课程简介
零基础学习深度学习框架Tensorflow，从安装开始到常量、变量、操作数与占位符简单的算术与矩阵运算，feed与fetch数据使⽤，梯度下降- BP神经⽹络，线性回归、逻辑回归，⼆元分类预测，常⽤损失函数与激活函数使⽤，mnist数据集介绍，卷积神经⽹络各层详解与代码实现，⼿写数字识别，验证码识别，可视化训练过程tensorboard的使⽤等内容，涵盖了tensorflow全部基础知识点，课程全程没有复杂的数学推理但是描述清楚了每个基本概念与数学知识点如梯度流、计算图、softmax、交叉熵等。是⼀⻔专⻔为程序员准备的深度学习⼊⻔课程。
目标收益
从程序员的独特视野出发，让没有任何机器学习与深度学理论基础的应⽤开发者轻松⼊⻔深度学习框架tensorflow，学会使⽤tensorflow实现线性回归、逻辑回归、⼆元分类预测、⼈⼯神经⽹络、BP算法与梯度下降，卷积神经⽹络，⼿写数字识别与应⽤，验证码识别训练与应⽤等，为后续学习打下良好基础！
培训对象
Python语⾔开发者，在职程序员与⼯程师
课程大纲
| 第一天上午 |
深度学习简介 TensorFlow的安装简介 神经网络算法基础 高等数学基础链式求导 矩阵运算 计算图和 TensorFlow 基础 深度神经网络 损失函数定义 反向传播和优化器 神经网络的优化 梯度下降 随机梯度下降 |
| 第一天下午 |
基于动量的优化器 Adam优化器 学习率设置、过拟合问题、Drop out 案例:用TensorFlow实现多分类器 TensorFlow内部的TFrecord类型数据的生成 特征数组与特征字典映射 构造特征数据 构造特征标签 特征数据与标签合并生成TFrecord 图像识别的数组处理 实验：手工画一张图是如何一步一步被计算机处理为3 |
| 第二天上午 |
维度数数组 如何通过运算把彩色图像转换为灰度图像实现降维处理 数组又如何在屏幕上显示为图像 卷积神经网络（CNN）与图形识别 卷积神经网络常用结构 卷积层和池化层 实现LeNet-5经典模型及其他模型 Alex Net图像识别模型及实现 图形数据处理函数 图像识别时权重与激活函数结果的交互式分析 案例：图像识别 |
| 第二天下午 |
RNN 循环递归神经网络 LSTM 长短时间记忆网络的结构 LSTM解决梯度消失的数学原理 LSTM门限单元的内部结构及手工数学计算(涛德独家) 如何用RNN LSTM 进行NLP自然语言处理 如何用RNN LSTM 进行时间序列分析 静态LSTM特征处理 动态LSTM特征处理 模型存储 模型参数载入 案例: NLP机器人写作 |
|
第一天上午 深度学习简介 TensorFlow的安装简介 神经网络算法基础 高等数学基础链式求导 矩阵运算 计算图和 TensorFlow 基础 深度神经网络 损失函数定义 反向传播和优化器 神经网络的优化 梯度下降 随机梯度下降 |
|
第一天下午 基于动量的优化器 Adam优化器 学习率设置、过拟合问题、Drop out 案例:用TensorFlow实现多分类器 TensorFlow内部的TFrecord类型数据的生成 特征数组与特征字典映射 构造特征数据 构造特征标签 特征数据与标签合并生成TFrecord 图像识别的数组处理 实验：手工画一张图是如何一步一步被计算机处理为3 |
|
第二天上午 维度数数组 如何通过运算把彩色图像转换为灰度图像实现降维处理 数组又如何在屏幕上显示为图像 卷积神经网络（CNN）与图形识别 卷积神经网络常用结构 卷积层和池化层 实现LeNet-5经典模型及其他模型 Alex Net图像识别模型及实现 图形数据处理函数 图像识别时权重与激活函数结果的交互式分析 案例：图像识别 |
|
第二天下午 RNN 循环递归神经网络 LSTM 长短时间记忆网络的结构 LSTM解决梯度消失的数学原理 LSTM门限单元的内部结构及手工数学计算(涛德独家) 如何用RNN LSTM 进行NLP自然语言处理 如何用RNN LSTM 进行时间序列分析 静态LSTM特征处理 动态LSTM特征处理 模型存储 模型参数载入 案例: NLP机器人写作 |
近期公开课推荐
