TensorFlow从入门到精通 | 预告篇

导言

[TensorFlow从入门到精通]系列课程既包含TensorFlow的基础知识点(如Graph),还有卷积神经网络、模型的保存和恢复、迁移学习、Fine-Tuning、超参数优化和自然语言处理等实战内容。

作者: Magnus Erik Hvass Pedersen

编辑: Amusi

校稿: Amusi

前言

前些天,Amusi整理了一份重磅 | TensorFlow学习资料最全集锦,里面包含TensorFlow相关的书籍、视频和在线学习网站等资料。

其中,Amusi很喜欢 Magnus Erik Hvass Pedersen大佬制作的TensorFlow Tutorials 课程。该课程提供视频教程(在YouTube上,需要翻墙观看),并在github上发布了源码。

Amusi 曾经也学过一点 TensorFlow的知识,但觉得不够系统,所以觉得按部就班的将TensorFlow Tutorials学习一遍。日常整理的翻译和笔记都会同步发布到 TensorFlow-From-Zero-to-One 上。TensorFlow-From-Zero-to-One 包含了网上教程、视频教程、书籍资源和实战项目等资料。如下图所示:

直接点击 “阅读全文” 即可访问 TensorFlow-From-Zero-to-One

link: https://github.com/amusi/TensorFlow-From-Zero-To-One

喜欢的童鞋,欢迎star、fork和pull。

TensorFlow从入门到精通

Amusi 对Magnus Erik Hvass Pedersen大佬制作的TensorFlow Tutorials 课程进行翻译,并记录成笔记。这个系列笔记暂定称为 TensorFlow从入门到精通

虽然 “xxx从入门到精通” 这个梗大家都知道,而且对此印象并不友好。但 Amusi觉得与网上千篇一律的“xxx入门教程”、"xxx入门实战"相比,还是 TensorFlow从入门到精通 好一点,因为课程内容并不只是入门,还有很多深入的知识点。

如果你有很好的命名提议,欢迎后台回复~么么哒

TensorFlow Tutorials课程如下,而后来推出的TensorFlow从入门到精通 如不出意外,也会按此顺序来介绍。

  • 01 简单线性模型(Simple Linear Model)
  • 02 卷积神经网络(Convolutional Neural Network)
  • 03 张量(Pretty Tensor)
  • 03-B 层(Layers) API
  • 03-C Keras API
  • 04 保存和恢复(Save & Restore)
  • 05 Ensemble Learning
  • 06 CIFAR-10
  • 07 Inception Model
  • 07 Inception Model(Extra)
  • 08 迁移学习(Transfer Learning)
  • 09 视频数据(Video Data)
  • 10 Fine-Tuning
  • 11 对抗示例(Adversarial Examples)
  • 12 MNIST的对抗噪声(Adversarial Noise for MNIST)
  • 13 视觉分析(Visual Analysis)
  • 13-B MNIST的视觉分析(Visual Analysis for MNIST)
  • 14 DeepDream
  • 15 风格迁移(Style Transfer)
  • 16 增强学习(Reinforcement Learning)
  • 17 估计器API(Estimator API)
  • 18 TFRecords & Dataset API
  • 19 超参数优化(Hyper-Parameter Optimization)
  • 20 自然语言处理(Neural Language Processing)
  • 21 机器翻译(Machine Translation)
  • 22 图像字幕(Image Captioning)
  • 23 时间序列预测(Time-Series Prediction)

注:国内挺多在线教育平台推出了 TensorFlow 相关教程,个人觉得课程质量参差不齐。为了避免大家花冤枉钱,Amusi 还是选择“无广告费”的优质课程分享给大家。因为课程是英文的,所以并不够太太太完美,等到以后Amusi遇到比较不错的中文课程,到时再分享给大家。

原文发布于微信公众号 - CVer(CVerNews)

原文发表时间:2018-07-01

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏专知

机器翻译新时代:Facebook 开源无监督机器翻译模型和大规模训练语料

【导读】基于深度学习的机器翻译往往需要数量非常庞大的平行语料,这一前提使得当前最先进的技术无法被有效地用于那些平行语料比较匮乏的语言之间。为了解决这一问题,Fa...

52111
来自专栏CreateAMind

Keras和DDPG玩赛车游戏(自动驾驶)

这里,s是状态,a是行为/动作,θ是策略网络的模型参数,π是常见的表示策略的符号。我们可以设想策略是我们行为的代理人,即一个从状态到动作的映射函数。

3512
来自专栏深度学习自然语言处理

调参的一些个人拙见

最近的事。。浓缩成下面的一张图。 ? 调参有哪些方法呢? 语料处理。这个是之后一切操作的基础。有人或许认为算法是最重要的,其实不然,语料处理真的真的是最重要的。...

2865
来自专栏深度学习之tensorflow实战篇

SPSS Modeler 介绍决策树

本文将通过 SPSS Modeler 介绍决策树 (Decision tree) 演算法于银行行销领域的应用实例。通过使用网路公开电销资料建立不同决策树模型,分...

3588
来自专栏机器之心

学界 | 斯坦福提出神经任务编程NTP:让机器人从层级任务中学习

选自arXiv 机器之心编译 参与:朱乾树、蒋思源 斯坦福视觉与学习实验室与加州大学提出神经任务编程(NTP),它可以将指定任务作为输入,并递归地将该任务分解成...

3609
来自专栏量子位

手把手教你用Python实现自动特征工程

任何参与过机器学习比赛的人,都能深深体会特征工程在构建机器学习模型中的重要性,它决定了你在比赛排行榜中的位置。

2555
来自专栏人工智能头条

递归神经网络不可思议的有效性(下)

1663
来自专栏深度学习

机器学习在web攻击检测中的应用实践

一、背景 通俗地讲,任何一个的机器学习问题都可以等价于一个寻找合适变换函数的问题。例如语音识别,就是在求取合适的变换函数,将输入的一维时序语音信号变换到语义空间...

3755
来自专栏Tencentcloud

交互式数字作品教程——专为艺术家的你!

这篇文章不是对循环神经网络的综合概述。它适用于没有任何机器学习背景的读者。其目的是向艺术家和设计师展示如何使用预先训练的神经网络——使用简单的Javascrip...

2436
来自专栏媒矿工厂

FVC/H.266参考软件JEM的性能评价

JEM简介 ? FVC/H.266编解码器采用的参考软件为JEM(Joint Exploration Model),JEM是在HEVC参考软件HM...

7427

扫码关注云+社区