課程簡(jiǎn)介
零基礎(chǔ)學(xué)習(xí)深度學(xué)習(xí)框架Tensorflow，從安裝開(kāi)始到常量、變量、操作數(shù)與占位符簡(jiǎn)單的算術(shù)與矩陣運(yùn)算，feed與fetch數(shù)據(jù)使?，梯度下降- BP神經(jīng)?絡(luò)，線性回歸、邏輯回歸，?元分類預(yù)測(cè)，常?損失函數(shù)與激活函數(shù)使?，mnist數(shù)據(jù)集介紹，卷積神經(jīng)?絡(luò)各層詳解與代碼實(shí)現(xiàn)，?寫(xiě)數(shù)字識(shí)別，驗(yàn)證碼識(shí)別，可視化訓(xùn)練過(guò)程tensorboard的使?等內(nèi)容，涵蓋了tensorflow全部基礎(chǔ)知識(shí)點(diǎn)，課程全程沒(méi)有復(fù)雜的數(shù)學(xué)推理但是描述清楚了每個(gè)基本概念與數(shù)學(xué)知識(shí)點(diǎn)如梯度流、計(jì)算圖、softmax、交叉熵等。是??專?為程序員準(zhǔn)備的深度學(xué)習(xí)??課程。
目標(biāo)收益
從程序員的獨(dú)特視野出發(fā)，讓沒(méi)有任何機(jī)器學(xué)習(xí)與深度學(xué)理論基礎(chǔ)的應(yīng)?開(kāi)發(fā)者輕松??深度學(xué)習(xí)框架tensorflow，學(xué)會(huì)使?tensorflow實(shí)現(xiàn)線性回歸、邏輯回歸、?元分類預(yù)測(cè)、??神經(jīng)?絡(luò)、BP算法與梯度下降，卷積神經(jīng)?絡(luò)，?寫(xiě)數(shù)字識(shí)別與應(yīng)?，驗(yàn)證碼識(shí)別訓(xùn)練與應(yīng)?等，為后續(xù)學(xué)習(xí)打下良好基礎(chǔ)！
培訓(xùn)對(duì)象
Python語(yǔ)?開(kāi)發(fā)者，在職程序員與?程師
課程大綱
| 第一天上午 |
深度學(xué)習(xí)簡(jiǎn)介 TensorFlow的安裝簡(jiǎn)介 神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ) 高等數(shù)學(xué)基礎(chǔ)鏈?zhǔn)角髮?dǎo) 矩陣運(yùn)算 計(jì)算圖和 TensorFlow 基礎(chǔ) 深度神經(jīng)網(wǎng)絡(luò) 損失函數(shù)定義 反向傳播和優(yōu)化器 神經(jīng)網(wǎng)絡(luò)的優(yōu)化 梯度下降 隨機(jī)梯度下降 |
| 第一天下午 |
基于動(dòng)量的優(yōu)化器 Adam優(yōu)化器 學(xué)習(xí)率設(shè)置、過(guò)擬合問(wèn)題、Drop out 案例:用TensorFlow實(shí)現(xiàn)多分類器 TensorFlow內(nèi)部的TFrecord類型數(shù)據(jù)的生成 特征數(shù)組與特征字典映射 構(gòu)造特征數(shù)據(jù) 構(gòu)造特征標(biāo)簽 特征數(shù)據(jù)與標(biāo)簽合并生成TFrecord 圖像識(shí)別的數(shù)組處理 實(shí)驗(yàn)：手工畫(huà)一張圖是如何一步一步被計(jì)算機(jī)處理為3 |
| 第二天上午 |
維度數(shù)數(shù)組 如何通過(guò)運(yùn)算把彩色圖像轉(zhuǎn)換為灰度圖像實(shí)現(xiàn)降維處理 數(shù)組又如何在屏幕上顯示為圖像 卷積神經(jīng)網(wǎng)絡(luò)（CNN）與圖形識(shí)別 卷積神經(jīng)網(wǎng)絡(luò)常用結(jié)構(gòu) 卷積層和池化層 實(shí)現(xiàn)LeNet-5經(jīng)典模型及其他模型 Alex Net圖像識(shí)別模型及實(shí)現(xiàn) 圖形數(shù)據(jù)處理函數(shù) 圖像識(shí)別時(shí)權(quán)重與激活函數(shù)結(jié)果的交互式分析 案例：圖像識(shí)別 |
| 第二天下午 |
RNN 循環(huán)遞歸神經(jīng)網(wǎng)絡(luò) LSTM 長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò)的結(jié)構(gòu) LSTM解決梯度消失的數(shù)學(xué)原理 LSTM門(mén)限單元的內(nèi)部結(jié)構(gòu)及手工數(shù)學(xué)計(jì)算(濤德獨(dú)家) 如何用RNN LSTM 進(jìn)行NLP自然語(yǔ)言處理 如何用RNN LSTM 進(jìn)行時(shí)間序列分析 靜態(tài)LSTM特征處理 動(dòng)態(tài)LSTM特征處理 模型存儲(chǔ) 模型參數(shù)載入 案例: NLP機(jī)器人寫(xiě)作 |
|
第一天上午 深度學(xué)習(xí)簡(jiǎn)介 TensorFlow的安裝簡(jiǎn)介 神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ) 高等數(shù)學(xué)基礎(chǔ)鏈?zhǔn)角髮?dǎo) 矩陣運(yùn)算 計(jì)算圖和 TensorFlow 基礎(chǔ) 深度神經(jīng)網(wǎng)絡(luò) 損失函數(shù)定義 反向傳播和優(yōu)化器 神經(jīng)網(wǎng)絡(luò)的優(yōu)化 梯度下降 隨機(jī)梯度下降 |
|
第一天下午 基于動(dòng)量的優(yōu)化器 Adam優(yōu)化器 學(xué)習(xí)率設(shè)置、過(guò)擬合問(wèn)題、Drop out 案例:用TensorFlow實(shí)現(xiàn)多分類器 TensorFlow內(nèi)部的TFrecord類型數(shù)據(jù)的生成 特征數(shù)組與特征字典映射 構(gòu)造特征數(shù)據(jù) 構(gòu)造特征標(biāo)簽 特征數(shù)據(jù)與標(biāo)簽合并生成TFrecord 圖像識(shí)別的數(shù)組處理 實(shí)驗(yàn)：手工畫(huà)一張圖是如何一步一步被計(jì)算機(jī)處理為3 |
|
第二天上午 維度數(shù)數(shù)組 如何通過(guò)運(yùn)算把彩色圖像轉(zhuǎn)換為灰度圖像實(shí)現(xiàn)降維處理 數(shù)組又如何在屏幕上顯示為圖像 卷積神經(jīng)網(wǎng)絡(luò)（CNN）與圖形識(shí)別 卷積神經(jīng)網(wǎng)絡(luò)常用結(jié)構(gòu) 卷積層和池化層 實(shí)現(xiàn)LeNet-5經(jīng)典模型及其他模型 Alex Net圖像識(shí)別模型及實(shí)現(xiàn) 圖形數(shù)據(jù)處理函數(shù) 圖像識(shí)別時(shí)權(quán)重與激活函數(shù)結(jié)果的交互式分析 案例：圖像識(shí)別 |
|
第二天下午 RNN 循環(huán)遞歸神經(jīng)網(wǎng)絡(luò) LSTM 長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò)的結(jié)構(gòu) LSTM解決梯度消失的數(shù)學(xué)原理 LSTM門(mén)限單元的內(nèi)部結(jié)構(gòu)及手工數(shù)學(xué)計(jì)算(濤德獨(dú)家) 如何用RNN LSTM 進(jìn)行NLP自然語(yǔ)言處理 如何用RNN LSTM 進(jìn)行時(shí)間序列分析 靜態(tài)LSTM特征處理 動(dòng)態(tài)LSTM特征處理 模型存儲(chǔ) 模型參數(shù)載入 案例: NLP機(jī)器人寫(xiě)作 |
近期公開(kāi)課推薦
