视频课程 人浏览 历史评分   更新时间: 30天前 随到随学

课程介绍

注意0:欲购买此课程,获取安全购买链接,索要正版授权学习平台账号,务必加咨询QQ:2536379620
注意1:由于编码原因,试听课程视频画面清晰度不如最终购买的视频。最终购买视频的画面清晰度可参见以下两张图。图1   图2
注意2:正版良心视频,购买后有机会和原作者直接短暂技术交流。

本课程使用了TensorFlow 2.x录制。
本课程采用Python 3.x录制,适合于Python3.5及以上的所有Python版本。视频以及源代码适合于Windows、macOS和Linux系统。

本课程包含学习Tensorflow2.x和神经网络的必要知识,包括感知机、神经网络基础、误差反向传播、卷积神经网络等内容。

适合人群

tensorflow程序员,深度学习研究者,在校大学生

课程大纲

章节1:Tensorflow基础
课时1视频TensorFlow简介14:03                     免费试听
课时2文本源代码下载
课时3视频安装TensorFlow07:13
课时4视频TensorFlow中的常量(TensorFlow名字的由来)14:35
课时5视频常量运算06:08
课时6视频占位符类型04:01
课时7视频Tensorflow的变量04:59
课时8视频初始化TensorFlow变量的方法05:24
课时9视频TensorFlow中常用的运算函数08:27
课时10视频管理计算图04:57
课时11视频计算图节点的依赖于生命周期04:30
课时12视频用TensorFlow实现线性回归算法27:22
课时13视频数据的归一化和标准化11:02
课时14视频使用Tensorflow实现梯度下降算法22:45
课时15视频保存和恢复模型04:58
课时16视频可视化计算图05:40
课时17视频使用Tensorboard可视化计算图08:16
课时18视频命名作用域06:58
课时19视频模块化06:58
课时20视频变量作用域和共享变量05:37
章节2:感知机
课时21视频感知机-神经网络的起源03:18
课时22视频用感知机表示与门电路09:30
课时23视频用感知机表示或门电路05:43
课时24视频用感知机表示与非门电路05:13
课时25视频用Python实现感知机07:26
课时26视频用Tensorflow2.x实现感知机07:43
课时27视频用偏置代替阈值04:28
课时28视频用Python和Tensorflow实现带偏置的感知机06:16
课时29视频感知机可以表示所有的门电路吗07:37
课时30视频用多层感知机处理异或门电路08:37
课时31视频使用sklearn中的感知器对莺尾花进行分类13:46
章节3:神经网络
课时32视频什么是神经网络06:28
课时33视频神经网络的sigmoid函数02:08
课时34视频阶跃函数与sigmoid函数的几何意义07:17
课时35视频激活函数ReLU以及其几何意义03:33
课时36视频激活函数Tanh以及其几何意义01:58
课时37视频矩阵的乘法07:15
课时38视频三层神经网络的实现原理19:01
课时39视频三层神经网络的完整实现07:33
课时40视频选择神经网络输出层的激活函数06:00
课时41视频改进softmax函数03:18
课时42视频项目实战:利用神经网络识别数字图像(MNIST)【1】17:04
课时43视频项目实战:利用神经网络识别数字图像(MNIST)【2】13:48
章节4:训练神经网络
课时44视频从手工调参到数据驱动04:00
课时45视频训练数据和测试数据04:03
课时46视频损失函数详解18:31
课时47视频用Python实现常用的损失函数08:44
课时48视频小批量版本的交叉熵函数16:33
课时49视频用Tensorflow2.x实现回归损失函数10:23
课时50视频用Tensorflow2.x实现分类损失函数12:24
课时51视频用Python计算导数14:01
课时52视频用Python计算偏导数05:07
课时53视频用Python计算梯度09:19
课时54视频梯度下降法17:57
课时55视频计算神经网络的梯度11:47
课时56视频项目实战:手工编写神经网络识别数字图像(1)16:01
课时57视频项目实战:手工编写神经网络识别数字图像(2)28:19
课时58视频项目实战:手工编写神经网络识别数字图像(3)16:43
课时59视频项目实战:手工编写神经网络识别数字图像(4)08:51
课时60视频项目实战:用Tensorflow2.x训练模型识别数字图像111:21
课时61视频项目实战:Tensorflow2.x训练模型识别数字图像211:21
章节5:误差反向传播
课时62视频计算图基础07:11
课时63视频计算图的优势07:59
课时64视频反向传播的链式法则06:30
章节6:卷积神经网络
课时65视频卷积神经网络的结构05:40
课时66视频在CNN中为什么要加入卷积层05:04
课时67视频卷积计算04:40
课时68视频输入数据的填充03:27
课时69视频卷积核的步幅05:46
课时70视频池化层02:50
相关推荐
客服 关于