TensorFlow 2.0原理与实践-课程详情

课程难度

基础

已经参加学习的人数

159

课程主讲师

丁老师

学习次数

11283

课程大纲

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

导师团队

丁老师

毕业于北航测控系。现任某AI公司技术副总裁，AI软件系统架构师，GitHub百星作者，HackerRank Python板块满分，累积面试100+AI算法研发及Python开发人员。

Lantern

硕士，毕业于清华大学计算机系，主要负责实验平台，实践项目的技术支持，在人工智能算法、工程化方面有深厚的造诣与丰富的实际经验。

Q & A

授课方式是？

为了保障课程质量，提高学习效率，课程采用录播形式。视频精心录制与剪辑制作，时间比直播更灵活，方便随时观看学习。

课程周期是多久？

为了让大家在一定时间内集中精力学习，《TensorFlow原理与实践》课程有效期有6个月时间，对于单独学习这门课程来说，时间是充裕的。

遇到问题可以咨询么？

学习过程中遇到的任何问题都可以提出来，会有专业导师进行3个月的在线答疑，解决你学习中遇到的任何问题与困难。

如何开取发票？

购买成功后，扫描下方二维码，将具体开票信息发送给SIGAI小编即可。

如何延长有效期？

课程到期后，电脑端登录官网可以续费，续费价格是官网原价的5%，有效期半年（不包括在线答疑）。注意：到期前两周内课程详情页面会出现【续费】按钮，点击按钮进行续费即可。

更多问题、课程咨询、资料获取，扫码找小编

课程咨询