- 1.课程简介
- 2.Tensorflow2.0极简安装教程
- 3.机器学习原理-线性回归
- 4.tf.keras实现线性回归
- 5.梯度下降算法
- 6.多层感知器(神经网络)与激活函数
- 7.多层感知器(神经网络)的代码实现
- 8.逻辑回归与交叉熵
- 9.逻辑回归实现
- 10.softmax多分类
- 11.softmax多分类代码实现- fashion mnist数据分类实例
- 12.独热编码与交叉熵损失函数
- 13.优化函数、学习速率、反向传播算法
- 14.网络优化与超参数选择
- 15.Dropout抑制过拟合与网络参数选择总原则
- 16.Dropout与过拟合抑制
- 17. 函数式API与多输入输出模型(一)
- 18. 函数式API与多输入输出模型(二)
- 19.关于tensorflow课程评价
tensorflow2.0入门与实战视频教程
本课程是关于Tensorflow与深度学习实战的一门课程。本课程用通俗易懂的实例,系统讲解了Tensorflow2.0的使用,可以说是目前最新最系统的 Tensorflow 2.0 教程。
本课程讲解Tensorflow中各种概念、操作和使用方法,针对Tensorflow的基础知识,在传统数据分析中应用进行详细讲解,并且给出了丰富的深度学习模型实战。
课程简介
Tensorflow2.0介绍:
tensorflow是GOOGLE在2015年底发布的一款深度学习框架,也是目前全世界用得最多,发展**的深度学习框架。2019年3月8日,GOOGLE发布**tensorflow2版本。新版本的tensorflow有很多新特征,更快更容易使用更人性化。但是老版的tensorflow程序在新版本中几乎都无法继续使用,所以我们有必要学习新版tensorflow2的新用法。
课程介绍:
我们的这门课程适合小白学习,也适合有基础的同学学习。课程会从0开始学习,从python环境安装,python入门,numpy,pandas,matplotlib使用,深度学习基础,一直讲到tensorflow基础,进阶,项目实战。不管你是0基础小白,想进入AI行业,还是有一定基础,想学习**的tensorflow2的使用,都适合我们这门课程。
通过了TensorFlow2.0初学者笔记本的指南,现在对神经网络层的形状、激活函数、logits、dropout、优化器、丢失函数和丢失以及epochs有了更好的理解。您还熟悉了如何使用TensorFlow/Keras实现这些概念!对于更多的实践,我建议使用本指南中讨论的不同参数进行试验,看看它们对模型性能有什么影响。