第1節: 機器學習框架介紹.mp4
第2節: Tensorflow介紹.mp4
第3節: Tensorflow2新版特性.mp4
第4節: Tensorflow2架構方式.mp4
第5節: Tensorflow與其他框架對比.mp4
第6節: Tensorflow環境配置.mp4
第7節: 基於谷歌雲平臺搭建無GPU環境.mp4
第8節: 基於谷歌雲平臺配置遠程筆記工具.mp4
第9節: 基於谷歌雲平臺搭建GPU版環境.mp4
第10節: 基於谷歌雲平臺鏡像搭建環境.mp4
第11節: AWS雲平臺環境配置.mp4
第12節: tfkeras介紹.mp4
第13節: 分類迴歸與目標函數.mp4
第14節: 分類模型數據讀取與展示.mp4
第15節: 分類模型模型構建.mp4
第16節: 分類模型數據歸一化.mp4
第17節: 回調函數.mp4
第18節: 神經網絡講解.mp4
第19節: 深度神經網絡案例.mp4
第20節: 批歸一化、激活函數、dropout案例.mp4
第21節: wide_deep模型.mp4
第22節: 函數API實現wide&deep模型.mp4
第23節: 子類API實現wide&deep模型.mp4
第24節: wide&deep模型的多輸入與多輸出案例.mp4
第25節: 超參數搜索.mp4
第26節: 手動實現超參數搜索案例.mp4
第27節: 用sklearn封裝keras模型.mp4
第28節: 用sklearn超參數搜索.mp4
第29節: 基礎API介紹.mp4
第30節: tf.constant.mp4
第31節: tf.strings與ragged_tensor.mp4
第32節: sparse_tensor與tf.Variable.mp4
第33節: 自定義損失函數與DenseLayer回顧.mp4
第34節: 使子類與lambda分別自定義層次.mp4
第35節: tf.function函數轉換.mp4
第36節: @tf.function函數轉換.mp4
第37節: 函數簽名與圖結構.mp4
第38節: 近似求導.mp4
第39節: tf.GradientTape基本使用方法.mp4
第40節: tf.GradientTape與tf.keras結合使用.mp4
第41節: 其它常用API介紹.mp4
第42節: 調用data_API.mp4
第43節: 調用tf_data.mp4
第44節: 生成csv文件.mp4
第45節: 調用tf.io.decode_csv工具.mp4
第46節: tf.data與tf.keras讀取csv文件.mp4
第47節: tfrecord API導入.mp4
第48節: 生成tfrecords文件.mp4
第49節: tf.data+tf.keras讀取文件.mp4
第50節: datasetAPI注意事項.mp4
第51節: Estimator介紹.mp4
第52節: 泰坦尼克問題分析.mp4
第53節: feature_column使用.mp4
第54節: keras_to_estimator.mp4
第55節: 預定義estimator使用.mp4
第56節: 交叉特徵.mp4
第57節: TF1.0引入.mp4
第58節: TF1.0計算圖構建.mp4
第59節: TF1.0模型訓練.mp4
第60節: TF1_dataset使用.mp4
第61節: TF1_自定義estimator.mp4
第62節: API改動升級與課程總結.mp4
第63節: 卷積神經網絡引入與總體結構.mp4
第64節: 卷積解決的問題.mp4
第65節: 卷積的計算.mp4
第66節: 池化操作.mp4
第67節: 卷積神經網絡.mp4
第68節: 深度可分離卷積網絡.mp4
第69節: 深度可分離卷積網絡.mp4
第70節: Kaggle平臺與10monkeys數據集介紹.mp4
第71節: Keras_generator讀取數據.mp4
第72節: 10monkeys基礎模型搭建與訓練.mp4
第73節: 10monkeys模型微調.mp4
第74節: keras_generator讀取cifar10數據集.mp4
第75節: 模型訓練與預測.mp4
第76節: 章節總結.mp4
第77節: 循環神經網絡引入與embedding.mp4
第78節: 數據集載入與構建詞表索引.mp4
第79節: 數據padding、模型構建與訓練.mp4
第80節: 序列式問題與循環神經網絡.mp4
第81節: 循環神經網絡文本分類.mp4
第82節: 文本生成之數據處理.mp4
第83節: 文本生成之構建模型.mp4
第84節: 文本生成之採樣生成文本.mp4
第85節: LSTM長短期記憶網絡.mp4
第86節: LSTM文本分類與文本生成.mp4
第87節: subword文本分類之數據集載入與tokenizer.ts
第88節: subword文本分類之dataset變換與模型訓練.ts
第89節: 章節總結.ts
第90節: 課程引入與GPU設置.mp4
第91節: GPU默認設置.mp4
第92節: 內存增長和虛擬設備.mp4
第93節: GPU手動設置.mp4
第94節: 分佈式策略.mp4
第95節: keras分佈式.mp4
第96節: estimator分佈式.mp4
第97節: 自定義流程.mp4
第98節: 分佈式自定義流程.mp4
第99節: 課程引入與TFLite_x264.ts
第100節: 保存模型結構加參數與保存參數.ts
第101節: Keras模型轉化爲SavedModel.ts
第102節: 簽名函數轉化爲SavedModel.ts
第103節: 簽名函數，SavedModel和Keras模型到具體函數轉換.ts
第104節: tflite保存與解釋與量化.ts
第105節: 本章總結.mp4
第106節: tensorflowjs搭建服務?載入模型.mp4
第107節: Android部署模型與總結.mp4
第108節: 課程引入與seq2seq+attention模型講解.ts
第109節: 數據預處理理與讀取.ts
第110節: 數據id化與dataset生成.ts
第111節: Encoder構建.ts
第112節: attention構建.ts
第113節: Decoder構建.ts
第114節: 損失函數與單步訓練函數.ts
第115節: 模型訓練.ts
第116節: 模型預測實現.ts
第117節: 樣例例分析與總結.ts
第118節: Transformer模型總體架構.ts
第119節: Encoder-Decoder架構與縮放點擊注意力.ts
第120節: 多頭注意力與位置編碼.ts
第121節: Add、Normalize、Decoding過程與總結.ts
第122節: 數據預處理與dataset生成.ts
第123節: 位置編碼.ts
第124節: mask構建.ts
第125節: 縮放點積注意力機制實現(1).ts
第126節: 縮放點積注意力機制實現(2).ts
第127節: 多頭注意力機制實現.ts
第128節: feedforward層次實現.ts
第129節: EncoderLayer.ts
第130節: DecoderLayer.ts
第131節: EncoderModel.ts
第132節: DecoderModel.ts
第133節: Transformer.ts
第134節: 自定義學習率.ts
第135節: Mask創建與使用.ts
第136節: 模型訓練.ts
第137節: 模型預測實現.ts
第138節: attention可視化.ts
第139節: 案例展示.mp4
第140節: 如何學習更多模型[完].mp4
資料包.rar