課程費用

5800.00 /人

課程時長

2天

成為教練

課程簡介

本課程是關(guān)于Tensorflow與深度學習實戰(zhàn)的一門課程。本課程講解Tensorflow中各種概念、操作和使用方法，針對Tensorflow的基礎(chǔ)知識，在傳統(tǒng)數(shù)據(jù)分析中應(yīng)用、CNN和RNN都進行詳細講解，并且給出了豐富的深度學習模型實戰(zhàn)。

目標收益

通過本課程的學習，學員們能夠在短時間內(nèi)掌握深度學習原理，學會使用Tensorflow和Keras構(gòu)建深度學習網(wǎng)絡(luò)的技巧和方法，能夠在圖像識別、序列預測等深度學習項目上迅速入手。

培訓對象

本課程適合從事數(shù)據(jù)分析、數(shù)據(jù)挖掘、圖像識別、序列預測等相關(guān)方面工作的學員。

課程大綱

Tensorflow的安裝和開發(fā)環(huán)境搭建 1.1 課程簡介
1.1.1 課程簡介
1.1.2 Tensorflow2.0簡介
1.2 Tensorflow的安裝
1.2.1 安裝CPU版本
1.2.2 安裝GPU版本
Tf.keras
核心高階API
 2.1 機器學習基礎(chǔ)與tf.keras
2.1.1 tf.keras實現(xiàn)線性回歸
2.1.2 邏輯回歸實例與交叉熵
2.1.3 Softmax多分類實例
2.2 多層感知器與神經(jīng)網(wǎng)絡(luò)
2.2.1 多層感知器原理與梯度下降算法
2.2.2 激活函數(shù)和常見優(yōu)化算法
2.2.3 多層感知器優(yōu)化實例
2.2.4 過擬合與神經(jīng)網(wǎng)絡(luò)評價標準
2.2.5 Dropout與正則化
2.2.6 網(wǎng)絡(luò)參數(shù)選擇原則
2.3 tf.keras基礎(chǔ)實例
2.3.1 手寫數(shù)字識別及模型優(yōu)化
2.3.2 電影評論情緒分類
2.3.3 tf.keras函數(shù)式API
Tf.data
輸入模塊
 3.1 Tf.data簡介
3.1.1 tf.data模塊用法演示
3.1.2 tf.data數(shù)據(jù)輸入實例
卷積神經(jīng)網(wǎng)絡(luò) 4.1 認識卷積神經(jīng)網(wǎng)絡(luò)
4.1.1 卷積神經(jīng)網(wǎng)絡(luò)整體架構(gòu)
4.1.2 卷積神經(jīng)網(wǎng)絡(luò)實例（Fashion Mnist數(shù)據(jù)集）
4.2 tf.data與卷積神網(wǎng)絡(luò)綜合實例-衛(wèi)星圖像識別
4.2.1 圖片讀取與解碼
4.2.2 使用tf.data構(gòu)造輸入管道
4.2.3 模型的訓練與優(yōu)化
Eager模式與自定義訓練 5.1 Eager模式簡介
5.1.1 Eager模式與張量運算
5.1.2 變量與自動微分
5.1.3 Tensorflow自定義訓練
5.2 自定義訓練綜合實例
5.2.1 貓狗數(shù)據(jù)識別
卷積神經(jīng)網(wǎng)絡(luò)高級應(yīng)用、
遷移學習
 6.1 圖片增強
6.2 使用預訓練網(wǎng)絡(luò)與遷移學習
6.2.1 遷移學習的基礎(chǔ)概念
6.2.2 使用VGG預訓練網(wǎng)絡(luò)實例
6.3 批標準化
模型保存與可視化 7.1 加載和保存整個模型
7.2 加載保存模型結(jié)構(gòu)
7.3 加載和保存模型參數(shù)
7.4 Tensorflow面向?qū)ο蟊４?br/>7.5 模型可視化
7.6 使用Tensorboard
RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 8.1 RNN循環(huán)神經(jīng)網(wǎng)絡(luò)
8.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)的原理和整體架構(gòu)
8.1.2 tf.keras序列問題實例（電影評論分類）
8.2 RNN文本分類實例
8.2.1 文本嵌入表示
8.2.2 航空公司評價情緒分類
8.3 RNN序列預測 — 空氣污染預測
8.3.1 數(shù)據(jù)預處理與數(shù)據(jù)采樣
8.3.2 搭建LSTM模型
8.3.3 LSTM模型優(yōu)化
一維卷積序列處理 9.1 一維卷積簡介
9.2 一維卷積實例 — 葉子分類預測
9.3 一維卷積實例 — Kaggle電影評論競賽
多輸出預測實例 10.1 多輸出模型實例 — 同時預測顏色和種類
Tensorflow的安裝和開發(fā)環(huán)境搭建
1.1 課程簡介
1.1.1 課程簡介
1.1.2 Tensorflow2.0簡介
1.2 Tensorflow的安裝
1.2.1 安裝CPU版本
1.2.2 安裝GPU版本
Tf.keras
核心高階API
2.1 機器學習基礎(chǔ)與tf.keras
2.1.1 tf.keras實現(xiàn)線性回歸
2.1.2 邏輯回歸實例與交叉熵
2.1.3 Softmax多分類實例
2.2 多層感知器與神經(jīng)網(wǎng)絡(luò)
2.2.1 多層感知器原理與梯度下降算法
2.2.2 激活函數(shù)和常見優(yōu)化算法
2.2.3 多層感知器優(yōu)化實例
2.2.4 過擬合與神經(jīng)網(wǎng)絡(luò)評價標準
2.2.5 Dropout與正則化
2.2.6 網(wǎng)絡(luò)參數(shù)選擇原則
2.3 tf.keras基礎(chǔ)實例
2.3.1 手寫數(shù)字識別及模型優(yōu)化
2.3.2 電影評論情緒分類
2.3.3 tf.keras函數(shù)式API
Tf.data
輸入模塊
3.1 Tf.data簡介
3.1.1 tf.data模塊用法演示
3.1.2 tf.data數(shù)據(jù)輸入實例
卷積神經(jīng)網(wǎng)絡(luò)
4.1 認識卷積神經(jīng)網(wǎng)絡(luò)
4.1.1 卷積神經(jīng)網(wǎng)絡(luò)整體架構(gòu)
4.1.2 卷積神經(jīng)網(wǎng)絡(luò)實例（Fashion Mnist數(shù)據(jù)集）
4.2 tf.data與卷積神網(wǎng)絡(luò)綜合實例-衛(wèi)星圖像識別
4.2.1 圖片讀取與解碼
4.2.2 使用tf.data構(gòu)造輸入管道
4.2.3 模型的訓練與優(yōu)化
Eager模式與自定義訓練
5.1 Eager模式簡介
5.1.1 Eager模式與張量運算
5.1.2 變量與自動微分
5.1.3 Tensorflow自定義訓練
5.2 自定義訓練綜合實例
5.2.1 貓狗數(shù)據(jù)識別
卷積神經(jīng)網(wǎng)絡(luò)高級應(yīng)用、
遷移學習
6.1 圖片增強
6.2 使用預訓練網(wǎng)絡(luò)與遷移學習
6.2.1 遷移學習的基礎(chǔ)概念
6.2.2 使用VGG預訓練網(wǎng)絡(luò)實例
6.3 批標準化
模型保存與可視化
7.1 加載和保存整個模型
7.2 加載保存模型結(jié)構(gòu)
7.3 加載和保存模型參數(shù)
7.4 Tensorflow面向?qū)ο蟊４?br/>7.5 模型可視化
7.6 使用Tensorboard
RNN循環(huán)神經(jīng)網(wǎng)絡(luò)
8.1 RNN循環(huán)神經(jīng)網(wǎng)絡(luò)
8.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)的原理和整體架構(gòu)
8.1.2 tf.keras序列問題實例（電影評論分類）
8.2 RNN文本分類實例
8.2.1 文本嵌入表示
8.2.2 航空公司評價情緒分類
8.3 RNN序列預測 — 空氣污染預測
8.3.1 數(shù)據(jù)預處理與數(shù)據(jù)采樣
8.3.2 搭建LSTM模型
8.3.3 LSTM模型優(yōu)化
一維卷積序列處理
9.1 一維卷積簡介
9.2 一維卷積實例 — 葉子分類預測
9.3 一維卷積實例 — Kaggle電影評論競賽
多輸出預測實例
10.1 多輸出模型實例 — 同時預測顏色和種類

活動詳情

提交需求