┣━mksz344 – Google工程师亲授 Tensorflow2.0－入门到进阶
┣━课程资料
┣━代码资料.zip
┣━第7章 循环神经网络
┣━7-4_序列式问题与循环神经网络[7].mp4
┣━7-3_数据padding、模型构建与训练[7].mp4
┣━7-9_LSTM长短期记忆网络[7].mp4
┣━7-1_循环神经网络引入与embedding[7].mp4
┣━7-5_循环神经网络实战文本分类[7].mp4
┣━7-6_文本生成之数据处理[7].mp4
┣━7-7_文本生成实战之构建模型[7].mp4
┣━7-8_文本生成实战之采样生成文本[7].mp4
┣━7-2_数据集载入与构建词表索引[7].mp4
┣━7-10_LSTM文本分类与文本生成实战[7].mp4
┣━第5章 Tensorflow Estimator使用与tf1.0
┣━5-10_TF1_dataset使用[7].mp4
┣━5-1_课程引入[7].mp4
┣━5-9_TF1.0模型训练[7].mp4
┣━5-6_交叉特征实战[7].mp4
┣━5-7_TF1.0引入[7].mp4
┣━5-5_预定义estimator使用[7].mp4
┣━5-3_feature_column使用[7].mp4
┣━5-11_TF1_自定义estimator[7].mp4
┣━5-2_泰坦尼克问题引入分析[7].mp4
┣━5-4_keras_to_estimator[7].mp4
┣━5-8_TF1.0计算图构建[7].mp4
┣━5-12_API改动升级与课程总结[7].mp4
┣━第3章 Tensorflow基础API使用
┣━3-13_章节总结[7].mp4
┣━3-12_tf.GradientTape与tf.keras结合使用[7].mp4
┣━3-3_实战tf.strings与ragged_tensor[7].mp4
┣━3-1_tf基础API引入[7].mp4
┣━3-7_tf.function函数转换[7].mp4
┣━3-6_使子类与lambda分别实战自定义层次[7].mp4
┣━3-9_函数签名与图结构[7].mp4
┣━3-4_实战sparse_tensor与tf.Variable[7].mp4
┣━3-5_实战自定义损失函数与DenseLayer回顾[7].mp4
┣━3-8_@tf.function函数转换[7].mp4
┣━3-2_实战tf.constant[7].mp4
┣━3-10_近似求导[7].mp4
┣━3-11_tf.GradientTape基本使用方法[7].mp4
┣━第1章 Tensorflow简介与环境搭建
┣━1-7_Google_cloud无GPU环境搭建[7].mp4
┣━1-9_Google_cloud_gpu_tensorflow配置[7].mp4
┣━1-6_Tensorflow环境配置(新补)[7].mp4
┣━1-1_课程导学[7].mp4
┣━1-11_AWS云平台环境配置[7].mp4
┣━1-3_Tensorflow版本变迁与tf1.0架构[7].mp4
┣━1-2_Tensorflow是什么[7].mp4
┣━1-4_Tensorflow2.0架构[7].mp4
┣━1-6_Tensorflow环境配置[7].mp4
┣━1-5_Tensorflow&pytorch比较[7].mp4
┣━1-8_Google_cloud_远程jupyter_notebook配置[7].mp4
┣━1-10_Google_cloud_gpu_tensorflow镜像配置__([7].mp4
┣━第4章 Tensorflow dataset使用
┣━4-8_tf.data读取tfrecord文件并与tf.keras结合使用[7].mp4
┣━4-3_生成csv文件[7].mp4
┣━4-9_章节总结[7].mp4
┣━4-6_tfrecord基础API使用[7].mp4
┣━4-7_生成tfrecords文件[7].mp4
┣━4-2_tf_data基础API使用[7].mp4
┣━4-4_tf.io.decode_csv使用[7].mp4
┣━4-5_tf.data读取csv文件并与tf.keras结合使用[7].mp4
┣━4-1_data_API引入[7].mp4
┣━第2章 Tensorflow keras实战
┣━2-3_实战分类模型之数据读取与展示[7].mp4
┣━2-5_实战分类模型之数据归一化[7].mp4
┣━2-1_tfkeras简介__([7].mp4
┣━2-17_实战sklearn封装keras模型[7].mp4
┣━2-9_实战深度神经网络[7].mp4
┣━2-14_wide&deep模型的多输入与多输出实战[7].mp4
┣━2-2_分类回归与目标函数[7].mp4
┣━2-6_实战回调函数[7].mp4
┣━2-12_函数API实现wide&deep模型[7].mp4
┣━2-13_子类API实现wide&deep模型[7].mp4
┣━2-10_实战批归一化、激活函数、dropout[7].mp4
┣━2-4_实战分类模型之模型构建[7].mp4
┣━2-15_超参数搜索[7].mp4
┣━2-8_神经网络讲解[7].mp4
┣━2-11_wide_deep模型[7].mp4
┣━2-18_实战sklearn超参数搜索[7].mp4
┣━2-16_手动实现超参数搜索实战[7].mp4
┣━第9章 Tensorflow模型保存与部署
┣━9-2_保存模型结构加参数与保存参数实战[7].mp4
┣━9-4_签名函数转化为SavedModel[7].mp4
┣━9-5_签名函数，SavedModel和Keras模型到具体函数转换[7].mp4
┣━9-3_Keras模型转化为SavedModel[7].mp4
┣━9-1_课程引入与TFLite[7].mp4
┣━第8章 Tensorflow分布式
┣━8-7_estimator分布式实战[7].mp4
┣━8-3_内存增长和虚拟设备实战[7].mp4
┣━8-1_课程引入与GPU设置[7].mp4
┣━8-5_分布式策略[7].mp4
┣━8-4_GPU手动设置实战[7].mp4
┣━8-8_自定义流程实战[7].mp4
┣━8-2_GPU默认设置[7].mp4
┣━8-6_keras分布式实战[7].mp4
┣━8-9_分布式自定义流程实战[7].mp4
┣━第6章 卷积神经网络
┣━6-7_深度可分离卷积网络实战[7].mp4
┣━6-3_卷积的计算[7].mp4
┣━6-4_池化操作[7].mp4
┣━6-11_10monkeys模型微调[7].mp4
┣━6-8_Kaggle平台与10monkeys数据集介绍[7].mp4
┣━6-12_keras_generator读取cifar10数据集[7].mp4
┣━6-13_模型训练与预测[7].mp4
┣━6-2_卷积解决的问题[7].mp4
┣━6-9_Keras_generator读取数据[7].mp4
┣━6-1_卷积神经网络引入与总体结构[7].mp4
┣━6-10_10monkeys基础模型搭建与训练[7].mp4
┣━6-5_卷积神经网络实战[7].mp4
┣━6-6_深度可分离卷积网络[7].mp4
┣━第10章 机器翻译
┣━10-29 模型训练.ts
┣━10-23 DecoderLayer实现.ts
┣━10-28 Mask创建与使用.ts
┣━10-17 mask构建.ts
┣━10-10 样例例分析与总结.ts
┣━10-13 多头注意力与位置编码.ts
┣━10-30 模型预测实现.ts
┣━10-18 缩放点积注意力机制实现(1).ts
┣━10-8 模型训练.ts
┣━10-19 缩放点积注意力机制实现(2).ts
┣━10-9 模型预测实现.ts
┣━10-5 attention构建.ts
┣━10-22 EncoderLayer实现.ts
┣━10-2 数据预处理理与读取.ts
┣━10-24 EncoderModel实现.ts
┣━10-1 课程引入与seq2seq+attention模型讲解.ts
┣━10-32 示例展示与实战总结 (1135) 正在学习[7].mp4
┣━10-26 Transformer实现.ts
┣━10-21 feedforward层次实现.ts
┣━10-15 数据预处理与dataset生成.ts
┣━10-12 Encoder-Decoder架构与缩放点击注意力.ts
┣━10-33 GPT与Bert与课程总结 (0813)[7].mp4
┣━10-4 Encoder构建.ts
┣━10-31 attention可视化.ts
┣━10-27 自定义学习率.ts
┣━10-16 位置编码.ts
┣━10-7 损失函数与单步训练函数.ts
┣━10-25 DecoderModel实现.ts
┣━10-6 Decoder构建.ts
┣━10-20 多头注意力机制实现.ts
┣━10-3 数据id化与dataset生成.ts
┣━10-11 Transformer模型总体架构.ts
┣━10-14 Add、Normalize、Decoding过程与总结.ts