TensorFlow2.0深度解析从原理到应用视频教程 课程 it教程
第26节: 手动实现超参数搜索案例.mp40
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.mp47 I: [‘ x6 t% [+ [& l& w
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+ M7 l j% \- d. g7 b
第44节: 生成csv文件.mp4
第45节: 调用tf.io.decode_csv工具.mp4. o- Y0 A: b) w. M
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” }) _ i3 P. J2 c F
第49节: tf.data+tf.keras读取文件.mp4$ I, V$ J1 B$ v0 R3 s
第50节: datasetAPI注意事项.mp4
第51节: Estimator介绍.mp40 R( b1 F9 @% H P% Y2 t
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) ^1 m5 D5 d# F6 J’ {/ y4 K5 b
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 D0 ~* ]7 M7 l2 N: V
第58节: TF1.0计算图构建.mp4
第59节: TF1.0模型训练.mp47 }* e( j( l1 a* t0 i1 I
第60节: TF1_dataset使用.mp4/ E: D1 e& ~” l8 U
第61节: TF1_自定义estimator.mp4* {* ]: {‘ B4 v; R1 V1 a0 B |
第62节: API改动升级与课程总结.mp4/ {; j$ _# m2 B8 Z4 E’ D+ I# I
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.mp42 N3 {; c* k3 y7 z; ~
第70节: Kaggle平台与10monkeys数据集介绍.mp49 q3 l8 j* [* d+ i( b9 S
第71节: Keras_generator读取数据.mp4. K4 |8 s* e( d/ J( A- k7 V( d
第72节: 10monkeys基础模型搭建与训练.mp4
第73节: 10monkeys模型微调.mp44 C; A! ?; m. J8 J# |( n3 x! C
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 U’ U* n7 J$ E# t” q8 r* d” A, f
第77节: 循环神经网络引入与embedding.mp44 }8 {: Q+ K1 W
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* D3 K” P: D: |9 r O* Z8 D
第81节: 循环神经网络文本分类.mp4” b# U( _! g* k( b3 v: c
第82节: 文本生成之数据处理.mp4$ X- L1 M” z% D3 s1 }, e4 t
第83节: 文本生成之构建模型.mp48 D- w9 `* s; s4 d
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.ts5 w5 {# N& G, ^$ P$ v+ e7 p7 s3 _
第88节: subword文本分类之dataset变换与模型训练.ts– T3 w+ g6 l; ^* k
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‘ |” _2 e* \- K7 }2 U1 a2 p
第92节: 内存增长和虚拟设备.mp4% {, I7 a6 K, |$ e3 A0 F7 l
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.mp44 d: ~% ~6 X& M- N5 f$ ]( l
第97节: 自定义流程.mp48 @) y! D7 H! ]9 g1 T1 g
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, S; s+ T2 _. K2 u1 K7 I2 o
第101节: Keras模型转化为SavedModel.ts7 [, C, B+ \’ r1 i) V. }+ C
第102节: 签名函数转化为SavedModel.ts, {! {* Q% v6 z8 K- w* H
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; ~+ i7 T% X& F% P
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: |; j. M0 j0 d. i! }
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$ t: U’ F8 p3 q- D% G+ Q+ C
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” L4 o1 H3 I: ~8 |’ v% x’ ~# e- i
第117节: 样例例分析与总结.ts, D7 G# N/ u$ w, A
第118节: Transformer模型总体架构.ts‘ {/ J4 T7 ]/ w! B
第119节: Encoder-Decoder架构与缩放点击注意力.ts3 y& k” M0 P% W
第120节: 多头注意力与位置编码.ts6 ]& f/ }, H% E& Z% p
第121节: Add、Normalize、Decoding过程与总结.ts: a- t7 P [” `7 ?9 r; i
第122节: 数据预处理与dataset生成.ts
第123节: 位置编码.ts( A’ U( x# a8 C! J( w
第124节: mask构建.ts1 r: r3 v6 ]2 @) x
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: Z0 k$ h5 ~: B* T’ B” Y& F! A
第131节: EncoderModel.ts) L9 T- ~; b+ L& T
第132节: DecoderModel.ts! ~& ^: Z# m” d/ e; G
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+ `) p9 d* d/ G3 H% b
第136节: 模型训练.ts7 }8 n. Y7 s+ s
第137节: 模型预测实现.ts, v- U7 t- ?* C6 g! t
第138节: attention可视化.ts
第139节: 案例展示.mp42 h. \” T+ G, h) `: A7 o
第140节: 如何学习更多模型[完].mp4$ H; J2 R% B” o9 f’ A! F
资料包.rar
