Google老师亲授 TensorFlow2.0 入门到进阶

『课程介绍』:
课程以Tensorflow2.0框架为主体,以图像分类、房价预测、文本分类、文本生成、机器翻译、泰坦尼克生存预测等项目为依托,讲解Tensorflow框架的使用方法,让学员获得灵活使用Tensorflow的能力,同时学习到相关的深度学习/机器学习知识,达到初级深度学习工程师的水平& e* P0 c- S/ r, e$ ~9 s
' _* b, S& L3 N( m" N% i; U
『课程目录』:* u' y9 ]. [  h3 e
1 Tensorflow简介与环境搭建
本门课程的入门章节,简要介绍了tensorflow是什么,详细介绍了Tensorflow历史版本变迁以及tensorflow的架构和强大特性。并在Tensorflow1.0pytorchTensorflow2.0之间做了对比。最后通过实战讲解了在Google cloudAWS两个平台上的环境配置。/ g# z; }/ w% u' y0 r+ o: w  L
1-1 课程导学 
, Q$ C, j  `# k4 K; ]: P8 o1 }& @
1-2 Tensorflow是什么
8 O" q, B0 H0 r- o! i
1-3 Tensorflow版本变迁与tf1.0架构
1-4 Tensorflow2.0架构 
0 ^5 y. i/ N: T) P
1-5 Tensorflow&pytorch比较 
4 _1 o* H8 G9 A0 L5 i
1-6 Tensorflow环境配置
1-7 Google_cloud无GPU环境搭建
9 C6 ]+ B! q& H( b' k' R
1-8 Google_cloud_远程jupyter_notebook配置
1-9 Google_cloud_gpu_tensorflow配置
* K) }+ b* ^. E3 H, F" ]9 H
1-10 Google_cloud_gpu_tensorflow镜像配置
5 D: X! q- u& T1 W/ t; ?7 Z
1-11 AWS云平台环境配置
4 F9 r8 a5 j, L' C& t3 z
2 Tensorflow keras实战
本门课程的基础章节,详细介绍了如何使用tf.keras进行模型的搭建以及大量的深度学习的理论知识。理论知识包括分类问题、回归问题、损失函数、神经网络、激活函数、dropout、批归一化、深度神经网络、Wide&Deep模型、密集特征、稀疏特征、超参数搜索等及其在图像分类、房价预测上的实现。; p' O4 ]; z3 E/ W0 K' V& {
2-1 tfkeras简介
2-2 分类回归与目标函数
2-3 实战分类模型之数据读取与展示
2-4 实战分类模型之模型构建
2-5 实战分类模型之数据归一化
2-6 实战回调函数
( p! X3 h. m$ g8 n9 E+ v
2-7 实战回归模型
" ]1 N) K; o* @9 X  Y1 X
2-8 神经网络讲解
6 b, f) ?( Y3 C% a) x
2-9 实战深度神经网络
& h) R2 x3 k4 x) L8 P5 J) g0 ]
2-10 实战批归一化、激活函数、dropout
2-11 wide_deep模型
2-12 函数API实现wide&deep模型
( u8 u2 J" M" j- m9 F' S$ x" l
2-13 子类API实现wide&deep模型
2-14 wide&deep模型的多输入与多输出实战
+ e7 P: P+ a. U
2-15 超参数搜索
0 v: Y/ F: k; W. k/ A% X. m1 M; l8 ~
2-16 手动实现超参数搜索实战
2-17 实战sklearn封装keras模型
+ C# c5 _) j- z( _2 ^
2-18 实战sklearn超参数搜索

3 Tensorflow基础API使用, [) W5 k! J/ T0 E" h
接上一节课中使用高级抽象的API tf.keras搭建模型,本节课则介绍了基础的API来方便大家更加灵活的定义和使用模型。课程内容包括tensorflow基础数据类型、自定义模型和损失函数、自定义求导、tf.function、图结构等以及其在图像分类、房价预测上的实现。
3-1 tf基础API引入
9 J" G8 u5 j! q) n$ Q2 C
3-2 实战tf.constant
3-3 实战tf.strings与ragged tensor
4 ]4 y! l' i' v1 J9 O' d
3-4 实战sparse tensor与tf.Variable
5 c8 ]7 X, \) I  m) x3 f
3-5 实战自定义损失函数与DenseLayer回顾
3-6 使子类与lambda分别实战自定义层次
, B4 d2 q* T$ o. w# }6 p
3-7 tf.function函数转换
: w! Y* p/ ?! N) l" x
3-8 @tf.function函数转换
3-9 函数签名与图结构
; o- [! q3 X3 N( u
3-10 近似求导
% u/ R* w2 V+ s( v( \
3-11 tf.GradientTape基本使用方法
– j# A2 W7 B# T
3-12 tf.GradientTape与tf.keras结合使用
6 n8 i8 b& K: O# e6 u8 @
3-13 章节总结
6 f/ S1 ^. Y' W$ O: e0 p6 B7 ?
3 n7 D1 b' b8 a7 b( _5 M' o8 u( F
4 Tensorflow dataset使用# U9 c7 f2 P( ^9 I! C5 i
介绍Tensorflow dataset空间下API的使用,dataset API主要用于读取数据。本届课程通过在房价预测问题上的实战详细的介绍如何使用tf.dataset读取csv文件和tfrecord文件。
4-1 data_API引入
3 i5 j- t# u& x7 x" D- P
4-2 tf_data基础API使用
4-3 生成csv文件
4-4 tf.io.decode_csv使用
4-5 tf.data读取csv文件并与tf.keras结合使用
4-6 tfrecord基础API使用
4-7 生成tfrecords文件
4-8 tf.data读取tfrecord文件并与tf.keras结合使用
4-9 章节总结
/ p& n0 P* ~! O, `$ }

5 Tensorflow Estimator使用与tf1.0& y3 `! @8 E0 R, R' E* I# q" v
本节课分为两部分,第一部分介绍tensorflowestimator和特征列的API的使用,estimator是和keras平级的用于模型抽象的高级API,会使用泰坦尼克生存预测项目来详细的讲解特征抽取和estimator使用。学习完以上的基础知识后,在第二部分中会讲解tf1.0的知识点来方便大家对比2.01.0的区别。
5-1 课程引入
7 ^8 [' B; M9 {; H
5-2 泰坦尼克问题引入分析
4 b% s9 Q$ j( z3 D6 ]. V
5-3 feature_column使用
5-4 keras_to_estimator
5-5 预定义estimator使用
3 D! E% B; [' S0 _2 h$ z3 ]
5-6 交叉特征实战
9 {1 H3 l2 v6 B
5-7 TF1.0引入
5-8 TF1.0计算图构建
6 Y% n( C8 l' K- w" f$ w0 E" w
5-9 TF1.0模型训练
4 n: [* K0 H% E1 m& h6 R
5-10 TF1_dataset使用
5-11 TF1_自定义estimator
: z+ D2 x$ i$ r/ b3 g+ x* @& y6 f9 L
5-12 API改动升级与课程总结
: B3 d6 U% s5 U. Y
6章 卷积神经网络
本节课程依托图像分类与两个Kaggle数据集项目,主要讲解卷积神经网络,包括卷积、池化、卷积网络、数据增强、迁移学习等知识。详细的讲解了卷积操作的过程。同时还对如何使用Kaggle平台上的GPU进行的讲解。
6-1 卷积神经网络引入与总体结构
$ F4 i* L$ ?& y) y/ A; J
6-2 卷积解决的问题
6-3 卷积的计算
6-4 池化操作
6-5 卷积神经网络实战
6-6 深度可分离卷积网络
8 Q' M# y* o' }5 x
6-7 深度可分离卷积网络实战
6-8 Kaggle平台与10monkeys数据集介绍
6-9 Keras generator读取数据
6-10 10monkeys基础模型搭建与训练
: E! s3 B% z. z( H, ]' T: [6 t+ y
6-11 10monkeys模型微调
, p# d4 p6 F1 R( Q9 U6 ]( y$ `
6-12 keras generator读取cifar10数据集
6-13 模型训练与预测
6-14 章节总结
, A( Z5 i6 L5 l3 ~% b$ B& m& O6 V( [0 }

7章 循环神经网络
本节课程依托文本分类和文本生成两个项目,对序列式问题、循环神经网络、LSTM、双向LSTM等模型进行了详细的讲解和实战。: @$ \4 q5 g9 J2 h. g
7-1 循环神经网络引入与embedding
9 Z7 S. y  S1 \4 g9 \, C- L7 H
7-2 数据集载入与构建词表索引
7-3 数据padding、模型构建与训练
7-4 序列式问题与循环神经网络
! |2 z' h. {" r( a. D' ]6 U# Z
7-5 循环神经网络实战文本分类
$ O. F6 J* F! X2 g- H* N5 `
7-6 文本生成之数据处理
7-7 文本生成实战之构建模型
9 C. Q# A- [& P2 k
7-8 文本生成实战之采样生成文本
7-9 LSTM长短期记忆网络
7-10 LSTM文本分类与文本生成实战
. y- g- t1 g! s) L
7-11 subword文本分类之数据集载入与tokenizer 
7-12 subword文本分类之dataset变换与模型训练 
4 Y2 U6 {2 |6 F1 D7 Y
7-13 章节总结 

8 Tensorflow分布式+ Q( J! v1 l/ G! X2 u
本节课程依托图像分类项目,对tensorflow框架中的分布式原理和策略进行了详细的讲解,并在实战中予以实现。尤其是对参数服务器的分布式的并行架构进行详细的阐述。
8-1 课程引入与GPU设置
3 N/ R: y- Z' W( a
8-2 GPU默认设置
5 d1 K% L7 {' i% C7 x
8-3 内存增长和虚拟设备实战
8-4 GPU手动设置实战
8-5 分布式策略
8-6 keras分布式实战
8-7 estimator分布式实战
8-8 自定义流程实战
8-9 分布式自定义流程实战
/ W# k, v# r, o# r% A
9 Tensorflow模型保存与部署(未完待续)
本节课程依托图像分类项目,对tensorflow模型和部署进行了详细的讲解,包括普通的模型保存、tflite的使用、模型的android的部署、在js上的部署等以及对应的实战。  Q! Z+ M% z- G" F
9-1 课程引入与TFLite_x264 
2 `: G% n$ F$ Q$ _# n- G
9-2 保存模型结构加参数与保存参数实战 
9-3 Keras模型转化为SavedModel 
9-4 签名函数转化为SavedModel 
9-5 签名函数,SavedModel和Keras模型到具体函数转换 
( Z: l- }4 I9 r. p$ @# b' z
9-6 tflite保存与解释与量化 
; r4 {% ^/ z. l. j# Q$ u
+ L* m" X6 T7 V) K5 j
10章 机器翻译
本节课程依托机器翻译项目,对transformer模型进行了详细的讲解,包括可缩放点积注意力、多头注意力等知识。并对该模型进行了实现。同时,讲解了tensorflow中常用算法库tensor2tensor的使用,并使用tensor2tensor中已有的最新算法在图像分类和机器翻译上进行了最高效果的训练。
10-1 课程引入与seq2seq+attention模型讲解
& h1 H0 {# [7 z% c& _- ~' |
10-2 数据预处理与读取
10-3 数据id化与dataset生成
10-4 Encoder构建 
( k+ P9 }. u6 B7 e# |
10-5 attention构建 
7 N+ ]' g% b3 V( P3 _
10-6 Decoder构建 
10-7 损失函数与单步训练函数 
$ j% h. A) {% o0 S# P  Y8 b
10-8 模型训练 
10-9 模型预测实现 
10-10 样例分析与总结 
, Q9 O4 J. m) a. d; U
10-11 Transformer模型总体架构 
1 b! T  m- ]: p) n
10-12 Encoder-Decoder架构与缩放点击注意 
10-13 多头注意与位置编码 
, U( O% e3 n1 {$ s8 Q
10-14 Add、Normalize、Decoding过程与总结 
7 c  X, p4 x, |
10-15 数据预处理与dataset生成 
9 `. h& F5 w: c
10-16 位置编码 
1 C4 @7 `- T# @- i5 v3 w$ A9 B6 z
10-17 mask构建 
8 I0 a$ r; M( o, f  X/ t
10-18 缩放点积注意力机制实现(1) 
10-19 缩放点积注意机制实现(2) 
10-20 多头注意机制实现 
10-21 feedforward层次实现 
& }3 W/ O' W+ X% U8 j6 A
10-22 EncoderLayer实现 
6 \6 P! O2 n  ]9 `1 {; R
10-23 DecoderLayer实现 
  T3 z2 N/ E5 p* q4 Y
10-24 EncoderModel实现 
10-25 DecoderModel实现 
0 w( I3 p) g$ O: W4 u5 o
10-26 Transformer实现 
* U( B; D4 i/ ~0 X
10-27 自定义学习率 
10-28 Mask创建与使用 
10-29 模型训练 
– h" M$ Z$ J7 v, ~# c% H8 {
10-30 模型预测实现 
6 [2 G  M/ N- y% r4 c8 y/ B5 U$ v
10-31 attention可视化 
10-32 示例展示与实战总结 
+ A" z8 \3 c& l0 y8 j6 j
10-33 GPT与Bert与课程总结

抱歉,此资源仅限VIP下载,请先
本资源为虚拟可复制性产品,购买后不允许退款,谢谢您的支持!如遇链接失效,请添加客服QQ:3197428804 索取新的链接
此资源仅对VIP开放下载
下载说明:本资源为虚拟可复制性产品,购买后不允许退款,谢谢您的支持!如遇链接失效,请添加客服QQ:3197428804 索取新的链接
0

评论0

请先

没有账号? 忘记密码?