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