課程簡介
零基礎(chǔ)學(xué)習(xí)深度學(xué)習(xí)框架Tensorflow，從安裝開始到常量、變量、操作數(shù)與占位符簡單的算術(shù)與矩陣運算，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，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)各層詳解與代碼實現(xiàn)，?寫數(shù)字識別，驗證碼識別，可視化訓(xùn)練過程tensorboard的使?等內(nèi)容，涵蓋了tensorflow全部基礎(chǔ)知識點，課程全程沒有復(fù)雜的數(shù)學(xué)推理但是描述清楚了每個基本概念與數(shù)學(xué)知識點如梯度流、計算圖、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
從程序員的獨特視野出發(fā)，讓沒有任何機(jī)器學(xué)習(xí)與深度學(xué)理論基礎(chǔ)的應(yīng)?開發(fā)者輕松??深度學(xué)習(xí)框架tensorflow，學(xué)會使?tensorflow實現(xiàn)線性回歸、邏輯回歸、?元分類預(yù)測、??神經(jīng)?絡(luò)、BP算法與梯度下降，卷積神經(jīng)?絡(luò)，?寫數(shù)字識別與應(yīng)?，驗證碼識別訓(xùn)練與應(yīng)?等，為后續(xù)學(xué)習(xí)打下良好基礎(chǔ)！
培訓(xùn)對象
Python語?開發(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)簡介 TensorFlow的安裝簡介 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) 矩陣運算 計算圖和 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 |
基于動量的優(yōu)化器 Adam優(yōu)化器 學(xué)習(xí)率設(shè)置、過擬合問題、Drop out 案例:用TensorFlow實現(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 圖像識別的數(shù)組處理 實驗：手工畫一張圖是如何一步一步被計算機(jī)處理為3 |
| 第二天上午 |
維度數(shù)數(shù)組 如何通過運算把彩色圖像轉(zhuǎn)換為灰度圖像實現(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）與圖形識別 卷積神經(jīng)網(wǎng)絡(luò)常用結(jié)構(gòu) 卷積層和池化層 實現(xiàn)LeNet-5經(jīng)典模型及其他模型 Alex Net圖像識別模型及實現(xiàn) 圖形數(shù)據(jù)處理函數(shù) 圖像識別時權(quán)重與激活函數(shù)結(jié)果的交互式分析 案例：圖像識別 |
| 第二天下午 |
RNN 循環(huán)遞歸神經(jīng)網(wǎng)絡(luò) LSTM 長短時間記憶網(wǎng)絡(luò)的結(jié)構(gòu) LSTM解決梯度消失的數(shù)學(xué)原理 LSTM門限單元的內(nèi)部結(jié)構(gòu)及手工數(shù)學(xué)計算(濤德獨家) 如何用RNN LSTM 進(jìn)行NLP自然語言處理 如何用RNN LSTM 進(jìn)行時間序列分析 靜態(tài)LSTM特征處理 動態(tài)LSTM特征處理 模型存儲 模型參數(shù)載入 案例: NLP機(jī)器人寫作 |
|
第一天上午 深度學(xué)習(xí)簡介 TensorFlow的安裝簡介 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) 矩陣運算 計算圖和 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 基于動量的優(yōu)化器 Adam優(yōu)化器 學(xué)習(xí)率設(shè)置、過擬合問題、Drop out 案例:用TensorFlow實現(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 圖像識別的數(shù)組處理 實驗：手工畫一張圖是如何一步一步被計算機(jī)處理為3 |
|
第二天上午 維度數(shù)數(shù)組 如何通過運算把彩色圖像轉(zhuǎn)換為灰度圖像實現(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）與圖形識別 卷積神經(jīng)網(wǎng)絡(luò)常用結(jié)構(gòu) 卷積層和池化層 實現(xiàn)LeNet-5經(jīng)典模型及其他模型 Alex Net圖像識別模型及實現(xiàn) 圖形數(shù)據(jù)處理函數(shù) 圖像識別時權(quán)重與激活函數(shù)結(jié)果的交互式分析 案例：圖像識別 |
|
第二天下午 RNN 循環(huán)遞歸神經(jīng)網(wǎng)絡(luò) LSTM 長短時間記憶網(wǎng)絡(luò)的結(jié)構(gòu) LSTM解決梯度消失的數(shù)學(xué)原理 LSTM門限單元的內(nèi)部結(jié)構(gòu)及手工數(shù)學(xué)計算(濤德獨家) 如何用RNN LSTM 進(jìn)行NLP自然語言處理 如何用RNN LSTM 進(jìn)行時間序列分析 靜態(tài)LSTM特征處理 動態(tài)LSTM特征處理 模型存儲 模型參數(shù)載入 案例: NLP機(jī)器人寫作 |
近期公開課推薦
