本门课程的入门章节，简要介绍了tensorflow是什么，详细介绍了Tensorflow历史版本变迁以及tensorflow的架构和强大特性。并在Tensorflow1.0、pytorch、Tensorflow2.0之间做了对比。最后通过实战讲解了在Google cloud和AWS两个平台上的环境配置。

共 11 节 (129分钟) 收起列表

• 1-1 课程导学 (14:47)试看
• 1-2 Tensorflow是什么 (09:38)
• 1-3 Tensorflow版本变迁与tf1.0架构 (09:00)
• 1-4 Tensorflow2.0架构 (08:17)试看
• 1-5 Tensorflow&pytorch比较 (16:51)试看
• 1-6 Tensorflow环境配置 (04:48)
• 1-7 Google_cloud无GPU环境搭建 (12:55)
• 1-8 Google_cloud_远程jupyter_notebook配置 (15:35)
• 1-9 Google_cloud_gpu_tensorflow配置 (12:42)
• 1-10 Google_cloud_gpu_tensorflow镜像配置 (10:32)
• 1-11 AWS云平台环境配置 (13:22)
  

本门课程的基础章节，详细介绍了如何使用tf.keras进行模型的搭建以及大量的深度学习的理论知识。理论知识包括分类问题、回归问题、损失函数、神经网络、激活函数、dropout、批归一化、深度神经网络、Wide&Deep模型、密集特征、稀疏特征、超参数搜索等及其在图像分类、房价预测上的实现。...

共 18 节 (195分钟) 收起列表

• 2-1 tfkeras简介 (09:18)
• 2-2 分类回归与目标函数 (08:02)
• 2-3 实战分类模型之数据读取与展示 (13:04)
• 2-4 实战分类模型之模型构建 (17:24)
• 2-5 实战分类模型之数据归一化 (07:55)
• 2-6 实战回调函数 (11:13)
• 2-7 实战回归模型 (16:05)
• 2-8 神经网络讲解 (11:18)
• 2-9 实战深度神经网络 (08:38)
• 2-10 实战批归一化、激活函数、dropout (13:51)
• 2-11 wide_deep模型 (15:13)
• 2-12 函数API实现wide&deep模型 (07:04)
• 2-13 子类API实现wide&deep模型 (06:19)
• 2-14 wide&deep模型的多输入与多输出实战 (11:29)
• 2-15 超参数搜索 (09:10)
• 2-16 手动实现超参数搜索实战 (09:33)
• 2-17 实战sklearn封装keras模型 (09:38)
• 2-18 实战sklearn超参数搜索 (09:20)
  

接上一节课中使用高级抽象的API tf.keras搭建模型，本节课则介绍了基础的API来方便大家更加灵活的定义和使用模型。课程内容包括tensorflow基础数据类型、自定义模型和损失函数、自定义求导、tf.function、图结构等以及其在图像分类、房价预测上的实现。...

共 13 节 (124分钟) 收起列表

• 3-1 tf基础API引入 (05:07)
• 3-2 实战tf.constant (07:09)
• 3-3 实战tf.strings与ragged tensor (08:09)
• 3-4 实战sparse tensor与tf.Variable (11:13)
• 3-5 实战自定义损失函数与DenseLayer回顾 (09:27)
• 3-6 使子类与lambda分别实战自定义层次 (12:31)
• 3-7 tf.function函数转换 (07:56)
• 3-8 @tf.function函数转换 (08:45)
• 3-9 函数签名与图结构 (12:45)
• 3-10 近似求导 (07:44)
• 3-11 tf.GradientTape基本使用方法 (14:55)
• 3-12 tf.GradientTape与tf.keras结合使用 (15:46)
• 3-13 章节总结 (01:41)
  

介绍Tensorflow dataset空间下API的使用，dataset API主要用于读取数据。本届课程通过在房价预测问题上的实战详细的介绍如何使用tf.dataset读取csv文件和tfrecord文件。

共 9 节 (108分钟) 收起列表

• 4-1 data_API引入 (03:59)
• 4-2 tf_data基础API使用 (13:44)
• 4-3 生成csv文件 (13:15)
• 4-4 tf.io.decode_csv使用 (12:46)
• 4-5 tf.data读取csv文件并与tf.keras结合使用 (15:29)
• 4-6 tfrecord基础API使用 (18:34)
• 4-7 生成tfrecords文件 (20:34)
• 4-8 tf.data读取tfrecord文件并与tf.keras结合使用 (08:19)
• 4-9 章节总结 (00:57)
  

本节课分为两部分，第一部分介绍tensorflow中estimator和特征列的API的使用，estimator是和keras平级的用于模型抽象的高级API，会使用泰坦尼克生存预测项目来详细的讲解特征抽取和estimator使用。学习完以上的基础知识后，在第二部分中会讲解tf1.0的知识点来方便大家对比2.0与1.0的区别。...

共 12 节 (131分钟) 收起列表

• 5-1 课程引入 (03:04)
• 5-2 泰坦尼克问题引入分析 (12:24)
• 5-3 feature_column使用 (13:26)
• 5-4 keras_to_estimator (08:49)
• 5-5 预定义estimator使用 (12:06)
• 5-6 交叉特征实战 (08:09)
• 5-7 TF1.0引入 (03:37)
• 5-8 TF1.0计算图构建 (09:51)
• 5-9 TF1.0模型训练 (09:48)
• 5-10 TF1_dataset使用 (14:54)
• 5-11 TF1_自定义estimator (16:30)
• 5-12 API改动升级与课程总结 (17:43)
  

本节课程依托图像分类与两个Kaggle数据集项目，主要讲解卷积神经网络，包括卷积、池化、卷积网络、数据增强、迁移学习等知识。详细的讲解了卷积操作的过程。同时还对如何使用Kaggle平台上的GPU进行的讲解。

共 14 节 (139分钟) 收起列表

• 6-1 卷积神经网络引入与总体结构 (07:57)
• 6-2 卷积解决的问题 (07:57)
• 6-3 卷积的计算 (08:18)
• 6-4 池化操作 (03:41)
• 6-5 卷积神经网络实战 (10:05)
• 6-6 深度可分离卷积网络 (11:20)
• 6-7 深度可分离卷积网络实战 (04:46)
• 6-8 Kaggle平台与10monkeys数据集介绍 (06:21)
• 6-9 Keras generator读取数据 (16:48)
• 6-10 10monkeys基础模型搭建与训练 (12:58)
• 6-11 10monkeys模型微调 (16:10)
• 6-12 keras generator读取cifar10数据集 (16:58)
• 6-13 模型训练与预测 (09:56)
• 6-14 章节总结 (04:39)
  

本节课程依托文本分类和文本生成两个项目，对序列式问题、循环神经网络、LSTM、双向LSTM等模型进行了详细的讲解和实战。

共 13 节 (141分钟) 收起列表

• 7-1 循环神经网络引入与embedding (07:31)
• 7-2 数据集载入与构建词表索引 (09:47)
• 7-3 数据padding、模型构建与训练 (11:12)
• 7-4 序列式问题与循环神经网络 (13:00)
• 7-5 循环神经网络实战文本分类 (14:41)
• 7-6 文本生成之数据处理 (14:04)
• 7-7 文本生成实战之构建模型 (16:48)
• 7-8 文本生成实战之采样生成文本 (13:16)
• 7-9 LSTM长短期记忆网络 (08:26)
• 7-10 LSTM文本分类与文本生成实战 (09:14)
• 7-11 subword文本分类之数据集载入与tokenizer (10:16)
• 7-12 subword文本分类之dataset变换与模型训练 (08:33)
• 7-13 章节总结 (03:28)
  

本节课程依托图像分类项目，对tensorflow框架中的分布式原理和策略进行了详细的讲解，并在实战中予以实现。尤其是对参数服务器的分布式的并行架构进行详细的阐述。

共 9 节 (91分钟) 收起列表

• 8-1 课程引入与GPU设置 (05:55)
• 8-2 GPU默认设置 (08:03)
• 8-3 内存增长和虚拟设备实战 (09:24)
• 8-4 GPU手动设置实战 (08:46)
• 8-5 分布式策略 (12:08)
• 8-6 keras分布式实战 (08:15)
• 8-7 estimator分布式实战 (08:29)
• 8-8 自定义流程实战 (17:06)
• 8-9 分布式自定义流程实战 (12:43)
  

本节课程依托图像分类项目，对tensorflow模型和部署进行了详细的讲解，包括普通的模型保存、tflite的使用、模型的android的部署、在js上的部署等以及对应的实战。

共 9 节 (106分钟) 收起列表

• 9-1 课程引入与TFLite_x264 (12:25)
• 9-2 保存模型结构加参数与保存参数实战 (07:09)
• 9-3 Keras模型转化为SavedModel (11:30)
• 9-4 签名函数转化为SavedModel (05:22)
• 9-5 签名函数，SavedModel和Keras模型到具体函数转换 (06:22)
• 9-6 tflite保存与解释与量化 (19:08)
• 9-7 tensorflowjs转换模型 (14:40)
• 9-8 tensorflowjs搭建服务器载入模型实战 (14:33)
• 9-9 Android部署模型实战与总结 (14:10)
  

本节课程依托机器翻译项目，对transformer模型进行了详细的讲解，包括可缩放点积注意力、多头注意力等知识。并对该模型进行了实现。同时，讲解了tensorflow中常用算法库tensor2tensor的使用，并使用tensor2tensor中已有的最新算法在图像分类和机器翻译上进行了最高效果的训练。...

共 33 节 (376分钟) 收起列表

• 10-1 课程引入与seq2seq+attention模型讲解 (10:25)
• 10-2 数据预处理理与读取 (16:15)
• 10-3 数据id化与dataset生成 (13:32)
• 10-4 Encoder构建 (08:18)
• 10-5 attention构建 (08:12)
• 10-6 Decoder构建 (10:45)
• 10-7 损失函数与单步训练函数 (10:14)
• 10-8 模型训练 (06:46)
• 10-9 模型预测实现 (16:11)
• 10-10 样例例分析与总结 (08:59)
• 10-11 Transformer模型总体架构 (10:24)
• 10-12 Encoder-Decoder架构与缩放点击注意力 (09:56)
• 10-13 多头注意力与位置编码 (08:56)
• 10-14 Add、Normalize、Decoding过程与总结 (07:59)
• 10-15 数据预处理与dataset生成 (20:09)
• 10-16 位置编码 (10:47)
• 10-17 mask构建 (07:54)
• 10-18 缩放点积注意力机制实现(1) (10:32)
• 10-19 缩放点积注意力机制实现(2) (08:00)
• 10-20 多头注意力机制实现 (15:34)
• 10-21 feedforward层次实现 (02:24)
• 10-22 EncoderLayer实现 (11:33)
• 10-23 DecoderLayer实现 (13:34)
• 10-24 EncoderModel实现 (11:12)
• 10-25 DecoderModel实现 (11:50)
• 10-26 Transformer实现 (13:50)
• 10-27 自定义学习率 (11:23)
• 10-28 Mask创建与使用 (18:12)
• 10-29 模型训练 (14:03)
• 10-30 模型预测实现 (15:10)
• 10-31 attention可视化 (12:32)
• 10-32 示例展示与实战总结 (11:35)
• 10-33 GPT与Bert与课程总结 (08:13)