TensorFlow2.0深度解析

第1节: 机器学习框架介绍.mp4
第2节: Tensorflow介绍.mp4
第3节: Tensorflow2新版特性.mp4
第4节: Tensorflow2架构方式.mp4
第5节: Tensorflow与其他框架对比.mp4
第6节: Tensorflow环境配置.mp4
第7节: 基于谷歌云平台搭建无GPU环境.mp4
第8节: 基于谷歌云平台配置远程笔记工具.mp4
第9节: 基于谷歌云平台搭建GPU版环境.mp4
第10节: 基于谷歌云平台镜像搭建环境.mp4
第11节: AWS云平台环境配置.mp4
第12节: tfkeras介绍.mp4
第13节: 分类回归与目标函数.mp4
第14节: 分类模型数据读取与展示.mp4
第15节: 分类模型模型构建.mp4
第16节: 分类模型数据归一化.mp4
第17节: 回调函数.mp4
第18节: 神经网络讲解.mp4
第19节: 深度神经网络案例.mp4
第20节: 批归一化、激活函数、dropout案例.mp4
第21节: wide_deep模型.mp4
第22节: 函数API实现wide&deep模型.mp4
第23节: 子类API实现wide&deep模型.mp4
第24节: wide&deep模型的多输入与多输出案例.mp4
第25节: 超参数搜索.mp4
第26节: 手动实现超参数搜索案例.mp4
第27节: 用sklearn封装keras模型.mp4
第28节: 用sklearn超参数搜索.mp4
第29节: 基础API介绍.mp4
第30节: tf.constant.mp4
第31节: tf.strings与ragged_tensor.mp4
第32节: sparse_tensor与tf.Variable.mp4
第33节: 自定义损失函数与DenseLayer回顾.mp4
第34节: 使子类与lambda分别自定义层次.mp4
第35节: tf.function函数转换.mp4
第36节: @tf.function函数转换.mp4
第37节: 函数签名与图结构.mp4
第38节: 近似求导.mp4
第39节: tf.GradientTape基本使用方法.mp4
第40节: tf.GradientTape与tf.keras结合使用.mp4
第41节: 其它常用API介绍.mp4
第42节: 调用data_API.mp4
第43节: 调用tf_data.mp4
第44节: 生成csv文件.mp4
第45节: 调用tf.io.decode_csv工具.mp4
第46节: tf.data与tf.keras读取csv文件.mp4
第47节: tfrecord API导入.mp4
第48节: 生成tfrecords文件.mp4
第49节: tf.data+tf.keras读取文件.mp4
第50节: datasetAPI注意事项.mp4
第51节: Estimator介绍.mp4
第52节: 泰坦尼克问题分析.mp4
第53节: feature_column使用.mp4
第54节: keras_to_estimator.mp4
第55节: 预定义estimator使用.mp4
第56节: 交叉特征.mp4
第57节: TF1.0引入.mp4
第58节: TF1.0计算图构建.mp4
第59节: TF1.0模型训练.mp4
第60节: TF1_dataset使用.mp4
第61节: TF1_自定义estimator.mp4
第62节: API改动升级与课程总结.mp4
第63节: 卷积神经网络引入与总体结构.mp4
第64节: 卷积解决的问题.mp4
第65节: 卷积的计算.mp4
第66节: 池化操作.mp4
第67节: 卷积神经网络.mp4
第68节: 深度可分离卷积网络.mp4
第69节: 深度可分离卷积网络.mp4
第70节: Kaggle平台与10monkeys数据集介绍.mp4
第71节: Keras_generator读取数据.mp4
第72节: 10monkeys基础模型搭建与训练.mp4
第73节: 10monkeys模型微调.mp4
第74节: keras_generator读取cifar10数据集.mp4
第75节: 模型训练与预测.mp4
第76节: 章节总结.mp4
第77节: 循环神经网络引入与embedding.mp4
第78节: 数据集载入与构建词表索引.mp4
第79节: 数据padding、模型构建与训练.mp4
第80节: 序列式问题与循环神经网络.mp4
第81节: 循环神经网络文本分类.mp4
第82节: 文本生成之数据处理.mp4
第83节: 文本生成之构建模型.mp4
第84节: 文本生成之采样生成文本.mp4
第85节: LSTM长短期记忆网络.mp4
第86节: LSTM文本分类与文本生成.mp4
第87节: subword文本分类之数据集载入与tokenizer.ts
第88节: subword文本分类之dataset变换与模型训练.ts
第89节: 章节总结.ts
第90节: 课程引入与GPU设置.mp4
第91节: GPU默认设置.mp4
第92节: 内存增长和虚拟设备.mp4
第93节: GPU手动设置.mp4
第94节: 分布式策略.mp4
第95节: keras分布式.mp4
第96节: estimator分布式.mp4
第97节: 自定义流程.mp4
第98节: 分布式自定义流程.mp4
第99节: 课程引入与TFLite_x264.ts
第100节: 保存模型结构加参数与保存参数.ts
第101节: Keras模型转化为SavedModel.ts
第102节: 签名函数转化为SavedModel.ts
第103节: 签名函数，SavedModel和Keras模型到具体函数转换.ts
第104节: tflite保存与解释与量化.ts
第105节: 本章总结.mp4
第106节: tensorflowjs搭建服务?载入模型.mp4
第107节: Android部署模型与总结.mp4
第108节: 课程引入与seq2seq+attention模型讲解.ts
第109节: 数据预处理理与读取.ts
第110节: 数据id化与dataset生成.ts
第111节: Encoder构建.ts
第112节: attention构建.ts
第113节: Decoder构建.ts
第114节: 损失函数与单步训练函数.ts
第115节: 模型训练.ts
第116节: 模型预测实现.ts
第117节: 样例例分析与总结.ts
第118节: Transformer模型总体架构.ts
第119节: Encoder-Decoder架构与缩放点击注意力.ts
第120节: 多头注意力与位置编码.ts
第121节: Add、Normalize、Decoding过程与总结.ts
第122节: 数据预处理与dataset生成.ts
第123节: 位置编码.ts
第124节: mask构建.ts
第125节: 缩放点积注意力机制实现(1).ts
第126节: 缩放点积注意力机制实现(2).ts
第127节: 多头注意力机制实现.ts
第128节: feedforward层次实现.ts
第129节: EncoderLayer.ts
第130节: DecoderLayer.ts
第131节: EncoderModel.ts
第132节: DecoderModel.ts
第133节: Transformer.ts
第134节: 自定义学习率.ts
第135节: Mask创建与使用.ts
第136节: 模型训练.ts
第137节: 模型预测实现.ts
第138节: attention可视化.ts
第139节: 案例展示.mp4
第140节: 如何学习更多模型[完].mp4
资料包.rar

 

地址：https://www.javaxxz.com/thread-397481-1-1.html