp4 37.23M
• | | | └──[17.8]–LSTM模型的预测和评价【 www.ko996.com】.mp4 47.45M
• | | ├──{18}–使用免费GPU加速训练
• | | | ├──[18.1]–注册和使用界面简介【 www.ko996.com】.mp4 28.61M
• | | | └──[18.2]–添加数据集和下载运行输出【 www.ko996.com】.mp4 31.03M
• | | ├──{19}–下面的课程为1.x版本课程，感兴趣可以学习
• | | | └──(19.1)–Tensorflow1.x版本课程介绍（续）【 www.ko996.com】.pdf 158.45kb
• | | ├──{1}–课程简介与开发环境搭建
• | | | ├──(1.3)–Tensorflow2.0安装PPT【 www.ko996.com】.pdf 352.57kb
• | | | ├──[1.1]–课程简介【 www.ko996.com】.mp4 7.23M
• | | | ├──[1.2]–Tensorflow2.0极简安装教程【 www.ko996.com】.mp4 54.06M
• | | | ├──[1.4]–Tensorflow2.0正式版的安装（选看）【 www.ko996.com】.mp4 37.24M
• | | | └──[1.5]–原生python环境安装tensorflow指南（选学）【 www.ko996.com】.mp4 25.50M
• | | ├──{20}–Tensorflow的简介与安装
• | | | ├──[20.1]–Tensorflow的简介与安装【 www.ko996.com】.mp4 97.88M
• | | | └──[20.2]–课程更新介绍及安装提示（2019.02）【 www.ko996.com】.mp4 13.86M
• | | ├──{21}–Tensorflow数据流图、张量及数据类型
• | | | └──[21.1]–Tensorflow数据流图、张量及数据类型【 www.ko996.com】.mp4 87.25M
• | | ├──{22}–Tensorflow中的session、占位符和变量
• | | | └──[22.1]–Tensorflow中的session、占位符和变量【 www.ko996.com】.mp4 51.86M
• | | ├──{23}–机器学习基础-线性回归模型
• | | | └──[23.1]–机器学习基础-线性回归模型【 www.ko996.com】.mp4 139.82M
• | | ├──{25}–多分类问题-IRIS数据集
• | | | └──[25.1]–多分类问题-IRIS数据集【 www.ko996.com】.mp4 183.44M
• | | ├──{26}–CNN卷积神经网络
• | | | ├──[26.1]–CNN卷积神经网络介绍【 www.ko996.com】.mp4 117.04M
• | | | ├──[26.2]–Mnist手写数字数据集softmax识别【 www.ko996.com】.mp4 92.78M
• | | | └──[26.3]–卷积神经网络识别Mnist手写数字数据集【 www.ko996.com】.mp4 121.70M
• | | ├──{27}–CNN卷积神经网络高级应用
• | | | ├──[27.1]–Tensorflow读取机制与猫和狗识别数据集【 www.ko996.com】.mp4 167.29M
• | | | ├──[27.2]–猫和狗数据集的CNN网络实现【 www.ko996.com】.mp4 193.89M
• | | | ├──[27.3]–CNN保存检查点【 www.ko996.com】.mp4 152.78M
• | | | ├──[27.4]–过拟合与正则化以及数据增强处理【 www.ko996.com】.mp4 123.87M
• | | | ├──[27.5]–Cifar-10数据集的CNN实现【 www.ko996.com】.mp4 201.78M
• | | | └──[27.6]–批标准化简介与应用【 www.ko996.com】.mp4 141.82M
• | | ├──{28}–新读取机制：tf.data模块
• | | | ├──[28.1]–使用tf.data读取猫狗数据集(一)【 www.ko996.com】.mp4 32.85M
• | | | ├──[28.2]–使用tf.data读取猫狗数据集(二)【 www.ko996.com】.mp4 88.89M
• | | | ├──[28.3]–Feedableiterator使用实例（一）【 www.ko996.com】.mp4 28.88M
• | | | └──[28.4]–Feedableiterator使用实例（二）【 www.ko996.com】.mp4 55.15M
• | | ├──{29}–Tensorflow高级API——tf.layers模块
• | | | ├──[29.1]–tf.layers模块常用方法（一）【 www.ko996.com】.mp4 60.66M
• | | | └──[29.2]–tf.layers模块常用方法（二）【 www.ko996.com】.mp4 18.37M
• | | ├──{2}–深度学习基础和tf.keras
• | | | ├──[2.10]–独热编码与交叉熵损失函数【 www.ko996.com】.mp4 25.72M
• | | | ├──[2.11]–优化函数、学习速率、反向传播算法【 www.ko996.com】.mp4 41.11M
• | | | ├──[2.12]–网络优化与超参数选择【 www.ko996.com】.mp4 18.50M
• | | | ├──[2.13]–Dropout抑制过拟合与网络参数选择总原则【 www.ko996.com】.mp4 49.49M
• | | | ├──[2.14]–Dropout与过拟合抑制【 www.ko996.com】.mp4 20.50M
• | | | ├──[2.15]–tf.keras函数式API【 www.ko996.com】.mp4 28.58M
• | | | ├──[2.1]–机器学习原理-线性回归【 www.ko996.com】.mp4 52.06M
• | | | ├──[2.2]–tf.keras实现线性回归【 www.ko996.com】.mp4 25.76M
• | | | ├──[2.3]–梯度下降算法【 www.ko996.com】.mp4 20.20M
• | | | ├──[2.4]–多层感知器（神经网络）与激活函数【 www.ko996.com】.mp4 15.29M
• | | | ├──[2.5]–多层感知器（神经网络）的代码实现【 www.ko996.com】.mp4 59.69M
• | | | ├──[2.6]–逻辑回归与交叉熵【 www.ko996.com】.mp4 10.80M
• | | | ├──[2.7]–逻辑回归实现【 www.ko996.com】.mp4 24.51M
• | | | ├──[2.8]–softmax多分类（一）【 www.ko996.com】.mp4 18.52M
• | | | └──[2.9]–softmax多分类代码实现-fashionmnist数据分类实【 www.ko996.com】.mp4 45.66M
• | | ├──{30}–RNN循环神经网络
• | | | ├──[30.1]–RNN循环神经网络简介【 www.ko996.com】.mp4 44.52M
• | | | ├──[30.2]–RNN识别Mnist手写数字数据集【 www.ko996.com】.mp4 159.95M
• | | | ├──[30.3]–美国航空公司Twitter评数据集-数据预处理【 www.ko996.com】.mp4 75.38M
• | | | └──[30.4]–美国航空公司Twitter评数据集-RNN实现【 www.ko996.com】.mp4 163.95M
• | | ├──{31}–练习作业-搜狗实验室搜狐新闻数据分类
• | | | └──[31.1]–练习作业-搜狗实验室搜狐新闻中文数据分类【 www.ko996.com】.mp4 106.81M
• | | ├──{32}–附：Anaconda与Jputernotebook安装使用技巧
• | | | ├──[32.1]–Anaconda的安装 【 www.ko996.com】.mp4 74.74M
• | | | ├──[32.2]–conda的使用【 www.ko996.com】.mp4 41.33M
• | | | ├──[32.3]–Notebook页面介绍【 www.ko996.com】.mp4 65.83M
• | | | ├──[32.4]–Jupyternotebook使用技巧（一）【 www.ko996.com】.mp4 51.62M
• | | | └──[32.5]–Jupyternotebook技巧（二）【 www.ko996.com】.mp4 90.21M
• | | ├──{3}–tf.data输入模块
• | | | ├──[3.1]–tf.data模块简介【 www.ko996.com】.mp4 42.30M
• | | | ├──[3.2]–tf.data模块用法示例【 www.ko996.com】.mp4 23.03M
• | | | ├──[3.3]–tf.data输入实例（一）【 www.ko996.com】.mp4 22.03M
• | | | └──[3.4]–tf.data输入实例（二）【 www.ko996.com】.mp4 29.18M
• | | ├──{4}–计算机视觉-卷积神经网络
• | | | ├──[4.1]–认识卷积神经网络（一）【 www.ko996.com】.mp4 26.11M
• | | | ├──[4.2]–认识卷积神经网络-卷积层和池化层【 www.ko996.com】.mp4 35.58M
• | | | ├──[4.3]–卷积神经网络整体架构【 www.ko996.com】.mp4 13.09M
• | | | ├──[4.4]–卷积神经网络识别Fashionmnist数据集【 www.ko996.com】.mp4 26.54M
• | | | ├──[4.5]–搭建卷积神经网络【 www.ko996.com】.mp4 39.63M
• | | | └──[4.6]–卷积神经网络的优化【 www.ko996.com】.mp4 21.90M
• | | ├──{5}–卫星图像识别tf.data、卷积综合实例
• | | | ├──[5.1]–卫星图像识别卷积综合实例：图片数据读取【 www.ko996.com】.mp4 30.94M
• | | | ├──[5.2]–卫星图像识别卷积综合实例：读取和解码图片【 www.ko996.com】.mp4 27.80M
• | | | ├──[5.3]–卫星图像识别卷积综合实例：tf.data构造输入【 www.ko996.com】.mp4 52.25M
• | | | ├──[5.4]–卫星图像识别卷积综合实例tf.data构建图片输入管道【 www.ko996.com】.mp4 59.93M
• | | | ├──[5.5]–卫星图像识别卷积综合实例分类模型训练【 www.ko996.com】.mp4 18.34M
• | | | ├──[5.6]–批标准化【 www.ko996.com】.mp4 17.10M
• | | | └──[5.7]–批标准化的使用【 www.ko996.com】.mp4 25.82M
• | | ├──{6}–tf.keras高阶API实例
• | | | ├──[6.1]–tf.keras序列问题-电影评数据分类（一）【 www.ko996.com】.mp4 68.43M
• | | | ├──[6.2]–tf.keras序列问题-电影评数据分类（二）【 www.ko996.com】.mp4 29.86M
• | | | ├──[6.3]–tf.keras训练过程可视化及解决过拟合问题【 www.ko996.com】.mp4 46.89M
• | | | ├──[6.4]–tf.keras图像识别-猫狗数据集实例（一）【 www.ko996.com】.mp4 32.44M
• | | | └──[6.5]–tf.keras图像识别-猫狗数据集实例（二）【 www.ko996.com】.mp4 24.65M
• | | ├──{7}–Eager模式与自定义训练
• | | | ├──[7.10]–tf.keras.metrics汇总计算应用实例（二）【 www.ko996.com】.mp4 21.32M
• | | | ├──[7.1]–Eager模式简介【 www.ko996.com】.mp4 16.30M
• | | | ├──[7.2]–Eager模式代码演示与张量【 www.ko996.com】.mp4 22.93M
• | | | ├──[7.3]–变量与自动微分运算【 www.ko996.com】.mp4 22.55M
• | | | ├──[7.4]–自动微分与自定义训练（一）【 www.ko996.com】.mp4 30.13M
• | | | ├──[7.5]–Tensorflow自定义训练（二）【 www.ko996.com】.mp4 23.77M
• | | | ├──[7.6]–Tensorflow自定义训练（三）【 www.ko996.com】.mp4 29.89M
• | | | ├──[7.7]–Tensorflow自定义训练（四）【 www.ko996.com】.mp4 34.88M
• | | | ├──[7.8]–tf.keras.metrics汇总计算模块【 www.ko996.com】.mp4 66.06M
• | | | └──[7.9]–tf.keras.metrics汇总计算应用实例（一）【 www.ko996.com】.mp4 22.65M
• | | ├──{8}–Tensorboard可视化
• | | | ├──[8.1]–利用回调函数使用Tensorboard【 www.ko996.com】.mp4 26.38M
• | | | ├──[8.2]–Tensorboard启动和界面含义介绍【 www.ko996.com】.mp4 28.42M
• | | | ├──[8.3]–自定义变量的tensorboard可视化【 www.ko996.com】.mp4 31.11M
• | | | └──[8.4]–自定义训练中的tensorboard可视化【 www.ko996.com】.mp4 71.91M
• | | ├──{9}–自定义训练综合实例与图片增强
• | | | ├──[9.10]–模型的进一步优化与VGG网络【 www.ko996.com】.mp4 33.32M
• | | | ├──[9.1]–猫狗数据实例-数据读取【 www.ko996.com】.mp4 38.57M
• | | | ├──[9.2]–猫狗数据实例-创建dataset【 www.ko996.com】.mp4 29.71M
• | | | ├──[9.3]–猫狗数据实例-创建模型【 www.ko996.com】.mp4 34.33M
• | | | ├──[9.4]–猫狗数据实例-损失函数与优化器【 www.ko996.com】.mp4 28.46M
• | | | ├──[9.5]–猫狗数据实例-定义单批次训练函数【 www.ko996.com】.mp4 31.48M
• | | | ├──[9.6]–使用kaggle训练模型【 www.ko996.com】.mp4 41.30M
• | | | ├──[9.7]–在自定义训练中添加验证数据【 www.ko996.com】.mp4 32.79M
• | | | ├──[9.8]–模型的训练与优化【 www.ko996.com】.mp4 35.98M
• | | | └──[9.9]–猫狗数据实例-图片增强【 www.ko996.com】.mp4 23.76M
• | | └──日月光华-tensorflow资料
• | | | ├──datasets
• | | | ├──model weights
• | | | ├──tensorflow2.0代码
• | | | ├──日月光华tensorflow课程PPT
• | | | └──数据集

yeyudao普通

收藏 海报 链接