tensorflow20深度解析从原理到应用2019全tf2
资源详情
有问题随时联系小店qq 1981389505第1节: 机器学习框架介绍.mp4第2节: tensorflow介绍.mp4第3节: tensorflow2新版特忄生.mp4第4节: tensorflow2架构方式.mp4第5节: tensorflow与其他框架对比.mp4第6节: tensorflow环境配置.mp4第7节: 基于谷歌云平台搭建无gpu环境.mp4第8节: 基于谷歌云平台配置远程笔记工具.mp4第9节: 基于谷歌云平台搭建gpu版环境.mp4第10节: 基于谷歌云平台镜像搭建环境.mp4第11节: aws云平台环境配置.mp4第12节: tfkeras介绍.mp4第13节: 分类回归与目标函数.mp4第14节: 分类模型数据读取与展示.mp4第15节: 分类模型模型构建.mp4第16节: 分类模型数据归一化.mp4第17节: 回调函数.mp4第18节: 神经网络讲解.mp4第19节: 深度神经网络案例.mp4第20节: 批归一化、激活函数、dropout案例.mp4第21节: wide_deep模型.mp4第22节: 函数api实现wide&deep模型.mp4第23节: 子类api实现wide&deep模型.mp4第24节: wide&deep模型的多输入与多输出案例.mp4第25节: 超参数搜索.mp4第26节: 手动实现超参数搜索案例.mp4第27节: 用sklearn封装keras模型.mp4第28节: 用sklearn超参数搜索.mp4第29节: 基础api介绍.mp4第30节: tf.constant.mp4第31节: tf.strings与ragged_tensor.mp4第32节: sparse_tensor与tf.variable.mp4第33节: 自定义损失函数与denselayer回顾.mp4第34节: 使子类与lambda分别自定义层次.mp4第35节: tf.function函数转换.mp4第36节: @tf.function函数转换.mp4第37节: 函数签名与图结构.mp4第38节: 近似求导.mp4第39节: tf.gradienttape基本使用方法.mp4第40节: tf.gradienttape与tf.keras结合使用.mp4第41节: 其它常用api介绍.mp4第42节: 调用data_api.mp4第43节: 调用tf_data.mp4第44节: 生成csv文件.mp4第45节: 调用tf.io.decode_csv工具.mp4第46节: tf.data与tf.keras读取csv文件.mp4第47节: tfrecord api导入.mp4第48节: 生成tfrecords文件.mp4第49节: tf.data+tf.keras读取文件.mp4第50节: datasetapi注意事项.mp4第51节: estimator介绍.mp4第52节: 泰坦尼克问题分析.mp4第53节: feature_column使用.mp4第54节: keras_to_estimator.mp4第55节: 预定义estimator使用.mp4第56节: 交叉特征.mp4第57节: tf1.0引入.mp4第58节: tf1.0计算图构建.mp4第59节: tf1.0模型训练.mp4第60节: tf1_dataset使用.mp4第61节: tf1_自定义estimator.mp4第62节: api改动升级与课程总结.mp4第63节: 卷积神经网络引入与总体结构.mp4第64节: 卷积解决的问题.mp4第65节: 卷积的计算.mp4第66节: 池化操作.mp4第67节: 卷积神经网络.mp4第68节: 深度可分离卷积网络.mp4第69节: 深度可分离卷积网络.mp4第70节: kaggle平台与10monkeys数据集介绍.mp4第71节: keras_generator读取数据.mp4第72节: 10monkeys基础模型搭建与训练.mp4第73节: 10monkeys模型微调.mp4第74节: keras_generator读取cifar10数据集.mp4第75节: 模型训练与预测.mp4第76节: 章节总结.mp4第77节: 循环神经网络引入与embedding.mp4第78节: 数据集载入与构建词表索引.mp4第79节: 数据padding、模型构建与训练.mp4第80节: 序列式问题与循环神经网络.mp4第81节: 循环神经网络文本分类.mp4第82节: 文本生成之数据处理.mp4第83节: 文本生成之构建模型.mp4第84节: 文本生成之采样生成文本.mp4第85节: lstm长短期记忆网络.mp4第86节: lstm文本分类与文本生成.mp4第87节: subword文本分类之数据集载入与tokenizer.ts第88节: subword文本分类之dataset变换与模型训练.ts第89节: 章节总结.ts第90节: 课程引入与gpu设置.mp4第91节: gpu默认设置.mp4第92节: 内存增长和虚拟设备.mp4第93节: gpu手动设置.mp4第94节: 分布式策略.mp4第95节: keras分布式.mp4第96节: estimator分布式.mp4第97节: 自定义流程.mp4第98节: 分布式自定义流程.mp4第99节: 课程引入与tflite_x264.ts第100节: 保存模型结构加参数与保存参数.ts第101节: keras模型转化为sa危edmodel.ts第102节: 签名函数转化为sa危edmodel.ts第103节: 签名函数.sa危edmodel和keras模型到具体函数转换.ts第104节: tflite保存与解释与量化.ts第105节: 本章总结.mp4第106节: tensorflowjs搭建服务?载入模型.mp4第107节: android部署模型与总结.mp4第108节: 课程引入与seq2seq+attention模型讲解.ts第109节: 数据预处理理与读取.ts第110节: 数据id化与dataset生成.ts第111节: encoder构建.ts第112节: attention构建.ts第113节: decoder构建.ts第114节: 损失函数与单步训练函数.ts第115节: 模型训练.ts第116节: 模型预测实现.ts第117节: 样例例分析与总结.ts第118节: transformer模型总体架构.ts第119节: encoder-decoder架构与缩放点击注意力.ts第120节: 多头注意力与位置编码.ts第121节: add、normalize、decoding过程与总结.ts第122节: 数据预处理与dataset生成.ts第123节: 位置编码.ts第124节: mask构建.ts第125节: 缩放点积注意力机制实现(1).ts第126节: 缩放点积注意力机制实现(2).ts第127节: 多头注意力机制实现.ts第128节: feedforward层次实现.ts第129节: encoderlayer.ts第130节: decoderlayer.ts第131节: encodermodel.ts第132节: decodermodel.ts第133节: transformer.ts第134节: 自定义学习率.ts第135节: mask创建与使用.ts第136节: 模型训练.ts第137节: 模型预测实现.ts第138节: attention可视化.ts第139节: 案例展示.mp4第140节: 如何学习更多模型[完].mp4资料包.rar
