《深度学习：从入门到精通：基于Keras》 https://www.365exe.com/forum.php?mod=viewt

算法数学

课程简介

已有 0 人浏览发布 2026-09-15 更新 2026-09-15

这不是一份“看一遍就懂”的视频课

围绕 Keras 的深度学习资料不少，但多数要么停在Sequential堆几层Dense的玩具示例，要么直接跳到论文级实现，中间那段“能把模型真正跑起来、调得动、部署得了”的工程环节往往是断的。这份《深度学习：从入门到精通：基于Keras》把主线放在这条中段路径上：用 Keras 作为统一接口，把张量运算、层与模型组织、训练循环、回调机制、数据管道、迁移学习到模型导出串成一条可对照实践的线。它的价值不在“讲了多少知识点”，而在于你拿到源码后能逐段跑通、改参数、看日志，把抽象概念落到具体的张量形状和损失曲线上。

技术栈与代码组织

课程以 Python + TensorFlow 2.x 为运行环境，Keras 作为高层 API 贯穿始终。这种选择的好处是屏蔽掉一部分底层实现细节，让注意力集中在模型结构与训练流程本身；代价是遇到自定义层、自定义训练循环时仍需回到 TensorFlow 的tf.GradientTape和tf.function，课程在这部分做了过渡，不是纯高层调用。代码组织上，每个主题基本对应一组可独立运行的脚本或 Notebook，模型定义、数据加载、训练配置分层放置，便于你把其中某一层替换成自己的实现做对照。建议读者在本地建一个虚拟环境，固定依赖版本后先跑通基线，再动手改结构——直接改别人的代码而不先复现，很容易把“能跑”和“理解”混为一谈。

值得逐段拆开看的几个模块

数据管道：从tf.data的map/batch/prefetch到图像增强的接入位置，这部分决定了训练吞吐和显存占用，是很多人忽略却最容易卡住的地方。
模型构建的两种范式：函数式 API 与子类化模型的适用边界，什么时候需要多输入多输出，什么时候该退回Sequential，代码里都有对应写法可对照。
训练过程控制：回调里的EarlyStopping、ModelCheckpoint、学习率调度，以及如何把 TensorBoard 日志接上，这些是工程实践里真正影响结果的部分。
迁移学习与微调：冻结层、解冻策略、不同学习率分组，配合具体网络结构演示，而不是只给一句“冻结底层”。
保存与推理：SavedModel与H5的差异、加载后如何做单样本预测，涉及后续服务化时的接口形态。

这些模块单独看都不复杂，串起来才是完整链路。建议每完成一个模块，用自己的数据集替换一次，观察形状不匹配、损失不下降时该从哪里排查——这类调试经验比记住 API 参数更有复用价值。

怎么用这份资料自学

不要按“看完一章再做下一章”的节奏推进，那样容易变成被动接收。更有效的做法是：先读一章的模型定义，自己默写一遍结构，再运行源码对比差异；训练部分先改超参观察曲线变化，再回头读讲解。遇到自定义层或损失函数，尝试不看参考实现独立写一版，跑通后再对照。笔记不必抄目录，记录的是“我改了什么、结果怎么变、为什么”，这样复盘时才有信息量。整套资料更适合作为对照实践的参照系，而不是一次性刷完的视频合集。

《深度学习：从入门到精通：基于Keras》进阶篇

课程推荐

《《深度学习：从入门到精通：基于Keras》 https://www.365exe.com/forum.php?mod=viewt》《深度学习：从入门到精通：基于Keras》进阶篇【技能收获】学完可掌握：Vue / 前端工程化。课程以实战为导向，覆盖从基础概念到完整项目落地的关键步骤，配套章节笔记便于课后复盘与面试前快速回顾。【学习建议】建议按目录顺序学习，先打基础再进入综合实战章节；每完成 2～3 节可结合笔记整理一份学习小结，最终尝试独立复现一套完整 Demo 写入个人作品集。【就业发展】可面向岗位：AI 应用工程师、RAG 系统开发、Java 后端 + 大模型落地、企业知识库架构师。大模型应用岗需求持续走高，具备「后端 + RAG 落地」复合能力的人才在招聘市场更稀缺，简历中可突出完整项目链路而非仅会使用 API。若你已有一定编程或运维基础，本课程可帮助你在现有技能栈上快速叠加热门方向能力，提升求职时的项目说服力与薪资谈判空间。

视频目录（84 节）

* 1-1 简述全连接神经网络在图像数据处理中的不足处.mp4

* 1-2 卷积网络基本原理.mp4

* 1-3 卷积层原理概述.mp4

* 1-4 卷积层原理-padding技巧.mp4

* 1-5 卷积层原理-padding示例讲解.mp4

* 1-6 卷积层原理-移动步长示例讲解.mp4

* 1-7 输出特征图的宽、高计算公式.mp4

* 1-8 卷积层Tensorflow实现函数讲解.mp4

* 1-9 通过实例讲解卷积层各细节.mp4

* 1-10 通过卷积层对输入数据进行卷积运算.mp4

* 1-11 tf.keras.layers.Conv2D方式实现卷积运算.mp4

* 1-12 实现卷积运算-多个卷积核情况.mp4

* 1-13 卷积层对图像进行卷积运算示例讲解.mp4

* 1-14 池化层原理及实现详解.mp4

* 1-15 池化层实现的demo演示.mp4

* 1-16 池化层的特点及demo演示.mp4

* 1-17 池化层TensorFlow实现及案例演示.mp4

* 1-18 卷积神经网络中的全连接层和展平层介绍.mp4

* 1-19 迁移学习概述.mp4

* 1-20 迁移学习进行微调的三种策略.mp4

* 1-21 使用Keras 实现迁移学习之VGG16网络架构介绍.mp4

* 1-22 使用Keras 实现迁移学习之VGG16函数介绍.mp4

* 1-23 使用Keras 实现迁移学习之VGG16示例.mp4

* 1-24 使用Keras实现迁移学习之演示VGG16()函数下载实例化.mp4

* 1-25 利用VGG16对本地汽车图像进行类别预测.mp4

* 1-26 解释preprocess_input函数作用.mp4

* 1-27 tensorflow-hub的介绍及安装.mp4

* 1-28 Tensorflow-hub预训练模型的下载.mp4

* 1-29 使用Tensorflow-hub预训练模型进行预测.mp4

* 1-30 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

* 1-31 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

* 1-32 使用迁移学习实现花卉图像分类器-创建批次数据.mp4

* 1-33 Keras Applications 迁移学习实现花卉分类.mp4

* 1-34 Keras Applications 迁移学习实现花卉分类2.mp4

* 1-35 使用TensorF Hub迁移学习实现花卉图像分类.mp4

* 1-36 强化学习的基本概念.mp4

* 1-37 深度强化学习思路.mp4

* 1-38 gym平台介绍及案例演示.mp4

* 1-39 使用Keras-RL2的DQN算法实现《CartPole》.mp4

* 1-40 案例分析：CIFAR-10数据描述及下载.mp4

* 1-41 案例分析：CIFAR-10数据预处理.mp4

* 1-42 案例分析：构建卷积神经网络识别CIFAR-10图像.mp4

* 1-43 【课后习题】判断题和选择题讲解.mp4

* 1-44 【课后习题】实训题讲解.mp4

* 2-1 循环神经网络基本理解.mp4

* 2-2 词嵌入基础及学习词嵌入案例讲解.mp4

* 2-3 预训练词嵌入及案例演示.mp4

* 2-4 简单循环神经网络原理及Keras实现.mp4

* 2-5 长短期记忆网络-LSTM原理及Keras实现.mp4

* 2-6 门控循环单元-GRU原理及Keras实现.mp4

* 2-7 序列到序列Seq2Seq2基本原理概述.mp4

* 2-8 引入注意力机制的Seq2Seq框架.mp4

* 2-9 利用Keras实现序列到序列案例演示.mp4

* 2-10 利用TensorFlow Addons实现Seq2Seq2.mp4

* 2-11 Transformer基本原理及KerasNLP介绍.mp4

* 2-12 案例实训：中文文本分类.mp4

* 2-13 课后习题讲解.mp4

* 3-1 自编码器概述.mp4

* 3-2 简单自编码器的Keras实现.mp4

* 3-3 简单自编码器对cifar-10图像进行重构案例讲解.mp4

* 3-4 稀疏自编码器.mp4

* 3-5 堆栈自编码器.mp4

* 3-6 卷积自编码器.mp4

* 3-7 降噪自编码器.mp4

* 3-8 案例实训：使用自编码器建立推荐系统.mp4

* 3-9 第6章【课后习题】讲解.mp4

* 4-1 生成式对抗网络概述.mp4

* 4-2 GAN模型的Keras实现.mp4

* 4-3 DCGAN模型的Keras实现.mp4

* 4-4 案例实训：使用GAN和DCGAN模型生成数字5图像.mp4

* 4-5 第7章【课后习题】讲解.mp4

* 5-1 模型评估技术.mp4

* 5-2 模型优化：基于梯度的优化和自适应学习率算法.mp4

* 5-3 模型优化：网格搜索、数据分区、交叉验证、正则化等.mp4

* 5-4 在tf.Keras中进行模型优化.mp4

* 5-5 使用Scikit-Learn优化CIFAR-10分类模型.mp4

* 5-6 使用KerasTuner优化CIFAR-10分类.mp4

* 5-7 第8章【课后习题】讲解.mp4

* 6-1 TensorFlow Datasets 实验.mp4

* 6-2 tf.data 定义高效的输入流水线.mp4

* 6-3 在 tf.Keras 使用 Scikit-Learn优化模型.mp4

* 6-4 ImageDataGenerator 类图像增强.mp4

* 6-5 CNN 模型对手写数字识别.mp4

* 6-6 CNN 模型驾驶员睡意检测.mp4