您当前的位置:首页>课程>基于TensorFlow的深度学习实践

基于TensorFlow的深度学习实践

浏览:2854
分享

Jimmy Zheng Read more

百林哲咨询(北京)有限公司专家团队成员

知衣科技联合创始人兼CEO ,曾任才云科技并担任首席大数据科学家、美国谷歌高级工程师。负责人工智能平台和算法的开发,撰写了国内第一本《TensorFlow:实战Google深度学习框架》,销量稳居京东人工智能榜前三。

简介

众所周知,人工智能是高级计算智能最宽泛的概念,机器学习是研究人工智能的一个工具,深度学习是机器学习的一个子集,是目前研究领域卓有成效的学习方法。深度学习的框架有很多,而TenforFlow将神经网络、算法这些平时停留在理论层面的知识,组织成一个平台框架,集合了神经网络的各个算法函数组成一个工具箱,让广大工程师可以专心建造自己的目标领域的“轮子”,而且TenforFlow是基于Python语言的,极易上手,这些优势迅速吸引了全世界的工程师。

本课程是关于Tensorflow与深度学习实践的一门课程。本课程讲解Tensorflow中各种概念、操作和使用方法,针对Tensorflow的基础知识,在传统数据分析中应用、CNN和RNN都进行详细讲解,并且给出了丰富的深度学习模型实战。

目标

1、了解机器学习、深度学习与人工智能之间的关系以及机器学习解决的问题

2、掌握如何使用TensorFlow实现深层网络、卷积神经网络

3、了解深度学习分布式训练框架

受众人群

大数据架构师、大数据工程师、开发工程师等对人工智能相应技术有兴趣的人群

课程时长

2天(12H)

分享提纲

1. 深度学习与TensorFlow简介(2h)

1.1.机器学习、深度学习与人工智能之间的关系以及机器学习解决的问题

1.2.机器学习原理简介

1.3.深度学习的简单历史

1.4.目前深度学习的应用情况

1.5.深度学习工具对比

2. 深层神经网络解决MNIST问题

2.1.介绍MNIST问题

2.2.介绍MNIST数据

2.3.TensorFlow的安装、Jupyter工具简介

2.4.TensorFlow Hello World程序介绍

2.5.神经网络介绍。

2.6.深度学习与深层神经网络(去线性化、激活函数)

2.7.损失函数的定义

2.8.给出TensorFlow程序并讲解

3. 神经网络优化方法

3.1.梯度下降和反向传播

3.2.学习率的设置

3.3.正则化

3.4.滑动平均模型

3.5.TensorFlow实现深层网络最佳实践

3.6.不同算法实验

4.卷积神经网络

4.1.卷积神经网络简介

4.2.使用TensorFlow实现卷积神经网络

4.3.使用LeNet-5实现MNIST

4.4.其他经典卷积神经网络结构

4.5.卷积神经网络设计的pattern

5. 循环神经网络

5.1.循环神经网络原理简介

5.2.LSTM简介

5.3.使用卷积神经网络实现语言模型

  5.3.1 语言模型问题介绍

  5.3.2 Penn TreeBank数据介绍

  5.3.3 给出代码,解读代码

6. TensorFlow加速

6.1.TensorFlow使用GPU方法和样例程序

6.2.深度学习分布式训练框架简介

6.3.TensorFlow使用多GPU原理及样例代码

6.4.分布式TensorFlow简介

6.5.Caicloud TensorFlow as a Service系统介绍


我要参加

可同时提交您的需求,我们会及时与您联系

预约内训

将课程带入到您的团队,为您的团队进行一对一辅导。

相关课程