深度學習Tensorflow培訓

深度學習及CNN

1. 深度學習簡介

2. 談談CNN

3. 正向傳播與反向求導及練習

4. CNN模型的推導與實現

5. CNN應用：物體分類

6. CNN 常見問題與總結

RNN和LSTM

7. RNN

8. RNN的反向求導及練習

9. RNN模型的推導與實現

10. RNN應用：個性化電影推薦

11. RNN常見問題與總結

12. LSTM

13. LSTM模型的推導與實現

14. LSTM的反向求導及練習

15. LSTM應用：文本識別

16. LSTM常見問題總結

DNN

17. DNN

18. DNN模型的推導與實現

19. DNN的反向求導及練習

20. DNN應用：CTR預估

21. DNN常見問題總結

垂直應用領域

22. 概述

23. 目標檢測：ObjectDetection

24. 文本相關（NLP）：Word2Vec、CBOW、DSSM

25. 聲紋識別：DNN

26. 文字識別（OCR）：VGGNet、CNN

深度學習框架及Tensorflow

27. 業界主流深度學習框架

Tensorflow、PyTorch、Paddle、Oneflow

28. TensorFlow和其他深度學習框架的對比

29. Tensorflow 特性

30. Tensorflow 下載及安裝

Tensorflow

31. 架構原理

32. Tensorflow基本使用

33. TensorFlow實現多層感知機

34. TensorFlow實現進階的卷積網絡

35. TensorFlow實現經典卷積神經網絡

36. TensorFlow實現ResNet

模型訓練

37. 模型訓練技巧與方法

1）數據樣本處理 2）調參 3）模型調優

38. 梯度下降優化方法

39. Tensorflow 實現循環神經網絡及Word2Vec

1）Tensorflow 實現Word2Vec 2）Tensorflow 實現基于LSTM的語言模型

深度強化學習和遷移學習

40. 深度強化學習簡介

41. TensorFlow實現策略網絡

42. TensorFlow實現估值網絡

43. 遷移學習簡介

44. 遷移學習的理論概述

45. 遷移學習的常見方法及案例

TensorBoard、多GPU并行及分布式并行

46. TensorBoard介紹及使用

47. 多GPU并行訓練

48. 分布式訓練

49. AI平臺及整體流程簡介