扫码支付

购买商品:
商品价格:

价格读取中

支付方式:
微信

请扫码进行支付

支付宝

请扫码进行支付

二维码已过期,请点击刷新

  • 课程> 人工智能> 深度学习
  • Tensorflow基础入门系列

    本课程支持以下优惠:

  • 由百度云提供技术支持
    课程目录
    第一章:Anaconda和Tensorflow安装
    • 1. Tensorflow简介 (免费)
    • 11:06
    • 2. Anaconda的安装 (免费)
    • 8:13
    • 3. Tensorflow的安装 (免费)
    • 5:24
    第二章:Tensorflow的基础使用
    • 1. 创建图-启动图
    • 11:57
    • 2. 变量
    • 11:21
    • 3. fetch and feed
    • 7:49
    • 4. Tensorflow简单案例
    • 13:24
    第三章:Tensorflow线性回归以及分类的简单使用
    • 1. 非线性回归
    • 24:59
    • 2. MNIST数据集和Softmax讲解
    • 8:19
    • 3. MNIST数据集分类简单版本
    • 29:49
    第四章:交叉熵,过拟合,dropout以及各种优化器介绍
    • 1. 交叉熵(cross-entropy)
    • 19:04
    • 2. 过拟合以及Dropout介绍
    • 57:09
    • 3. 优化器Optimizer
    • 25:30
    • 4. 优化器的使用
    • 9:01
    第五章:Tensorboard结构可视化,网络运算可视化
    • 1. 第4周作业网络优化
    • 7:25
    • 2. Tensorboard网络结构
    • 28:35
    • 3. Tensorboard网络运行
    • 16:06
    • 4. Tensorboard可视化
    • 23:05
    第六章:卷积神经网络CNN
    • 1. 卷积神经网络CNN介绍
    • 20:00
    • 2. CNN应用于MNIST数据集分类
    • 32:02
    第七章:递归神经网络LSTM,以及LSTM网络的使用
    • 1. 第6周作业调试CNN结构和运行结果
    • 12:58
    • 2. 递归神经网络RNN
    • 11:03
    • 3. 长短时记忆网络LSTM
    • 19:14
    • 4. LSTM网络程序
    • 17:13
    • 【课程类型】实战教学 【难度级别】初级 【适合人群】所有人
    • 【课程介绍】
      本课程上半部分会从Tensorflow最基础的框架开始介绍,从Tensorflow的安装开始,一步一步仔细讲解Tensorflow中的各种技术细节。让大家快速上手编写神经网络。同时也会补充一些深度学习相关的理论知识,如交叉熵,Softmax函数,深度学习中各种优化器的算法和应用等内容。 下半部分会从头开始详细讲解几个深度学习的项目,如图像识别,验证码识别,word2vec,文本分类,语音分类等。
    • 【课程目标】
      了解Tensorflow基本框架,学会Tensorflow的基本应用如优化器使用,Dropout使用等待。学会使用Tensorflow中的卷积神经网络CNN以及长短时记忆网络LSTM,学会使用Tensorboard去调试网络。
    • 【课程计划】
      随到随学

    第一章:Anaconda和Tensorflow安装
    简单介绍Tensorflow的一些特点,简单演示Tensorboard。
    一步一步介绍了Anaconda的安装。
    一步一步介绍了Tensorflow的安装。

    第二章:Tensorflow的基础使用
    介绍Tensorflow的结构以及运行流程,然后动手写一个简单的程序。
    2 变量
    11:21
    介绍Tensorflow变量的定义和使用。
    介绍Fetch和Feed的使用。
    用一个简单的示例介绍Tensorflow的使用。

    第三章:Tensorflow线性回归以及分类的简单使用
    1 非线性回归
    24:59
    Tensorflow实现非线性回归。
    介绍MNIST数据集和Softmax。
    构建一个简单的神经网络来对其进行分类。

    第四章:交叉熵,过拟合,dropout以及各种优化器介绍
    介绍二次代价函数存在的问题,以及交叉熵的定义和优势。
    介绍过拟合的定义,防止过拟合的方法以及Dropout的使用。
    介绍了SGD,Momentum,NAG,Adagrad,RMSprop等优化器的公式以及特点。
    介绍了优化器在Tensorflow中的使用。

    第五章:Tensorboard结构可视化,网络运算可视化
    上一周作业讲解。
    使用Tensorboard来可视化神经网络的结构。
    使用Tensorboard来可视化网络运行过程中权值,偏置,准确率等参数的变化和分布。
    使用Tensorboard可视化模型运行的过程,以及结果。

    第六章:卷积神经网络CNN
    介绍CNN的基础知识。
    CNN应用于MNIST数据集分类的程序。

    第七章:递归神经网络LSTM,以及LSTM网络的使用
    讲解第6周的作业。
    递归神经网络RNN的介绍。
    长短时记忆网络LSTM的介绍。
    LSTM网络程序。

    全部评价(0
    好评(0
    中评(0
    差评(0
    发表评价
    覃秉丰
    9课程12641学员
    机器学习,深度学习神经网络领域多年开发研究经验,精通算法原理与编程实践。曾完成过多项图像识别,目标识别,语音识别的实际项目,经验丰富。关注深度学习领域各种开源项目,如TensorFlow,Caffe,Torch等。喜欢理论与实践相结合的教学风格,课程编排由浅入深,体系清晰完整。