夸克网盘
10积分
本课程是一套系统完整的深度学习实战教程，专为希望掌握TensorFlow 2.0的初学者和进阶者打造。课程从深度学习框架的基础概念讲起，逐步深入到复杂的模型构建与优化，内容覆盖了从开发环境搭建、回归问题、TensorFlow 2基础与高阶操作，到神经网络、全连接层、随机梯度下降、Keras高层接口、过拟合处理、卷积神经网络、循环神经网络、自编码器以及对抗生成网络等核心主题。
课程结构清晰，循序渐进。前半部分重点夯实基础，包括TensorFlow数据类型、张量操作、索引切片、维度变换等底层操作，以及前向传播实战；中段深入讲解神经网络核心机制，如全连接层、误差计算、梯度下降与反向传播算法，并通过手写数字识别等经典案例进行实战演练；后半部分则聚焦于高级应用，涵盖Keras高层API的使用、模型保存与加载、过拟合与欠拟合的应对策略，以及卷积神经网络（VGG、ResNet、Inception等）、循环神经网络（RNN、LSTM、GRU）的详细原理与实战。
课程还特别设置了自编码器与对抗生成网络（GAN）专题，从无监督学习原理到VAE、WGAN-GP等变种，均有完整的代码实现与训练测试流程。此外，附赠的人工智能发展简史与Numpy实战BP神经网络章节，帮助学员从历史脉络和底层实现两个维度加深理解。随课还提供了经典深度学习教材《花书》的中英文电子版，方便查阅理论细节。
通过大量实战案例和源码分析，学员将真正学会如何在实际项目中应用TensorFlow 2.0进行模型构建、训练与优化，是一份不可多得的深度学习入门与进阶资料。
课时1 深度学习框架介绍-1.mp414.31MB课时2 深度学习框架介绍-2.mp414.43MB课时3 开发环境安装-1.mp414.07MB课时4 开发环境安装-2.mp416.9MB课时5 win10平台实录-1.mp452.14MB课时6 win10平台实录-2.mp438.73MB课时7 Ubuntu平台实录-cuda安装.mp422.28MB课时8 Ubuntu平台实录-anaconda安装.mp415.05MB课时9 Ubuntu平台实录-tensorlow、pytorch安装.mp428.58MB课时10 Ubuntu平台实录-pycharm安装.mp49.96MB课时11 线性回归-1.mp410.35MB课时12 线性回归-2.mp415.23MB课时13 回归问题实战-1.mp416.98MB课时14 回归问题实战-2.mp415.95MB课时15 手写数字问题-1.mp421.65MB课时16 手写数字问题-2.mp411.87MB课时17 手写数字问题-3.mp414.2MB课时18 手写数字问题初体验-1.mp414.49MB课时19 手写数字问题初体验-2.mp428.96MB课时20 tensorflow数据类型-1.mp416.91MB课时21 tensorflow数据类型-2.mp416.23MB课时22 创建Tensor-1.mp414.9MB课时23 创建Tensor-2.mp414.48MB课时24 创建Tensor-3.mp49.68MB课时25 索引与切片-1.mp426.95MB课时26 索引与切片-2.mp429.09MB课时27 索引与切片-3.mp49.09MB课时28 索引与切片-4.mp435.02MB课时29 索引与切片-5.mp416.63MB课时30 维度变换-1.mp427.75MB课时31 维度变换-2.mp416.88MB课时32 维度变换-3.mp411.29MB课时33 Broadcasting-1.mp428.17MB课时34 Broadcasting-2.mp428.76MB课时35 数学运算.mp418.88MB课时36 前向传播（张量）-实战-1.mp413.41MB课时37 前向传播（张量）-实战-2.mp413.81MB课时38 前向传播（张量）-实战-3.mp413.98MB课时39 前向传播（张量）-实战-4.mp415.84MB课时40 合并与分割.mp418.4MB课时41 数据统计.mp420.28MB课时42 张量排序-1.mp411.67MB课时43 张量排序-2.mp418.66MB课时44 填充与复制.mp414.15MB课时45 张量限幅-1.mp411.1MB课时46 张量限幅-2.mp417.45MB课时47 高阶操作-1.mp413.18MB课时48 高阶操作-2.mp413.57MB课时49 数据加载-1.mp413.85MB课时50 数据加载-2.mp410.57MB课时51 数据加载-3.mp412.02MB课时52 测试（张量）实战.mp425.67MB课时53 全连接层-1.mp414.18MB课时54 全连接层-2.mp416.54MB课时55 输出方式.mp416.52MB课时56 误差计算-1.mp413.53MB课时57 误差计算-2.mp413MB课时58 误差计算-3.mp440.68MB课时59 梯度下降-简介-1.mp425.37MB课时60 梯度下降-简介-2.mp414.45MB课时61 常见函数的梯度.mp497.66KB课时62 激活函数及其梯度.mp421.41MB课时63 损失函数及其梯度-1.mp410.79MB课时64 损失函数及其梯度-2.mp463.5MB课时65 单输出感知机梯度.mp451.9MB课时66 多输出感知机梯度.mp417.72MB课时67 链式法则.mp418.26MB课时68 反向传播算法-1.mp414.1MB课时69 反向传播算法-2.mp414.14MB课时70 函数优化实战.mp438.96MB课时71 手写数字问题实战（层）-1.mp432.4MB课时72 手写数字问题实战（层）-2.mp413.92MB课时73 手写数字问题实战（层）-3.mp426.51MB课时74 TensorBoard可视化-1.mp415.55MB课时75 TensorBoard可视化-2.mp460.21MB课时76 Keras高层API-1.mp412.76MB课时77 Keras高层API-2.mp429.83MB课时78 Keras高层API-3.mp428.33MB课时79 自定义层或网络-1.mp411.9MB课时80 自定义层或网络-2.mp415.11MB课时81 模型保存与加载.mp417.07MB课时82 CIFAR10自定义网络实战-1.mp413.63MB课时83 CIFAR10自定义网络实战-2.mp436.15MB课时84 CIFAR10自定义网络实战-3.mp422.94MB课时 89 动量与学习率.mp448.27MB课时85 过拟合与欠拟合.mp424.3MB课时86 交叉验证-1.mp413.79MB课时87 交叉验证-2.mp419.18MB课时88 Regularization.mp441.13MB课时90 Early stopping，Dropout.mp457.83MBbatchnorm.mp446.34MBbatchnorm2 .mp447.43MB课时86 什么是卷积-1.mp420.4MB课时87 什么是卷积-2.mp415MB课时88 什么是卷积-3.mp441.25MB课时89 什么是卷积-4.mp412.93MB课时90 卷积神经网络-1.mp417MB课时91 卷积神经网络-2.mp416.02MB课时92 卷积神经网络-3.mp415.35MB课时93 卷积神经网络-4.mp415.32MB课时94 池化与采样.mp410.78MB课时95 CIFAR100与VGG13实战-1.mp413.45MB课时96 CIFAR100与VGG13实战-2.mp413.88MB课时97 CIFAR100与VGG13实战-3.mp414.24MB课时98 CIFAR100与VGG13实战-4.mp410.6MB课时99 经典卷积网络VGG, GoogLeNet, Inception-1.mp420.02MB课时100 经典卷积网络VGG, GoogLeNet, Inception-2.mp445.25MB课时102 ResNet, DenseNet - 1.mp417.41MB课时103 ResNet, DenseNet - 2.mp418.37MB课时104 ResNet实战-1.mp413.49MB课时105 ResNet实战-2.mp414.32MB课时106 ResNet实战-3.mp433.47MB课时107 ResNet实战-4.mp462.48MBGRU原理与实战.mp444.5MB课时108 序列表示方法-1.mp415.59MB课时109 序列表示方法-2.mp417.24MB课时110 循环神经网络层-1.mp413.93MB课时111 循环神经网络层-2.mp432.44MB课时112 RNNCell使用-1.mp414.8MB课时113 RNNCell使用-2.mp411.67MB课时114 RNN与情感分类问题实战-加载IMDB数据集.mp413.65MB课时115 RNN与情感分类问题实战-单层RNN Cell.mp414.01MB课时116 RNN与情感分类问题实战-网络训练.mp413MB课时117 RNN与情感分类问题实战-多层RNN Cel.mp414.12MBlstm-1.mp433.95MBlstm-2.mp428.79MBLSTM实战.mp449.56MB梯度弥散与梯度爆炸.mp464.72MB课时119 无监督学习.mp414.07MB课时120 Auto-Encoders原理.mp445.04MB课时121 Auto-Encoders变种.mp413.86MB课时122 Adversarial Auto-Encoders.mp412.63MB课时123 Variational Auto-Encoders引入.mp414.2MB课时124 Reparameterization Trick.mp413.78MB课时125 Variational Auto-Encoders原理.mp419.16MB课时126 Auto-Encoders实战-创建编解码器.mp412.65MB课时127 Auto-Encoders实战-训练.mp412.47MB课时128 Auto-Encoders实战-测试.mp414.16MB课时129 VAE实战-创建网络.mp414.21MB课时130 VAE实战-KL Divergence计算.mp447.81MB课时131 VAE实战-训练与测试.mp420.54MB课时132 数据的分布.mp412.37MB课时133 画家的成长历程.mp485.54MB课时134 GAN原理.mp418.1MB课时135 纳什均衡-D.mp468.56MB课时136 纳什均衡-G.mp434.58MB课时137 JS散度的缺陷.mp434.46MB课时138 EM距离.mp447.5MB课时139 WGAN-GP原理.mp4124.69MB课时140 GAN实战-.mp417.3MB课时141 GAN实战-2.mp427.19MB课时142 GAN实战-3.mp415.12MB课时143 GAN实战-4.mp416.09MB课时144 GAN实战-5.mp412.93MB课时145 GAN实战-6.mp414.34MB课时146 WGAN实战-1.mp416.97MB课时147 WGAN实战-2.mp420.75MB课时148 生物神经元结构.mp45.88MB课时149 感知机的提出.mp413.56MB课时150 BP神经网络.mp468.15MB课时151 CNN和LSTM的发明.mp465.63MB课时152 人工智能低谷.mp459.45MB课时153 深度学习的诞生.mp414.61MB课时154 深度学习的爆发.mp494.12MB课时155 权值的表示.mp436MB课时156 多层感知机的实现.mp414.04MB课时157 BP神经网络前向传播.mp414.58MB课时158 BP神经网络反向传播-1.mp414.51MB课时159 BP神经网络反向传播-.mp413.81MB课时160 BP神经网络反向传播-3.mp413.83MB课时161 多层感知机的训练.mp415.98MB课时162 多层感知机的测试.mp419.16MB课时163 实战小结.mp412.16MB
花书-深度学习-Eng.pdf15.91MB花书-中文版.pdf30.77MB
