第 1 集课程简介

• 1.1 定位的人群
• 1.2 课程OKR
• 1.3 课程的整体结构
• 1.4 推荐学习方法

第 2 集预备知识及其影响

• 2.1 前言
• 2.2 Python编程
• 2.3 Numpy编程
• 2.4 Linux操作系统
• 2.5 对统计机器学习有基本的认识
• 2.6 对深度学习有基本的认识
• 2.7 总结

第 3 集TensorFlow的全景介绍

• 3.1 本节课的OKR
• 3.2 TensorFlow官方定义
• 3.3 TensorFlow全景图
• 3.4 Training阶段
• 3.5 Deployment阶段
• 3.6 TensorFlow拓展工具及扩展库
• 3.7 Tensorboard
• 3.8 XLA
• 3.9 Technical Debt

第 4 集TensorFlow 2.0的常用安装方法

• 4.1 本节课的OKR
• 4.2 关于类Unix系统
• 4.3 关于Homebrew
• 4.4 关于Python
• 4.5 关于软件工程
• 4.6 关于virtualenv
• 4.7 关于源与镜像
• 4.8 在线编程平台上1分钟安装TF2.0
• 4.9 测试是否安装成功
• 4.10 测试过程的演示
• 4.11 使用virtualenv管理项目环境-概述
• 4.12 virtualenv流程讲解
• 4.13 安装Homebrew
• 4.14 更换源到清华镜像
• 4.15 安装pyenv
• 4.16 一键切换默认Python版本

第 5 集Tensor Basic & Eager Execution

• 5.1 本节课的概述
• 5.2 import and check the version
• 5.3 如何理解TensorFlow Tensor
• 5.4 Tensor vs NumPy ndarray
• 5.5 Tensor on GPU or CPU
• 5.6 辨析4种变量
• 5.7 Dtype in TensorFlow
• 5.8 Edit value of a Tensor
• 5.9 总结：Variable面向用户，Tensor面向TensorFlow自己

第 6 集Basic Tensor Operations

• 6.1 课程目标
• 6.2 导入TensorFlow
• 6.3 矩阵乘法与向量乘法
• 6.4 理解类型转换
• 6.5 方差
• 6.6 均值
• 6.7 随机数生成
• 6.8 找极值
• 6.9 总结

第 7 集Keras Overview & Deep Learning Review

• 7.1课程目标
• 7.2 tf.keras vs Keras
• 7.3 回顾一下什么是深度学习
• 7.4 神经网络的基本要素
• 7.5 Keras工作流
• 7.6 总结

第 8 集MNIST in tf.keras

• 8.1课程目标
• 8.2 MNIST任务概述
• 8.3 MNSIT数据集（上）
• 8.4 MNSIT数据集（下）
• 8.5 数据预处理
• 8.6 模型建立
• 8.7 模型编译及训练
• 8.8 模型测试

第 9 集Building Models With Layers

• 9.1 本节课的OKR
• 9.2 Keras建模的三个层级
• 9.3 Sequential Model的要点
• 9.4 从面向对象角度理解Keras Layer
• 9.5 Sequential的简单演示
• 9.6 TensorFlow中Keras的import方式
• 9.7 关于Functional API
• 9.8 Functional的代码示例
• 9.9 总结

第 10 集Functional API in Action

• 10.1 本节课的概述及OKR
• 10.2 本节课的任务概述
• 10.3 论文的概述
• 10.4 Tied CNN with MaxPooling
• 10.5 Tied Conv参数的解释
• 10.6 Keras文档
• 10.7 Tied Conv代码实现
• 10.8 论文里Cross-Input的解读
• 10.9 CrossInput的代码实现
• 10.10 整个Model构建的代码实现
• 10.11 Check一下Trainable Params数目

第 11 集Training Models之训练参数配置

• 11.1 本节课的OKR
• 11.2 回顾一下论文中的training部分(一)
• 11.3 回顾一下论文中的training部分(二)
• 11.4 回顾一下论文中的training部分(三)
• 11.5 参数的正则化
• 11.6 添加激活层
• 11.7 模型编译与完整代码
• 11.8 总结

第 12 集Learning Keras Callback

• 12.1 本节课的OKR
• 12.2 什么是Keras Callback
• 12.3 为什么需要Keras Callback
• 12.4 如何使用Keras Callback
• 12.5 Keras内置的Callback-1
• 12.6 Keras内置的Callback-2
• 12.7 总结

第 13 集Using Keras Callback

• 13.1 本节课的OKR及案例论文回顾
• 13.2 代码层面实现案例论文中的效果
• 13.3 总结

第 14 集Tensorboard

• 14.1 本节课的OKR
• 14.2 为什么需要Tensorboard
• 14.3 什么是Tensorboard
• 14.4 怎么用Tensorboard
• 14.5 怎么使用Tensorboard
• 14.6 Custom Tensorboard Scalar
• 14.7 总结.mp4

第 15 集不可错过的tf.data

• 15.1 本节课的OKR
• 15.2 为什么需要tf.data
• 15.3 怎么使用tf.data
• 15.4 Dataset的常见处理函数
• 15.5 Dataset如何喂给Model

第 16 集Custom in Keras

• 16.1 本节课的OKR
• 16.2 自定义Layer
• 16.3 代码案例
• 16.4 自定义Model
• 16.5 总结

第 17 集Estimator

• 17.1 本节课的OKR
• 17.2 Estimator在TensorFlow中的定位
• 17.3 How to Use Estimator
• 17.4 如何看TF官网
• 17.5 定义input函数要求如下
• 17.6 官网鸢尾花案例分析
• 17.7 如何理解feature columns
• 17.8 feature columns的使用流程
• 17.9 Estimator的训练
• 17.10 总结

第 18 集GradientTape

• 18.1 本节课的OKR
• 18.2 GradientTape是什么
• 18.3 通过上下文管理器的方式使用GradientTape
• 18.4 关注Tensor与Variable之间的区别
• 18.5 通过显示调用watch函数来对Tensor进行跟踪
• 18.6 GradientTape默认只能调用一次
• 18.7 可多次调用的GradientTape
• 18.8 复杂逻辑下的梯度计算
• 18.9 高阶梯度计算
• 18.10 单步训练视角下的GradientTape
• 18.11 完整的Custom流程
• 18.12 总结

第 19 集项目实战：Natural Language Processing Project