简介：
第1章将介绍深度学习基础，常用激活函数、神经网络拓扑结构及损失函数；然后详细介绍了如何安装 Python 的科学计算环境 Anaconda、TensorFlow2 的 CPU 版本及 GPU 版本； 最后通过深度学习中的相当于“Hello Word”的入门数据集 MNIST 为例，介绍如何利用 Keras 构建深度学习模型。
第2章：
1、利用OpenCV进行图像预处理，包含图像读取、显示和保存，图像几何变换等
2、利用TensorFlow进行图像预处理，包含图像缩放、裁剪、翻转等
3、利用Jieba进行中文文本分词，并掌握如何添加自定义词典
4、利用Keras进行文本预处理，重点掌握填充序列pad_sequences的使用
第3章如何用Keras开发深度学习模型。首先介绍Kereas模型生命周期包含5个步骤：定义网络、编译网络、训练网络、评估网络、做出预测。然后介绍Keras的顺序型API和函数式API两种模型、TensorBoard模型可视化、Keras中的回调函数及模型的保存及加载等知识。
第4章首先介绍了卷积神经网络基本原理及实现，并通过CIFAR-图像的案例实践帮助读者掌握卷积神经网络的使用。接着介绍迁移学习的基本原理，并通过Keras Applications 和TensorFlow Hub 两种方式实现迁移学习。最后介绍强化深度学习的相关内容。
第5章依次介绍了简单循环神经网络（SimpleRNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）、序列到序列（Seq2Seq）及Transformer模型的基本原理及实现。
第6章介绍了自编码器基本结构以及常用自编码器：简单自编码器、稀疏自编码器、堆栈自编码器、卷积自编码器、降噪自编码器以及堆循环自编码器的基本原理及实现。利用自编码器建立无监督的推荐系统的实践，引导读者将自编码器应用在不同实际场景中。
第7章首先介绍了生成式对抗网络GAN基本原理，使用GAN生成手写数字5图像。然后介绍深度卷积生成式对抗网络DCGAN基本原理及案例实践。
第8章介绍了模型评估及优化技巧。分别介绍了数值（回归）预测和概率（分类）预测的常用评价指标及Python实现，然后介绍了基于梯度下降的优化、自适应学习率算法、网格搜索、防止模型过拟合等模型参数优化手段。紧接着介绍如何在tf.Keras中使用Scikit-Learn优化模型和使用KerasTuner进行超参数调节。
目录：
1-1.课程介绍.mp4
1-2.神经网络基础介绍.mp4
1-3.神经元结构讲解.mp4
1-4.用python实现神经元demo.mp4
1-5.激活函数概述.mp4
1-6.激活函数的Tensorflow实现1.mp4
1-7.激活函数的Tensorflow实现2.mp4
1-8.神经网络的拓扑架构.mp4
1-9.常用深度学习模型介绍.mp4
1-10.深度学习框架.mp4
1-11.Tensorflow GPU版本所需的硬件环境准备.mp4
1-12.Anaconda安装.mp4
1-13.conda常用命令操作的用法.mp4
1-14.Tensorflow的安装及查看（CPU、GPU版）.mp4
1-15.Tensor数据类型及创建函数介绍.mp4
1-16.Tensor数据类型及创建函数案例演示.mp4
1-17.Tensorlow其他常用函数及数学运算.mp4
1-18.tf.data.Dataset对象简介.mp4
1-19.tf.GradientTape讲解.mp4
1-20.tf.one_hot和tf.argmax函数讲解.mp4
1-21.MNIST数据集概述及加载.mp4
1-22.MNIST数据预处理.mp4
1-23.构建及编译模型.mp4
1-24.构建及编译模型代码实现.mp4
1-25.模型训练及代码实现.mp4
1-26.将数据转换为tf.data.Dataset再训练模型.mp4
1-27.另一种方式，使用 tf.GradientTape 来训练模型.mp4
1-28.课后习题讲解.mp4
2-1.课程内容介绍.mp4
2-2.数据预处理技术.mp4
2-3.读取、显示和保存图像1.mp4
2-4.读取、显示和保存图像2.mp4
2-5.图像像素的获取和编辑.mp4
2-6.图像几何变换之图像缩放.mp4
2-7.图像几何变换之平移变换.mp4
2-8.图像几何变换之旋转变换.mp4
2-9.图像几何变换之翻转变换.mp4
2-10.色彩通道分离和融合.mp4
2-11.颜色空间转换.mp4
2-12.利用Tensorflow2进行图像缩放.mp4
2-13.使用tf.image模块函数对图像进行裁剪.mp4
2-14.使用tf.image模块函数进行图像色彩调整.mp4
2-15.使用tf.image模块函数进行图像翻转.mp4
2-16.Jieba中文分词介绍.mp4
2-17.使用jieba.cut进行中文分词案例演示.mp4
2-18.jieba添加自定义词典.mp4
2-19.jieba添加自定义词典案例讲解.mp4
2-20.关键词提取.mp4
2-21.词性标注.mp4
2-22.分词器Tokenizer.mp4
2-23.Keras的one_hot转换.mp4
2-24.填充序列pad_sequences函数.mp4
2-25.案例分析：导入本地文本数据.mp4
2-26.案例分析：添加中文文本分词的停止词库和词典库.mp4
2-27.案例分析：中文文本分词及词云展示.mp4
2-28.案例分析：构建分词器及填充序列.mp4
2-29.课后习题讲解：判断题和选择题.mp4
2-30.课后习题讲解：实训题代码讲解.mp4
3-1.本章内容介绍.mp4
3-2.定义网络1.mp4
3-3.定义网络2.mp4
3-4.编译网络.mp4
3-5.训练网络.mp4
3-6.评估及预测网络.mp4
3-7.Keras模型类型.mp4
3-8.顺序型API模型.mp4
3-9.函数式API模型讲解.mp4
3-10.网络拓扑可视化.mp4
3-11.网络拓扑可视化-补充说明.mp4
3-12.TensorBoard可视化1.mp4
3-13.TensorBoard可视化2.mp4
3-14.TensorBoard可视化3.mp4
3-15.TensorBoard可视化4.mp4
3-16.回调函数介绍.mp4
3-17.使用回调函数寻找最优模型1.mp4
3-18.使用回调函数寻找最优模型2.mp4
3-19.模型的保存及加载.mp4
3-20.使用SaveModel格式保存模型.mp4
3-21.使用SaveModel格式保存模型2-案例演示.mp4
3-22.使用SaveModel格式保存模型3-保存模型加载及验证.mp4
3-23.使用SaveModel格式保存模型3-保存为H5文件.mp4
3-24.使用SaveModel格式保存模型4-保存及加载模型结构.mp4
3-25.使用SaveModel格式保存模型5-保存及加载模型权重.mp4
3-26.使用JSON格式保存及加载模型.mp4
3-27.案例分析：Titanic数据导入及删除多余变量.mp4
3-28.案例分析：缺失值的识别及插补.mp4
3-29.案例分析：one_hot编码、数据拆分、标准化处理.mp4
3-30.案例分析：定义和编译网络模型.mp4
3-31.案例分析：模型训练及训练周期结果可视化.mp4
3-32.课后习题：判断和选择题讲解.mp4
3-33.课后习题：实训题1.mp4
3-34.课后习题：实训题2和3.mp4
4-1.简述全连接神经网络在图像数据处理中的不足处.mp4
4-2.卷积网络基本原理.mp4
4-3.卷积层原理概述.mp4
4-4.卷积层原理-padding技巧.mp4
4-5.卷积层原理-padding示例讲解.mp4
4-6.卷积层原理-移动步长示例讲解.mp4
4-7.输出特征图的宽、高计算公式.mp4
4-8.卷积层Tensorflow实现函数讲解.mp4
4-9.tf.keras.layers.Conv2D方法1.mp4
4-10.f.keras.layers.Conv2D方法2.mp4
4-11.tf.keras.layers.Conv2D方式实现卷积运算.mp4
4-12.tf.keras.layers.Conv2D方式4.mp4
4-13.卷积层对图像进行卷积运算示例讲解.mp4
4-14.池化层原理及实现详解.mp4
4-15.池化层实现的demo演示.mp4
4-16.池化层的特点及demo演示.mp4
4-17.池化层TensorFlow实现及案例演示.mp4
4-18.卷积神经网络中的全连接层和展平层介绍.mp4
4-19.迁移学习概述.mp4
4-20.迁移学习进行微调的三种策略.mp4
4-21.使用Keras 实现迁移学习之VGG16网络架构介绍.mp4
4-22.使用Keras 实现迁移学习之VGG16函数介绍.mp4
4-23.使用Keras 实现迁移学习之VGG16示例.mp4
4-24.使用Keras实现迁移学习之演示VGG16()函数下载及实例.mp4
4-25.使用Keras实现迁移学习之利用VGG16对本地汽车图像进行.mp4
4-26.使用Keras实现迁移学习之利用VGG16对本地汽车图像进行.mp4
4-27.使用Keras实现迁移学习之利用VGG16对本地汽车图像进行.mp4
4-28.tensorflow-hub的介绍及安装.mp4
4-29.Tensorflow-hub预训练模型的下载.mp4
4-30.使用迁移学习实现花卉图像分类器-花卉图像介绍及导入、预处理1.mp4
4-31.使用迁移学习实现花卉图像分类器-花卉图像介绍及导入、预处理2.mp4
4-32.使用迁移学习实现花卉图像分类器-创建 批次数据.mp4
4-33.Keras Applications 迁移学习实现花分类1.mp4
4-34.Keras Applications 迁移学习实现花分类2.mp4
4-35.使用TensorF Hub迁移学习实现花卉图像分类.mp4
4-36.强化学习的基本概念.mp4
4-37.深度强化学习思路.mp4
4-38.gym平台介绍及案例演示.mp4
4-39.使用Keras-RL2的DQN实现《CartPole》游戏.mp4
4-40.案例分析：CIFAR-10数据描述及下载.mp4
4-41.案例分析：CIFAR-10数据预处理.mp4
4-42.案例分析：构建卷积神经网络识别CIFAR-10图像.mp4
4-43.【课后习题】判断题和选择题讲解.mp4
4-44.【课后习题】实训题讲解.mp4
5-1.循环神经网络基本理解.mp4
5-2.词嵌入基础及学习词嵌入案例讲解.mp4
5-3.预训练词嵌入及案例演示.mp4
5-4.简单 循环神经网络原理及Keras实现.mp4
5-5.长短期记忆网络-LSTM原理及Keras实现.mp4
5-6.门控循环单元-GRU原理及Keras实现.mp4
5-7.序列到序列Seq2Seq2基本原理概述.mp4
5-8.引入注意力机制的Seq2Seq框架.mp4
5-9.利用Keras实现序列到序列案例演示.mp4
5-10.利用TensorFlow Addons实现Seq2Seq2的.mp4
5-11.Transformer基本原理及KerasNLP介绍.mp4
5-12.案例实训：中文文本分类.mp4
5-13.课后习题讲解.mp4
6-1.自编码器概述.mp4
6-2.简单自编码器的Keras实现.mp4
6-3.简单自编码器对cifar-10图像进行重构案例讲解.mp4
6-4.稀疏自编码器.mp4
6-5.堆栈自编码器.mp4
6-6.卷积自编码器.mp4
6-7.降噪自编码器.mp4
6-8.案例实训：使用自编码器建立推荐系统.mp4
6-9.第6章【课后习题】讲解.mp4
7-1.生成式对抗网络概述.mp4
7-2.GAN模型的Keras实现.mp4
7-3.DCGAN模型的Keras实现.mp4
7-4.案例实训：使用GAN和DCGAN模型生成数字5图像.mp4
7-5.第7章【课后习题】讲解.mp4
8-1.模型评估技术.mp4
8-2.模型优化：基于梯度的优化和自适应学习率算法.mp4
8-3.模型优化：网格搜索、数据分区、交叉验证、正则化等.mp4
8-4.在tf.Keras中进行模型优化.mp4
8-5.案例分析1：使用Scikit-Learn优化CIFAR-10.mp4
8-6.案例分析2：使用KerasTuner优化CIFAR-10分类.mp4
8-7.第8章【课后习题】讲解.mp4
9-1.TensorFlow Datasets 实验.mp4
9-2.tf.data 定义高效的输入流水线.mp4
9-3.在 tf.Keras 中使用 Scikit-Learn 优化.mp4
9-4.ImageDataGenerator 类图像增强.mp4
9-5.CNN 模型对手写数字识别.mp4
9-6.CNN 模型驾驶员睡意检测.mp4
评论0