北京大学 人工智能实践：Tensorflow笔记

https://www.bilibili.com/video/av22530538?spm_id_from=333.338.__bofqi.19

https://www.icourse163.org/learn/PKU-1002536002

第八讲导学

欢迎来听Tensorflow笔记！

本讲你将学会使用卷积神经网络，实现图片识别。课上以VGG16神经网络为例，讲解复现已有神经网络的方法；课下请编写代码复现VGG16网络，识别图片0至图片9，并在期末考试“卷积网络实践”中填入使用自己复现的VGG16神经网络对图片0至图片9的识别结果。

课时安排：

8.1 复现已有的卷积神经网络

8.2 用vgg16实现图片识别

参考代码：（内含VGG16的模型参数和待识别图片，文件约500M）

链接：https://pan.baidu.com/s/1WWNoY-ahajm2qkcCeNNgqg  密码：52b2

2018年05月05日 18:45

第七讲导学

欢迎来听Tensorflow笔记！

本节介绍卷积神经网络，并以lenet5为例讲解卷积神经网络的搭建方法。

课时安排：

7.1 卷积神经网络

7.2 lenet5代码讲解

参考代码：

https://github.com/cj0012/AI-Practice-Tensorflow-Notes/blob/master/lenet5.zip  

2018年05月05日 18:45

第六讲导学

欢迎来听Tensorflow笔记！

本节讲解如何对输入的手写数字图片输出识别结果，并教大家制作自己的数据集实现特定应用。请将课程提供的方法，应用到你所在的领域，尝试解决实际问题。

课时安排：

6.1 输入手写数字图片输出识别结果

6.2 制作数据集

参考代码：

https://github.com/cj0012/AI-Practice-Tensorflow-Notes/blob/master/fc2.zip  

https://github.com/cj0012/AI-Practice-Tensorflow-Notes/blob/master/fc3.zip  

https://github.com/cj0012/AI-Practice-Tensorflow-Notes/blob/master/fc4.z01  

https://github.com/cj0012/AI-Practice-Tensorflow-Notes/blob/master/fc4.z02

https://github.com/cj0012/AI-Practice-Tensorflow-Notes/blob/master/fc4.z03  

https://github.com/cj0012/AI-Practice-Tensorflow-Notes/blob/master/fc4.zip  

fc2在fc1的基础上增加了“断点续训”功能；

fc3在fc2的基础上增加了应用程序，实现了输入手写数字图片输出识别结果；

fc4在fc3的基础上增加了数据集生成程序，实现了把7万张手写数字图片制作成数据集和标签，程序可以用自制数据集和标签训练模型并输出手写数字图片的识别结果。（内含数据集原始图片，须由fc4.z01/fc4.z02/fc4.z03/fc4合成）

至此，已讲完全连接网络的全部内容，代码量和难度均有提升，请实践fc2/fc3/fc4的所有代码。尝试将课程提供的方法应用到其他数据集；尝试将你所在领域的已有数据，制作成数据集和标签，实现特定应用。

本节课后，安排了期中项目实践。请通过MNIST数据集训练全连接网络，识别pic文件夹中的十张手写数字图片，把识别结果填入考试选项。

手写数字图片：https://github.com/cj0012/AI-Practice-Tensorflow-Notes/blob/master/num.zip  

期中考试：全连接网络实践：用全连接网络，识别手写数字图片

（课程已进入实践应用环节，难度逐步增大，学会举一反三，学以致用。希望课程代码八股对支撑你的研究有所启发和帮助。）

2018年05月05日 18:44

第五讲导学

欢迎来听Tensorflow笔记！

本节讲解MNIST数据集，并利用MNIST数据集巩固模块化搭建神经网路的八股，实践前向传播和反向传播过程，编写测试程序输出手写数字识别准确率。

课时安排：

5.1 MNIST数据集

5.2 模块化搭建神经网络

5.3 手写数字识别准确率输出

参考代码：https://github.com/cj0012/AI-Practice-Tensorflow-Notes/blob/master/fc1.zip  

请实践fc1中的所有代码，观察mnist_backward.py中loss减小、mnist_test.py中准确率提升的过程。用3.2节中的变量初始化方法，修改mnist_forward.py中w和b的初始化方法、修改隐藏层节点个数和隐藏层层数，修改mnist_backward.py代码中的超参数，找出最快提升准确度的“全连接网络”解决方案并在讨论区中把结果分享给大家。比一比谁的手写数字识别准确率更高。

（一定自己跑代码，多实践才能发现规律，才会有所提升。加油！）

2018年04月16日 08:01

第四讲导学

欢迎来听Tensorflow笔记！

本节讲解神经网络的优化，包括损失函数、学习率、滑动平均和正则化。最后给出了模块化搭建神经网络的八股。

课时安排：

4.1 损失函数

4.2 学习率

4.3 滑动平均

4.4 正则化

4.5 神经网络搭建八股

参考代码：https://github.com/cj0012/AI-Practice-Tensorflow-Notes/blob/master/opt.zip  

请复现课上所有操作，尝试更改参考代码中的超参数和反向传播优化方法，感受超参数和优化方法对结果的影响，领会神经网络优化。

2018年04月01日 16:12

第三讲导学

欢迎来听Tensorflow笔记！

本节首先介绍张量、计算图和会话；随后讲解前向传播和反向传播的实现方法；最后给出神经网络的搭建八股。

课时安排：

3.1 张量、计算图、会话

3.2 前向传播

3.3 反向传播

参考代码：https://github.com/cj0012/AI-Practice-Tensorflow-Notes/blob/master/tf.zip  

请复现课上所有操作，体会前向传播搭建网络，反向传播优化参数的过程，记忆tf3_6.py源代码。

2018年03月25日 19:55

第二讲导学

欢迎来听Tensorflow笔记！

本节从 Hello World 开始，50分钟梳理完python的常用语法。这些语法可以帮助你读懂后续课程的 Tensorflow 代码。

对于已经掌握Python语法的同学，可以跳过视频讲解，直接查看“助教的Tensorflow笔记2”，重温一下当年入坑时的轻松与快乐。

课时安排：

2.1 Linux指令、Hello World

2.2 列表、元组、字典

2.3 条件语句

2.4 循环语句

2.5 turtle模块

2.6 函数、模块、包

2.7 类、对象、面向对象的编程

2.8 文件操作

参考代码：https://github.com/cj0012/AI-Practice-Tensorflow-Notes/blob/master/python.zip

请复现课上所有操作。要求在下周Tensorflow学习前，可以借助搜索引擎读懂源码，请完成tf3_1.py的逐行注释。（遇到问题请利用百度搜索关键词，记到笔记中，提升自己对陌生语法的学习能力）

勘误：

视频 2.7- 类、对象、面向对象的编程 5分51秒 至 7分10秒 投影的第三行

print "kitty.spots" #打印出10

应该无前后双引号：

print kitty.spots

2018年03月20日 23:02

第一讲导学

欢迎来听Tensorflow笔记！

课时安排：

1.1 概述

1.2、1.3、1.4 分别给出了三种Tensorflow的安装方法，请选择其一，配置你的电脑。

课程每周一 8:00AM更新

2018年03月17日 20:56