深 度 学 习 框 架 深度学习框架 深度学习框架
- 框架：Pytorch
Pyorch中文文档
Torch官方教程
- pytorch的数据结构—tensor和variable
- Pytorch—张量操作与线性回归
- pytorch的自动微分—autograd和逻辑回归
- DataSet与DataLoader
- Pytorch入门—计算图与动态图机制
- Transform：数据的预处理/数据增强
- 模型创建初步
- 常用网络层
- 权值初始化和损失函数
- 优化器讲解
- 学习率调整策略
- Tensorboard使用
- hook函数与CAM可视化
- 正则化之weight_decay,Dropout
- Normalization
- 模型保存、加载和Finetune
- GPU的使用：PyTorch中常见报错
- 图像分类
- 图像分割
- 图像目标检测
- 对抗生成网络
- 循环神经网络
- 框架： Tensorflow
pip install -U --ignore-installed wrapt enum34 simplejson netaddr -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com
pip install tensorflow==2.0 -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com
- 张量与操作&三种建模方法
- keras版本模型训练
- 自定义模型训练
- autograph详解
- 模型保存与加载
- 自定义层详解
- 常用损失函数和自定义损失函数
- 常用评估函数和自定义评估函数
- TensorBoard可视化工具
- tf.data 构建TensorFlow输入管道
- Dataset案例
- tfrecord案例
- 卷积神经网络简介
- Google涂鸦识别挑战项目(上)
- Google涂鸦识别挑战项目(下)
- 循环神经网络简介
- word2vec简介及词向量构建
- LSTM实现新闻分类算法
- Transformer简介
- Transformer实现英译中机器翻译
- GPU分布式训练
- TPU分布式训练
- tfhub简介
- BERT实现文本匹配
- tf.serving部署
- keras中的modelcheckpoint
- 框架： Caffe
- Caffe介绍与编译
- Cifar实践操作案例
- 网络结构层的定义
- 网络结构的可视化
- 常用网络结构
- Caffe代码解读1
