TensorFlow從入門到精通
-
課程目標
本課程上半部分會從Tensorflow的安裝開始，講解Tensorflow中的各種技術細節。讓大家快速上手編寫神經網絡。也會補充一些深度學習相關的理論知識，如交叉熵，Softmax函數，各種優化器的算法和應用等內容。 下半部分會講解幾個深度學習的項目，如圖像識別，驗證碼識別，word2vec，語音分類等。
-
師資團隊
-
華清創客企業內訓講師，均是來自各個領域的資深專家，均擁有6年以上大型項目經驗。
-
培養對象
1、對深度學習感興趣的學員
2、想從事深度學習相關工作的學員
3、想儲備深度學習技能的學員 -
培訓方式
第一種：華清創客講師面授
課時：共4天，每天6學時，總計24學時
◆費用：3200元
◆外地學員：代理安排食宿（需提前預定）
第二種：線上直播授課
直播課時：共8天，每天3學時，總計24學時；
輔導：授課期間，輔導老師每天有1小時的輔導直播
◆費用：3200元
第三種：企業訂制培訓
課時：根據定制的大綱確定課時
費用：根據課程難度，每課時2000~3500元
-
-
質量保證
1、培訓過程中，如有部分內容理解不透或消化不好，可免費在下期培訓班中重聽；
2、培訓結束后免費提供一個月的技術支持，充分保證培訓后出效果；
3、培訓合格學員可享受免費推薦就業機會。
-
課程大綱
第一章：Tensorflow概述
1.1 tensorflow簡介
1.2 Anaconda的安裝
1.3 Tensorflow的安裝
第二章：Tensorflow簡單案例
2.1 創建圖-啟動圖
2.2 變量
2.3 fetch and feed
2.4 Tensorflow簡單案例
第三章：MNIST講解
3.1 非線性回歸
3.2 MNIST數據集和Softmax講解
3.3 MNIST數據集分類簡單版本
第四章：優化器介紹及使用
4.1 交叉熵(cross-entropy)
4.2 過擬合以及Dropout介紹
4.3 優化器Optimizer
4.4 優化器的使用
4.5 實操：網絡優化
第五章：Tensorboard介紹及使用
5.1 Tensorboard網絡結構
5.2 Tensorboard網絡運行
5.3 Tensorboard可視化
第六章：CNN介紹和應用
6.1 卷積神經網絡CNN介紹
6.2 CNN應用于MNIST數據集分類
6.3 實操：調試CNN結構和運行結果
第七章：LSTM介紹和使用
7.1 遞歸神經網絡RNN
7.2 長短時記憶網絡LSTM
7.3 LSTM網絡程序
7.4 outputs和final state詳解
第八章：圖像識別
8.1 參數保存
8.2 模型保存
8.3 下載Google圖像識別網絡inception-v3并查看結構
8.4 實操：使用inception-v3做各種圖像的識別
第九章：模型識別
9.1 GPU版本的Tensorflow安裝
9.2 Retrain圖像識別模型
9.3 實操：使用TFRecord訓練圖像識別模型
第十章：驗證碼處理
10.1 生成驗證碼
10.2 多任務學習
10.3 使用多任務學習完成驗證碼識別
10.4 檢驗驗證碼識別效果
10.5 實操：動手實現驗證碼識別
第十一章：word2vec介紹和實現
11.1 word2vec介紹和實現
11.2 實操：使用CNN完成文本分類
第十二章：語音信號處理以及完成分類
12.1 語音信號處理
12.2 實操：使用LSTM完成語音分類
- 已贊
