2021日月光华tensorflow2.0
600学习网终身会员188 所有资源免费无秘无压缩-开通会员
{1}–课程简介与开发环境搭建
(1.3)–Tensorflow2.0安装PPT.pdf352.57kb
[1.1]–课程简介.mp47.23M
[1.2]–Tensorflow2.0极简安装教程.mp454.06M
[1.4]–Tensorflow2.0正式版的安装(选看).mp437.24M
[1.5]–原生python环境安装tensorflow指南(选学).mp425.50M
{2}–深度学习基础和tf.keras
[2.1]–机器学习原理-线姓回归.mp452.06M
[2.2]–tf.keras实现线姓回归.mp425.76M
[2.3]–梯度下降算法.mp420.20M
[2.4]–多层感知器(神经网络)与激活函数.mp415.29M
[2.5]–多层感知器(神经网络)的代码实现.mp459.69M
[2.6]–逻辑回归与交叉熵.mp410.80M
[2.7]–逻辑回归实现.mp424.51M
[2.8]–softmax多分类(一).mp418.52M
[2.9]–softmax多分类代码实现-fashionmnist数据分类实.mp445.66M
[2.10]–独热编码与交叉熵损失函数.mp425.72M
[2.11]–优化函数、学习速率、反向传播算法.mp441.11M
[2.12]–网络优化与超参数选择.mp418.50M
[2.13]–Dropout抑制过拟合与网络参数选择总原则.mp449.49M
[2.14]–Dropout与过拟合抑制.mp420.50M
[2.15]–tf.keras函数式API.mp428.58M
{3}–tf.data输入模块
[3.1]–tf.data模块简介.mp442.30M
[3.2]–tf.data模块用法示例.mp423.03M
[3.3]–tf.data输入实例(一).mp422.03M
[3.4]–tf.data输入实例(二).mp429.18M
{4}–计算机视觉-卷积神经网络
[4.1]–认识卷积神经网络(一).mp426.11M
[4.2]–认识卷积神经网络-卷积层和池化层.mp435.58M
[4.3]–卷积神经网络整体架构.mp413.09M
[4.4]–卷积神经网络识别Fashionmnist数据集.mp426.54M
[4.5]–搭建卷积神经网络.mp439.63M
[4.6]–卷积神经网络的优化.mp421.90M
{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.mp430.94M
[5.2]–卫星图像识别卷积综合实例:读取和解码图片.mp427.80M
[5.3]–卫星图像识别卷积综合实例:tf.data构造输入.mp452.25M
[5.4]–卫星图像识别卷积综合实例tf.data构建图片输入管道.mp459.93M
[5.5]–卫星图像识别卷积综合实例分类模型训练.mp418.34M
[5.6]–批标准化.mp417.10M
[5.7]–批标准化的使用.mp425.82M
{6}–tf.keras高阶API实例
[6.1]–tf.keras序列问题-电影评论数据分类(一).mp468.43M
[6.2]–tf.keras序列问题-电影评论数据分类(二).mp429.86M
[6.3]–tf.keras训练过程可视化及解决过拟合问题.mp446.89M
[6.4]–tf.keras图像识别-猫狗数据集实例(一).mp432.44M
[6.5]–tf.keras图像识别-猫狗数据集实例(二).mp424.65M
{7}–Eager模式与自定义训练
[7.1]–Eager模式简介.mp416.30M
[7.2]–Eager模式代码演示与张量.mp422.93M
[7.3]–变量与自动微分运算.mp422.55M
[7.4]–自动微分与自定义训练(一).mp430.13M
[7.5]–Tensorflow自定义训练(二).mp423.77M
[7.6]–Tensorflow自定义训练(三).mp429.89M
[7.7]–Tensorflow自定义训练(四).mp434.88M
[7.8]–tf.keras.metrics汇总计算模块.mp466.06M
[7.9]–tf.keras.metrics汇总计算应用实例(一).mp422.65M
[7.10]–tf.keras.metrics汇总计算应用实例(二).mp421.32M
{8}–Tensorboard可视化
[8.1]–利用回调函数使用Tensorboard.mp426.38M
[8.2]–Tensorboard启动和界面含义介绍.mp428.42M
[8.3]–自定义变量的tensorboard可视化.mp431.11M
[8.4]–自定义训练中的tensorboard可视化.mp471.91M
{9}–自定义训练综合实例与图片增强
[9.1]–猫狗数据实例-数据读取.mp438.57M
[9.2]–猫狗数据实例-创建dataset.mp429.71M
[9.3]–猫狗数据实例-创建模型.mp434.33M
[9.4]–猫狗数据实例-损失函数与优化器.mp428.46M
[9.5]–猫狗数据实例-定义单批次训练函数.mp431.48M
[9.6]–使用kaggle训练模型.mp441.30M
[9.7]–在自定义训练中添加验证数据.mp432.79M
[9.8]–模型的训练与优化.mp435.98M
[9.9]–猫狗数据实例-图片增强.mp423.76M
[9.10]–模型的进一步优化与VGG网络.mp433.32M
{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.mp419.91M
[10.2]–迁移学习网络架构.mp49.66M
[10.3]–迁移学习的代码实现.mp427.81M
[10.4]–经典预训练网络权重分享和使用方法.mp411.62M
[10.5]–预训练网络使用——微调.mp426.43M
[10.6]–常见的预训练网络模型及使用示例.mp466.15M
{11}–多输出模型实例
[11.1]–多输出模型实例——数据加载.mp480.68M
[11.2]–多输出模型的创建.mp428.07M
[11.3]–多输出模型的编译和训练.mp417.56M
[11.4]–多输出模型的评价与模型预测.mp457.26M
{12}–模型保存与恢复
[12.1]–保存整体模型.mp427.50M
[12.2]–.仅保存架构和仅保存权重.mp4105.24M
[12.3]–使用回调函数保存模型.mp424.07M
[12.4]–在自定义训练中保存检查点.mp446.13M
{13}–图像定位
[13.1]–常见图像处理任务.mp428.19M
[13.2]–图像和位置数据的解析与可视化.mp439.37M
[13.3]–图片缩放与目标值的规范.mp420.50M
[13.4]–数据读取与预处理(一).mp425.95M
[13.5]–数据读取与预处理——创建目标数据datasets.mp420.72M
[13.6]–创建输入管道.mp427.14M
[13.7]–图像定位模型创建.mp428.40M
[13.8]–图像定位模型的预测.mp437.83M
[13.9]–图像定位的优化、评价和应用简介.mp418.98M
{14}–自动图运算与GPU使用策略
[14.1]–自动图运算.mp422.85M
[14.2]–GPU配置与使用策略.mp470.27M
{15}–图像语义分割
[15.1]–图像语义分割简介.mp416.73M
[15.2]–图像语义分割网络结构——FCN.mp425.22M
[15.3]–图像语义分割网络FCN的跳接结构.mp415.17M
[15.4]–图像语义分割网络FCN代码实现(一).mp430.12M
[15.5]–图像语义分割网络FCN代码实现(二).mp428.72M
[15.6]–准备输入数据、可视化输入数据.mp485.07M
[15.7]–使用预训练网络.mp429.73M
[15.8]–获取模型中间层的输出.mp438.77M
[15.9]–FCN模型搭建(一).mp481.38M
[15.10]–FCN模型搭建(二).mp418.87M
[15.11]–FCN模型训练和预测.mp435.46M
{16}–RNN循环神经网络
[16.1]–RNN循环神经网络简介.mp434.53M
[16.2]–tf.keras循环神经网络-航空评论数据预处理(一).mp442.99M
[16.3]–tf.keras循环神经网络-航空评论数据预处理(二).mp430.64M
[16.4]–tf.keras循环神经网络-航空评论数据分类模型.mp429.47M
{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).mp499.78M
[17.2]–RNN序列预测实例-空气污染预测-数据预处理(二).mp452.17M
[17.3]–RNN序列预测实例-空气污染预测-数据采样(一).mp436.62M
[17.4]–RNN序列预测实例-空气污染预测-数据采样(二).mp424.31M
[17.5]–RNN序列预测实例-空气污染预测-基础模型.mp433.27M
[17.6]–RNN序列预测实例-空气污染预测-搭建LSTM模型.mp432.21M
[17.7]–LSTM模型优化-多层LSTM和训练速度衰减.mp437.23M
[17.8]–LSTM模型的预测和评价.mp447.45M
{18}–使用免费GPU加速训练
[18.1]–注册和使用界面简介.mp428.61M
[18.2]–添加数据集和下载运行输出.mp431.03M
{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).pdf158.45kb
{20}–Tensorflow的简介与安装
[20.1]–Tensorflow的简介与安装.mp497.88M
[20.2]–课程更新介绍及安装提示(2019.02).mp413.86M
{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.mp487.25M
{22}–Tensorflow中的session、占位符和变量
[22.1]–Tensorflow中的session、占位符和变量.mp451.86M
{23}–机器学习基础-线姓回归模型
[23.1]–机器学习基础-线姓回归模型.mp4139.82M
{25}–多分类问题-IRIS数据集
[25.1]–多分类问题-IRIS数据集.mp4183.44M
{26}–CNN卷积神经网络
[26.1]–CNN卷积神经网络介绍.mp4117.04M
[26.2]–Mnist手写数字数据集softmax识别.mp492.78M
[26.3]–卷积神经网络识别Mnist手写数字数据集.mp4121.70M
{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.mp4167.29M
[27.2]–猫和狗数据集的CNN网络实现.mp4193.89M
[27.3]–CNN保存检查点.mp4152.78M
[27.4]–过拟合与正则化以及数据增强处理.mp4123.87M
[27.5]–Cifar-10数据集的CNN实现.mp4201.78M
[27.6]–批标准化简介与应用.mp4141.82M
{28}–新读取机制:tf.data模块
[28.1]–使用tf.data读取猫狗数据集(一).mp432.85M
[28.2]–使用tf.data读取猫狗数据集(二).mp488.89M
[28.3]–Feedableiterator使用实例(一).mp428.88M
[28.4]–Feedableiterator使用实例(二).mp455.15M
{29}–Tensorflow高级API——tf.layers模块
[29.1]–tf.layers模块常用方法(一).mp460.66M
[29.2]–tf.layers模块常用方法(二).mp418.37M
{30}–RNN循环神经网络
[30.1]–RNN循环神经网络简介.mp444.52M
[30.2]–RNN识别Mnist手写数字数据集.mp4159.95M
[30.3]–美国航空公司Twitter评论数据集-数据预处理.mp475.38M
[30.4]–美国航空公司Twitter评论数据集-RNN实现.mp4163.95M
{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.mp4106.81M
{32}–附:Anaconda与Jputernotebook安装使用技巧
[32.1]–Anaconda的安装 .mp474.74M
[32.2]–conda的使用.mp441.33M
[32.3]–Notebook页面介绍.mp465.83M
[32.4]–Jupyternotebook使用技巧(一).mp451.62M
[32.5]–Jupyternotebook技巧(二).mp490.21M
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
600学习网 » 2021日月光华tensorflow2.0