课程以Tensorflow2.0为主体，以图像分类、房价预测、文本分类、文本生成、机器翻译、泰坦尼克生存预测等项目为依托，讲解Tensorflow框架的使用方法，让学员获得灵活使用Tensorflow的能力，达到初级深度学习工程师的水平。
第1章 Tensorflow简介与环境搭建 试看11 节 | 129分钟
本门课程的入门章节，简要介绍了tensorflow是什么，详细介绍了Tensorflow历史版本变迁以及tensorflow的架构和强大特性。并在Tensorflow1.0、pytorch、Tensorflow2.0之间做了对比。最后通过实战讲解了在Google cloud和AWS两个平台上的环境配置。
收起列表
视频：1-1 课程导学 (14:47)试看
视频：1-2 Tensorflow是什么 (09:38)
视频：1-4 Tensorflow2.0架构 (08:17)试看
视频：1-6 Tensorflow环境配置 (04:48)
视频：1-8 Google_cloud_远程jupyter_notebook配置 (15:35)
视频：1-9 Google_cloud_gpu_tensorflow配置 (12:42)
视频：1-10 Google_cloud_gpu_tensorflow镜像配置 (10:32)
第2章 Tensorflow keras实战18 节 | 195分钟
本门课程的基础章节，详细介绍了如何使用tf.keras进行模型的搭建以及大量的深度学习的理论知识。理论知识包括分类问题、回归问题、损失函数、神经网络、激活函数、dropout、批归一化、深度神经网络、Wide&AMp;Deep模型、密集特征、稀疏特征、超参数搜索等及其在图像分类、房价预测上的实现。…
收起列表
视频：2-1 tfkeras简介 (09:18)
视频：2-6 实战回调函数 (11:13)
视频：2-10 实战批归一化、激活函数、dropout (13:51)
视频：2-15 超参数搜索 (09:10)
第3章 Tensorflow基础API使用13 节 | 124分钟
接上一节课中使用高级抽象的API tf.keras搭建模型，本节课则介绍了基础的API来方便大家更加灵活的定义和使用模型。课程内容包括tensorflow基础数据类型、自定义模型和损失函数、自定义求导、tf.function、图结构等以及其在图像分类、房价预测上的实现。…
收起列表
视频：3-1 tf基础API引入 (05:07)
视频：3-2 实战tf.constant (07:09)
视频：3-4 实战sparse tensor与tf.Variable (11:13)
视频：3-5 实战自定义损失函数与DenseLayer回顾 (09:27)
视频：3-7 tf.function函数转换 (07:56)
视频：3-8 @tf.function函数转换 (08:45)
视频：3-9 函数签名与图结构 (12:45)
视频：3-10 近似求导 (07:44)
视频：3-13 章节总结 (01:41)
第4章 Tensorflow dataset使用9 节 | 108分钟
介绍Tensorflow dataset空间下API的使用，dataset API主要用于读取数据。本届课程通过在房价预测问题上的实战详细的介绍如何使用tf.dataset读取csv文件和tfrecord文件。
收起列表
第5章 Tensorflow Estimator使用与tf1.012 节 | 131分钟
本节课分为两部分，第一部分介绍tensorflow中estIMator和特征列的API的使用，estIMator是和keras平级的用于模型抽象的高级API，会使用泰坦尼克生存预测项目来详细的讲解特征抽取和estIMator使用。学习完以上的基础知识后，在第二部分中会讲解tf1.0的知识点来方便大家对比2.0与1.0的区别。…
收起列表
视频：5-1 课程引入 (03:04)
视频：5-3 feature_column使用 (13:26)
视频：5-4 keras_to_estIMator (08:49)
视频：5-6 交叉特征实战 (08:09)
视频：5-7 TF1.0引入 (03:37)
视频：5-8 TF1.0计算图构建 (09:51)
视频：5-10 TF1_dataset使用 (14:54)
视频：5-11 TF1_自定义estIMator (16:30)
第6章 卷积神经网络14 节 | 139分钟
本节课程依托图像分类与两个Kaggle数据集项目，主要讲解卷积神经网络，包括卷积、池化、卷积网络、数据增强、迁移学习等知识。详细的讲解了卷积操作的过程。同时还对如何使用Kaggle平台上的GPU进行的讲解。
收起列表
视频：6-1 卷积神经网络引入与总体结构 (07:57)
视频：6-3 卷积的计算 (08:18)
视频：6-4 池化操作 (03:41)
视频：6-9 Keras generator读取数据 (16:48)
视频：6-11 10monkeys模型微调 (16:10)
视频：6-14 章节总结 (04:39)
第7章 循环神经网络13 节 | 141分钟
本节课程依托文本分类和文本生成两个项目，对序列式问题、循环神经网络、LSTM、双向LSTM等模型进行了详细的讲解和实战。
收起列表
第8章 Tensorflow分布式9 节 | 91分钟
本节课程依托图像分类项目，对tensorflow框架中的分布式原理和策略进行了详细的讲解，并在实战中予以实现。尤其是对参数服务器的分布式的并行架构进行详细的阐述。
收起列表
视频：8-2 GPU默认设置 (08:03)
第9章 Tensorflow模型保存与部署9 节 | 106分钟
本节课程依托图像分类项目，对tensorflow模型和部署进行了详细的讲解，包括普通的模型保存、tflite的使用、模型的android的部署、在js上的部署等以及对应的实战。
收起列表
视频：9-1 课程引入与TFLite_x264 (12:25)
视频：9-4 签名函数转化为SavedModel (05:22)
视频：9-6 tflite保存与解释与量化 (19:08)
视频：9-7 tensorflowjs转换模型 (14:40)
第10章 机器翻译33 节 | 376分钟
本节课程依托机器翻译项目，对transformer模型进行了详细的讲解，包括可缩放点积注意力、多头注意力等知识。并对该模型进行了实现。同时，讲解了tensorflow中常用算法库tensor2tensor的使用，并使用tensor2tensor中已有的最新算法在图像分类和机器翻译上进行了最高效果的训练。…
收起列表
视频：10-4 Encoder构建 (08:18)
视频：10-5 attention构建 (08:12)
视频：10-6 Decoder构建 (10:45)
视频：10-7 损失函数与单步训练函数 (10:14)
视频：10-13 多头注意力与位置编码 (08:56)
视频：10-16 位置编码 (10:47)
视频：10-17 mask构建 (07:54)
视频：10-22 EncoderLayer实现 (11:33)
视频：10-23 DecoderLayer实现 (13:34)
视频：10-24 EncoderModel实现 (11:12)
视频：10-25 DecoderModel实现 (11:50)
视频：10-26 Transformer实现 (13:50)
视频：10-27 自定义学习率 (11:23)
视频：10-28 Mask创建与使用 (18:12)
视频：10-31 attention可视化 (12:32)
