路飞-205-深度学习框架-Tensorflow2版本开发实战-纯实战驱动，通俗讲解2版本核心模块与实例应用
【2020最新版本，Tensorflow2版本更简单实用】
【纯实战驱动，通俗讲解2版本核心模块与实例应用】
课程特色：
-
- 1. 全程代码实战，通俗易懂，用最接地气的方式讲解各大核心模块。
- 2. 基于真实数据集展开项目实战，丰富案例支持，快速入门！
- 3. 课程永久有效，持续更新！
- 4. 数据和代码在目录里面需要PC登录点击参考资料进行下载！
课程大纲
全部展开127小节17:59:07
-
tensorflow安装与简介
可试听4小节0:30:15-
1.1 课程简介
预览01:48 -
1.2 Tensorflow2版本简介与心得
10:28 -
1.3 Tensorflow2版本安装方法
10:05 -
1.4 tf基础操作
07:54
-
-
神经网络原理解读与整体架构
可试听13小节2:07:56-
2.1 深度学习要解决的问题
预览07:55 -
2.2 深度学习应用领域
预览14:06 -
2.3 计算机视觉任务
预览05:48 -
2.4 视觉任务中遇到的问题
10:01 -
2.5 得分函数
07:14 -
2.6 损失函数的作用
10:42 -
2.7 前向传播整体流程
13:45 -
2.8 返向传播计算方法
09:33 -
2.9 神经网络整体架构
10:52 -
2.10 神经网络架构细节
10:54 -
2.11 神经元个数对结果的影响
07:11 -
2.12 正则化与激活函数
08:49 -
2.13 神经网络过拟合解决方法
11:06
-
-
搭建神经网络进行分类与回归任务
7小节1:01:37-
3.1 任务目标与数据集简介
07:24 -
3.2 建模流程与API文档
06:48 -
3.3 网络模型训练
07:48 -
3.4 模型超参数调节与预测结果展示
11:11 -
3.5 分类模型构建
09:28 -
3.6 tf.data模块解读
08:14 -
3.7 模型保存与读取实例
10:44
-
-
卷积神经网络原理与参数解读
12小节1:25:18-
4.1 卷积神经网络应用领域
07:25 -
4.2 卷积的作用
09:23 -
4.3 卷积特征值计算方法
08:07 -
4.4 得到特征图表示
06:59 -
4.5 步长与卷积核大小对结果的影响
08:11 -
4.6 边缘填充方法
06:30 -
4.7 特征图尺寸计算与参数共享
07:02 -
4.8 池化层的作用
05:38 -
4.9 整体网络架构
06:20 -
4.10 VGG网络架构
06:16 -
4.11 残差网络Resnet
07:41 -
4.12 感受野的作用
05:46
-
-
猫狗识别实战
4小节0:32:13-
5.1 猫狗识别任务与数据简介
05:38 -
5.2 卷积网络涉及参数解读
06:32 -
5.3 网络架构配置
08:27 -
5.4 卷积模型训练与识别效果展示
11:36
-
-
图像数据增强实例
3小节0:32:59-
6.1 数据增强概述
11:41 -
6.2 图像数据变换
15:33 -
6.3 猫狗识别任务数据增强实例
05:45
-
-
训练策略迁移学习实战
7小节1:05:47-
7.1 迁移学习的目标
05:31 -
7.2 迁移学习策略
07:11 -
7.3 Resnet原理
11:54 -
7.4 加载训练好的经典网络模型
09:16 -
7.5 Callback模块与迁移学习实例
11:17 -
7.6 tfrecords数据源制作方法
10:38 -
7.7 图像数据处理实例
10:00
-
-
递归神经网络与词向量原理解读
6小节0:51:00-
8.1 RNN网络架构解读
11:27 -
8.2 词向量模型通俗解释
08:14 -
8.3 模型整体框架
10:09 -
8.4 训练数据构建
05:10 -
8.5 CBOW与Skip.gram模型
08:20 -
8.6 负采样方案
07:40
-
-
基于TensorFlow实现word2vec
5小节0:37:39-
9.1 任务流程解读
06:29 -
9.2 模型定义参数设置
06:05 -
9.3 文本词预处理操作
05:29 -
9.4 训练batch数据制作
11:15 -
9.5 损失函数定义与训练结果展示
08:21
-
-
基于RNN模型进行文本分类任务
9小节1:13:48-
10.1 任务目标与数据介绍
05:06 -
10.2 RNN模型输入数据维度解读
06:59 -
10.3 数据映射表制作
10:11 -
10.4 embedding层向量制作
10:26 -
10.5 数据生成器构造
09:55 -
10.6 双向RNN模型定义
06:25 -
10.7 自定义网络模型架构
10:59 -
10.8 训练策略指定
06:06 -
10.9 训练文本分类模型
07:41
-
-
将CNN网络应用于文本分类实战
3小节0:29:14-
11.1 CNN应用于文本任务原理解析
10:46 -
11.2 整体流程解读
07:10 -
11.3 网络架构设计与训练
11:18
-
-
时间序列预测
5小节0:35:36-
12.1 任务目标与数据源
06:20 -
12.2 构建时间序列数据
07:15 -
12.3 训练时间序列数据预测结果
09:51 -
12.4 多特征预测结果
07:40 -
12.5 序列结果预测
04:30
-
-
自然语言处理通用框架BERT原理解读
11小节1:36:04-
13.1 BERT课程简介
04:59 -
13.2 BERT任务目标概述
05:27 -
13.3 传统解决方案遇到的问题
11:09 -
13.4 注意力机制的作用
06:57 -
13.5 self.attention计算方法
11:25 -
13.6 特征分配与softmax机制
09:20 -
13.7 Multi.head的作用
09:09 -
13.8 位置编码与多层堆叠
07:17 -
13.9 transformer整体架构梳理
10:57 -
13.10 BERT模型训练方法
09:37 -
13.11 训练实例
09:47
-
-
谷歌开源项目BERT源码解读与应用实例
12小节1:50:52-
14.1 BERT开源项目简介
07:35 -
14.2 项目参数配置
12:08 -
14.3 数据读取模块
07:40 -
14.4 数据预处理模块
09:37 -
14.5 tfrecord制作
11:35 -
14.6 Embedding层的作用
07:29 -
14.7 加入额外编码特征
09:22 -
14.8 加入位置编码特征
05:12 -
14.9 mask机制
08:49 -
14.10 构建QKV矩阵
12:38 -
14.11 完成Transformer模块构建
09:56 -
14.12 训练BERT模型
08:51
-
-
对抗生成网络实战
5小节0:41:16-
15.1 对抗生成网络通俗解释
08:25 -
15.2 GAN网络组成
05:14 -
15.3 DCGAN网络架构与流程解读
06:46 -
15.4 网络架构设计
09:07 -
15.5 损失函数定义与训练
11:44
-
-
基于CycleGan开源项目实战图像合成
13小节1:46:47-
16.1 CycleGan网络所需数据
06:50 -
16.2 CycleGan整体网络架构
10:03 -
16.3 PatchGan判别网络原理
04:40 -
16.4 数据与环境配置
05:47 -
16.5 生成与判别器损失函数定义
07:12 -
16.6 整体损失模块解读
10:51 -
16.7 Cycle开源项目简介
07:07 -
16.8 数据读取与预处理操作
10:17 -
16.9 生成网络模块构造
12:12 -
16.10 判别网络模块构造
05:02 -
16.11 损失函数：identity loss计算方法
09:12 -
16.12 生成与判别损失函数指定
11:40 -
16.13 额外补充：VISDOM可视化配置
05:54
-
-
经典网络架构Resnet实战
8小节1:00:46-
17.1 额外补充.Resnet论文解读
11:47 -
17.2 额外补充.Resnet网络架构解读
08:26 -
17.3 项目结构概述
04:31 -
17.4 数据集处理方法
05:56 -
17.5 训练数据构建
05:51 -
17.6 网络架构层次解读
08:40 -
17.7 前向传播配置
08:09 -
17.8 训练resnet模型
07:26
-
