第26節: 手動實現超參數搜索案例.mp40 }0 _/ z$ y2 Z+ `+ r/ G
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.mp48 V9 w. n7 u! |& N
第30節: tf.constant.mp47 l2 R’ e’ v% R. F0 j5 S9 X( D
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.mp47 I: [‘ x6 t% [+ [& l& w
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+ M7 l??j% \- d. g7 b
第44節: 生成csv文件.mp4
第45節: 調用tf.io.decode_csv工具.mp4. o- Y0 A: b) w. M
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” }) _??i3 P. J2 c??F
第49節: tf.data+tf.keras讀取文件.mp4$ I, V$ J1 B$ v0 R3 s
第50節: datasetAPI注意事項.mp4
第51節: Estimator介紹.mp40 R( b1 F9 @% H??P% Y2 t
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) ^1 m5 D5 d# F6 J’ {/ y4 K5 b
第55節: 預定義estimator使用.mp4
第56節: 交叉特征.mp4
第57節: TF1.0引入.mp4??D0 ~* ]7 M7 l2 N: V
第58節: TF1.0計算圖構建.mp4
第59節: TF1.0模型訓練.mp47 }* e( j( l1 a* t0 i1 I
第60節: TF1_dataset使用.mp4/ E: D1 e& ~” l8 U
第61節: TF1_自定義estimator.mp4* {* ]: {‘ B4 v; R1 V1 a0 B??|
第62節: API改動升級與課程總結.mp4/ {; j$ _# m2 B8 Z4 E’ D+ I# I
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.mp42 N3 {; c* k3 y7 z; ~
第70節: Kaggle平臺與10monkeys數據集介紹.mp49 q3 l8 j* [* d+ i( b9 S
第71節: Keras_generator讀取數據.mp4. K4 |8 s* e( d/ J( A- k7 V( d
第72節: 10monkeys基礎模型搭建與訓練.mp4
第73節: 10monkeys模型微調.mp44 C; A! ?; m. J8 J# |( n3 x! C
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??U’ U* n7 J$ E# t” q8 r* d” A, f
第77節: 循環神經網絡引入與embedding.mp44 }8 {: Q+ K1 W
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* D3 K” P: D: |9 r??O* Z8 D
第81節: 循環神經網絡文本分類.mp4” b# U( _! g* k( b3 v: c
第82節: 文本生成之數據處理.mp4$ X- L1 M” z% D3 s1 }, e4 t
第83節: 文本生成之構建模型.mp48 D- w9 `* s; s4 d
第84節: 文本生成之采樣生成文本.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.ts5 w5 {# N& G, ^$ P$ v+ e7 p7 s3 _
第88節: subword文本分類之dataset變換與模型訓練.ts– T3 w+ g6 l; ^* k
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‘ |” _2 e* \- K7 }2 U1 a2 p
第92節: 內存增長和虛擬設備.mp4% {, I7 a6 K, |$ e3 A0 F7 l
第93節: GPU手動設置.mp4
第94節: 分布式策略.mp4
第95節: keras分布式.mp4
第96節: estimator分布式.mp44 d: ~% ~6 X& M- N5 f$ ]( l
第97節: 自定義流程.mp48 @) y! D7 H! ]9 g1 T1 g
第98節: 分布式自定義流程.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, S; s+ T2 _. K2 u1 K7 I2 o
第101節: Keras模型轉化為SavedModel.ts7 [, C, B+ \’ r1 i) V. }+ C
第102節: 簽名函數轉化為SavedModel.ts, {! {* Q% v6 z8 K- w* H
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; ~+ i7 T% X& F% P
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: |; j. M0 j0 d. i! }
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$ t: U’ F8 p3 q- D% G+ Q+ C
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” L4 o1 H3 I: ~8 |’ v% x’ ~# e- i
第117節: 樣例例分析與總結.ts, D7 G# N/ u$ w, A
第118節: Transformer模型總體架構.ts‘ {/ J4 T7 ]/ w! B
第119節: Encoder-Decoder架構與縮放點擊注意力.ts3 y& k” M0 P% W
第120節: 多頭注意力與位置編碼.ts6 ]& f/ }, H% E& Z% p
第121節: Add、Normalize、Decoding過程與總結.ts: a- t7 P??[” `7 ?9 r; i
第122節: 數據預處理與dataset生成.ts
第123節: 位置編碼.ts( A’ U( x# a8 C! J( w
第124節: mask構建.ts1 r: r3 v6 ]2 @) x
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: Z0 k$ h5 ~: B* T’ B” Y& F! A
第131節: EncoderModel.ts) L9 T- ~; b+ L& T
第132節: DecoderModel.ts! ~& ^: Z# m” d/ e; G
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+ `) p9 d* d/ G3 H% b
第136節: 模型訓練.ts7 }8 n. Y7 s+ s
第137節: 模型預測實現.ts, v- U7 t- ?* C6 g! t
第138節: attention可視化.ts
第139節: 案例展示.mp42 h. \” T+ G, h) `: A7 o
第140節: 如何學習更多模型[完].mp4$ H; J2 R% B” o9 f’ A! F
資料包.rar
