[344] Google老师亲授 TensorFlow2.0 入门到进阶 - 作为时下火热的深度学习框架，TF2.0 alpha版已发布，这必将会带来一些“新机会”，想学习深度学习的同学要抓紧了

网盘链接：

1. Tensorflow简介与环境搭建

• 1-1 课程导学
• 1-2 Tensorflow是什么
• 1-3 Tensorflow版本变迁与tf1.0架构
• 1-4 Tensorflow2.0架构
• 1-5 Tensorflow&pytorch比较
• 1-6 Tensorflow环境配置
• 1-7 Google_cloud无GPU环境搭建
• 1-8 Google_cloud_远程jupyter_notebook配置
• 1-9 Google_cloud_gpu_tensorflow配置
• 1-10 Google_cloud_gpu_tensorflow镜像配置
• 1-11 AWS云平台环境配置

2. Tensorflow keras实战

• 2-1 tfkeras简介
• 2-2 分类回归与目标函数
• 2-3 实战分类模型之数据读取与展示
• 2-4 实战分类模型之模型构建
• 2-5 实战分类模型之数据归一化
• 2-6 实战回调函数
• 2-7 实战回归模型
• 2-8 神经网络讲解
• 2-9 实战深度神经网络
• 2-10 实战批归一化、激活函数、dropout
• 2-11 wide_deep模型
• 2-12 函数API实现wide&deep模型
• 2-13 子类API实现wide&deep模型
• 2-14 wide&deep模型的多输入与多输出实战
• 2-15 超参数搜索
• 2-16 手动实现超参数搜索实战
• 2-17 实战sklearn封装keras模型
• 2-18 实战sklearn超参数搜索

3. Tensorflow基础API使用

• 3-1 tf基础API引入
• 3-2 实战tf.constant
• 3-3 实战tf.strings与ragged tensor
• 3-4 实战sparse tensor与tf.Variable
• 3-5 实战自定义损失函数与DenseLayer回顾
• 3-6 使子类与lambda分别实战自定义层次
• 3-7 tf.function函数转换
• 3-8 @tf.function函数转换
• 3-9 函数签名与图结构
• 3-10 近似求导
• 3-11 tf.GradientTape基本使用方法
• 3-12 tf.GradientTape与tf.keras结合使用
• 3-13 章节总结

4. Tensorflow dataset使用

• 4-1 data_API引入
• 4-2 tf_data基础API使用
• 4-3 生成csv文件
• 4-4 tf.io.decode_csv使用
• 4-5 tf.data读取csv文件并与tf.keras结合使用
• 4-6 tfrecord基础API使用
• 4-7 生成tfrecords文件
• 4-8 tf.data读取tfrecord文件并与tf.keras结合使用
• 4-9 章节总结

5. Tensorflow Estimator使用与tf1.0

• 5-1 课程引入
• 5-2 泰坦尼克问题引入分析
• 5-3 feature_column使用
• 5-4 keras_to_estimator
• 5-5 预定义estimator使用
• 5-6 交叉特征实战
• 5-7 TF1.0引入
• 5-8 TF1.0计算图构建
• 5-9 TF1.0模型训练
• 5-10 TF1_dataset使用
• 5-11 TF1_自定义estimator
• 5-12 API改动升级与课程总结

6. 卷积神经网络

• 6-1 卷积神经网络引入与总体结构
• 6-2 卷积解决的问题
• 6-3 卷积的计算
• 6-4 池化操作
• 6-5 卷积神经网络实战
• 6-6 深度可分离卷积网络
• 6-7 深度可分离卷积网络实战
• 6-8 Kaggle平台与10monkeys数据集介绍
• 6-9 Keras generator读取数据
• 6-10 10monkeys基础模型搭建与训练
• 6-11 10monkeys模型微调
• 6-12 keras generator读取cifar10数据集
• 6-13 模型训练与预测
• 6-14 章节总结

7. 循环神经网络

• 7-1 循环神经网络引入与embedding
• 7-2 数据集载入与构建词表索引
• 7-3 数据padding、模型构建与训练
• 7-4 序列式问题与循环神经网络
• 7-5 循环神经网络实战文本分类
• 7-6 文本生成之数据处理
• 7-7 文本生成实战之构建模型
• 7-8 文本生成实战之采样生成文本
• 7-9 LSTM长短期记忆网络
• 7-10 LSTM文本分类与文本生成实战
• 7-11 subword文本分类之数据集载入与tokenizer
• 7-12 subword文本分类之dataset变换与模型训练
• 7-13 章节总结

8. Tensorflow分布式

• 8-1 课程引入与GPU设置
• 8-2 GPU默认设置
• 8-3 内存增长和虚拟设备实战
• 8-4 GPU手动设置实战
• 8-5 分布式策略
• 8-6 keras分布式实战
• 8-7 estimator分布式实战
• 8-8 自定义流程实战
• 8-9 分布式自定义流程实战

9. Tensorflow模型保存与部署

• 9-1 课程引入与TFLite_x264
• 9-2 保存模型结构加参数与保存参数实战
• 9-3 Keras模型转化为SavedModel
• 9-4 签名函数转化为SavedModel
• 9-5 签名函数，SavedModel和Keras模型到具体函数转换
• 9-6 tflite保存与解释与量化
• 9-7 tensorflowjs转换模型
• 9-8 tensorflowjs搭建服务器载入模型实战
• 9-9 Android部署模型实战与总结

10. 机器翻译

• 10-1 课程引入与seq2seq+attention模型讲解
• 10-2 数据预处理理与读取
• 10-3 数据id化与dataset生成
• 10-4 Encoder构建
• 10-5 attention构建
• 10-6 Decoder构建
• 10-7 损失函数与单步训练函数
• 10-8 模型训练
• 10-9 模型预测实现
• 10-10 样例例分析与总结
• 10-11 Transformer模型总体架构
• 10-12 Encoder-Decoder架构与缩放点击注意力
• 10-13 多头注意力与位置编码
• 10-14 Add、Normalize、Decoding过程与总结
• 10-15 数据预处理与dataset生成
• 10-16 位置编码
• 10-17 mask构建
• 10-18 缩放点积注意力机制实现(1)
• 10-19 缩放点积注意力机制实现(2)
• 10-20 多头注意力机制实现
• 10-21 feedforward层次实现
• 10-22 EncoderLayer实现
• 10-23 DecoderLayer实现
• 10-24 EncoderModel实现
• 10-25 DecoderModel实现
• 10-26 Transformer实现
• 10-27 自定义学习率
• 10-28 Mask创建与使用
• 10-29 模型训练
• 10-30 模型预测实现
• 10-31 attention可视化
• 10-32 示例展示与实战总结
• 10-33 GPT与Bert与课程总结