课程介绍

Google老师亲授TensorFlow2.0入门到进阶课程是一门由Google官方推出的针对TensorFlow 2.0的深度学习框架的课程。该课程旨在帮助学员从入门到进阶，掌握TensorFlow 2.0的基本概念和高级应用。

该课程由Google的专业团队开发，内容包括以下几个方面：

1. TensorFlow 2.0入门：学员将学习TensorFlow 2.0的基本概念和使用方法，包括张量、变量、计算图、自动微分等。
2. TensorFlow 2.0的核心功能：学员将深入了解TensorFlow 2.0的核心功能，包括数据预处理、模型构建、训练和评估等。
3. TensorFlow 2.0高级应用：学员将学习如何应用TensorFlow 2.0进行复杂的深度学习任务，包括图像分类、自然语言处理、生成对抗网络等。
4. 实战项目：学员将参与实际的项目实践，通过解决真实世界的问题来巩固所学的知识和技能。
5. Google专家指导：学员将有机会与Google专家进行互动，获得个性化的指导和反馈。

通过完成该课程，学员将获得以下收益：

1. 对TensorFlow 2.0的全面了解：学员将掌握TensorFlow 2.0的基本概念和核心功能，能够熟练地使用TensorFlow 2.0进行深度学习任务。
2. 实践经验：通过实战项目的参与，学员将获得实际应用TensorFlow 2.0的经验，能够将所学的知识应用到真实世界的问题中。
3. 与专家互动：学员将有机会与Google专家进行互动，获得个性化的指导和反馈，加深对TensorFlow 2.0的理解和应用能力。

总之，这是一门全面而深入的学习课程，旨在帮助学员从入门到进阶，掌握TensorFlow 2.0的基本概念和高级应用。通过该课程的学习，学员将成为熟练的TensorFlow 2.0开发者，并能够应用TensorFlow 2.0解决复杂的深度学习问题。

课程目录

/【imooc-344】Google老师亲授TensorFlow2.0入门到进阶/
│├─第1章 Tensorflow简介与环境搭建
│├─第2章 Tensorflow keras实战
│├─第3章 Tensorflow基础API使用
│├─第4章 Tensorflow dataset使用
│├─第5章 Tensorflow Estimator使用与tf1.0
│├─第6章 卷积神经网络
│├─第7章 循环神经网络
│├─第8章 Tensorflow分布式
│├─第9章 Tensorflow模型保存与部署
│├─第10章 机器翻译
│├─资料

详细目录

第1章 Tensorflow简介与环境搭建/
│├─1-10_Google_cloud_gpu_tensorflow镜像配置__(.mp4 40.7MB
│├─1-11_AWS云平台环境配置.mp4 29.8MB
│├─1-1_课程导学.mp4 17.8MB
│├─1-2_Tensorflow是什么.mp4 10.8MB
│├─1-3_Tensorflow版本变迁与tf1.0架构.mp4 9.2MB
│├─1-4_Tensorflow2.0架构.mp4 10MB
│├─1-5_Tensorflow&pytorch比较.mp4 23.5MB
│├─1-6_Tensorflow环境配置(新补).mp4 4.9MB
│├─1-6_Tensorflow环境配置.mp4 4.9MB
│├─1-7_Google_cloud无GPU环境搭建.mp4 32.4MB
│├─1-8_Google_cloud_远程jupyter_notebook配置.mp4 41.5MB
│├─1-9_Google_cloud_gpu_tensorflow配置.mp4 51.2MB
第2章 Tensorflow keras实战/
│├─2-10_实战批归一化、激活函数、dropout.mp4 29.9MB
│├─2-11_wide_deep模型.mp4 15.3MB
│├─2-12_函数API实现wide&deep模型.mp4 14.7MB
│├─2-13_子类API实现wide&deep模型.mp4 13.8MB
│├─2-14_wide&deep模型的多输入与多输出实战.mp4 28.4MB
│├─2-15_超参数搜索.mp4 12.8MB
│├─2-16_手动实现超参数搜索实战.mp4 16.8MB
│├─2-17_实战sklearn封装keras模型.mp4 17.9MB
│├─2-18_实战sklearn超参数搜索.mp4 16.2MB
│├─2-1_tfkeras简介__(.mp4 10.5MB
│├─2-2_分类回归与目标函数.mp4 9.2MB
│├─2-3_实战分类模型之数据读取与展示.mp4 16MB
│├─2-4_实战分类模型之模型构建.mp4 34.1MB
│├─2-5_实战分类模型之数据归一化.mp4 20.2MB
│├─2-6_实战回调函数.mp4 93.4MB
│├─2-8_神经网络讲解.mp4 13.2MB
│├─2-9_实战深度神经网络.mp4 17.6MB
第3章 Tensorflow基础API使用/
│├─3-10_近似求导.mp4 11.2MB
│├─3-11_tf.GradientTape基本使用方法.mp4 21.2MB
│├─3-12_tf.GradientTape与tf.keras结合使用.mp4 30.8MB
│├─3-13_章节总结.mp4 1.8MB
│├─3-1_tf基础API引入.mp4 5.6MB
│├─3-2_实战tf.constant.mp4 9.6MB
│├─3-3_实战tf.strings与ragged_tensor.mp4 11.1MB
│├─3-4_实战sparse_tensor与tf.Variable.mp4 17.1MB
│├─3-5_实战自定义损失函数与DenseLayer回顾.mp4 22.4MB
│├─3-6_使子类与lambda分别实战自定义层次.mp4 27.6MB
│├─3-7_tf.function函数转换.mp4 12MB
│├─3-8_@tf.function函数转换.mp4 19.9MB
│├─3-9_函数签名与图结构.mp4 19.9MB
第4章 Tensorflow dataset使用/
│├─4-1_data_API引入.mp4 4MB
│├─4-2_tf_data基础API使用.mp4 23.3MB
│├─4-3_生成csv文件.mp4 27.3MB
│├─4-4_tf.io.decode_csv使用.mp4 29.2MB
│├─4-5_tf.data读取csv文件并与tf.keras结合使用.mp4 33MB
│├─4-6_tfrecord基础API使用.mp4 34.9MB
│├─4-7_生成tfrecords文件.mp4 43.6MB
│├─4-8_tf.data读取tfrecord文件并与tf.keras结合使用.mp4 20.7MB
│├─4-9_章节总结.mp4 1MB
第5章 Tensorflow Estimator使用与tf1.0/
│├─5-10_TF1_dataset使用.mp4 34.9MB
│├─5-11_TF1_自定义estimator.mp4 35MB
│├─5-12_API改动升级与课程总结.mp4 18.4MB
│├─5-1_课程引入.mp4 3MB
│├─5-2_泰坦尼克问题引入分析.mp4 19.1MB
│├─5-3_feature_column使用.mp4 19.4MB
│├─5-4_keras_to_estimator.mp4 18.8MB
│├─5-5_预定义estimator使用.mp4 26.3MB
│├─5-6_交叉特征实战.mp4 22.5MB
│├─5-7_TF1.0引入.mp4 3.7MB
│├─5-8_TF1.0计算图构建.mp4 18.8MB
│├─5-9_TF1.0模型训练.mp4 21.7MB
第6章 卷积神经网络/
│├─6-10_10monkeys基础模型搭建与训练.mp4 36.2MB
│├─6-11_10monkeys模型微调.mp4 29.5MB
│├─6-12_keras_generator读取cifar10数据集.mp4 32.1MB
│├─6-13_模型训练与预测.mp4 22.8MB
│├─6-1_卷积神经网络引入与总体结构.mp4 8MB
│├─6-2_卷积解决的问题.mp4 10MB
│├─6-3_卷积的计算.mp4 9.7MB
│├─6-4_池化操作.mp4 3.8MB
│├─6-5_卷积神经网络实战.mp4 26.7MB
│├─6-6_深度可分离卷积网络.mp4 11.8MB
│├─6-7_深度可分离卷积网络实战.mp4 17MB
│├─6-8_Kaggle平台与10monkeys数据集介绍.mp4 12.6MB
│├─6-9_Keras_generator读取数据.mp4 24.8MB
第7章 循环神经网络/
│├─7-10_LSTM文本分类与文本生成实战.mp4 29.1MB
│├─7-1_循环神经网络引入与embedding.mp4 8.5MB
│├─7-2_数据集载入与构建词表索引.mp4 19.3MB
│├─7-3_数据padding、模型构建与训练.mp4 23.6MB
│├─7-4_序列式问题与循环神经网络.mp4 13.3MB
│├─7-5_循环神经网络实战文本分类.mp4 35.2MB
│├─7-6_文本生成之数据处理.mp4 24.1MB
│├─7-7_文本生成实战之构建模型.mp4 28.7MB
│├─7-8_文本生成实战之采样生成文本.mp4 28MB
│├─7-9_LSTM长短期记忆网络.mp4 8.8MB
第8章 Tensorflow分布式/
│├─8-1_课程引入与GPU设置.mp4 6.3MB
│├─8-2_GPU默认设置.mp4 16.9MB
│├─8-3_内存增长和虚拟设备实战.mp4 26MB
│├─8-4_GPU手动设置实战.mp4 20.3MB
│├─8-5_分布式策略.mp4 13.3MB
│├─8-6_keras分布式实战.mp4 27.1MB
│├─8-7_estimator分布式实战.mp4 24.6MB
│├─8-8_自定义流程实战.mp4 34.7MB
│├─8-9_分布式自定义流程实战.mp4 35MB
第9章 Tensorflow模型保存与部署/
│├─9-1_课程引入与TFLite.mp4 12.2MB
│├─9-2_保存模型结构加参数与保存参数实战.mp4 20.6MB
│├─9-3_Keras模型转化为SavedModel.mp4 23.8MB
│├─9-4_签名函数转化为SavedModel.mp4 12.8MB
│├─9-5_签名函数，SavedModel和Keras模型到具体函数转换.mp4 11.2MB
第10章 机器翻译/
│├─10-1 课程引入与seq2seq+attention模型讲解.ts 62.5MB
│├─10-10 样例例分析与总结.ts 50MB
│├─10-11 Transformer模型总体架构.ts 70.7MB
│├─10-12 Encoder-Decoder架构与缩放点击注意力.ts 52.9MB
│├─10-13 多头注意力与位置编码.ts 50.9MB
│├─10-14 Add、Normalize、Decoding过程与总结.ts 44.9MB
│├─10-15 数据预处理与dataset生成.ts 111.6MB
│├─10-16 位置编码.ts 59.6MB
│├─10-17 mask构建.ts 44.2MB
│├─10-18 缩放点积注意力机制实现(1).ts 58.7MB
│├─10-19 缩放点积注意力机制实现(2).ts 45.7MB
│├─10-2 数据预处理理与读取.ts 91MB
│├─10-20 多头注意力机制实现.ts 89.7MB
│├─10-21 feedforward层次实现.ts 13.3MB
│├─10-22 EncoderLayer实现.ts 64.3MB
│├─10-23 DecoderLayer实现.ts 74.9MB
│├─10-24 EncoderModel实现.ts 62.7MB
│├─10-25 DecoderModel实现.ts 66.2MB
│├─10-26 Transformer实现.ts 74.8MB
│├─10-27 自定义学习率.ts 61.3MB
│├─10-28 Mask创建与使用.ts 102.4MB
│├─10-29 模型训练.ts 85.2MB
│├─10-3 数据id化与dataset生成.ts 73.6MB
│├─10-30 模型预测实现.ts 84.4MB
│├─10-31 attention可视化.ts 69.8MB
│├─10-32 示例展示与实战总结 (1135) 正在学习.mp4 168.9MB
│├─10-33 GPT与Bert与课程总结 (0813).mp4 45.9MB
│├─10-4 Encoder构建.ts 47.7MB
│├─10-5 attention构建.ts 46.3MB
│├─10-6 Decoder构建.ts 59.4MB
│├─10-7 损失函数与单步训练函数.ts 57.3MB
│├─10-8 模型训练.ts 38.5MB
│├─10-9 模型预测实现.ts 89.9MB
资料/
│├─tensorflow2.0_course-master.tar.gz 467.3KB
│├─tensorflow2.0_course-master.zip 482.9KB