深度学习Tensorflow培训

深度学习及CNN

1. 深度学习简介

2. 谈谈CNN

3. 正向传播与反向求导及练习

4. CNN模型的推导与实现

5. CNN应用：物体分类

6. CNN 常见问题与总结

RNN和LSTM

7. RNN

8. RNN的反向求导及练习

9. RNN模型的推导与实现

10. RNN应用：个性化电影推荐

11. RNN常见问题与总结

12. LSTM

13. LSTM模型的推导与实现

14. LSTM的反向求导及练习

15. LSTM应用：文本识别

16. LSTM常见问题总结

DNN

17. DNN

18. DNN模型的推导与实现

19. DNN的反向求导及练习

20. DNN应用：CTR预估

21. DNN常见问题总结

垂直应用领域

22. 概述

23. 目标检测：ObjectDetection

24. 文本相关（NLP）：Word2Vec、CBOW、DSSM

25. 声纹识别：DNN

26. 文字识别（OCR）：VGGNet、CNN

深度学习框架及Tensorflow

27. 业界主流深度学习框架

Tensorflow、PyTorch、Paddle、Oneflow

28. TensorFlow和其他深度学习框架的对比

29. Tensorflow 特性

30. Tensorflow 下载及安装

Tensorflow

31. 架构原理

32. Tensorflow基本使用

33. TensorFlow实现多层感知机

34. TensorFlow实现进阶的卷积网络

35. TensorFlow实现经典卷积神经网络

36. TensorFlow实现ResNet

模型训练

37. 模型训练技巧与方法

1）数据样本处理 2）调参 3）模型调优

38. 梯度下降优化方法

39. Tensorflow 实现循环神经网络及Word2Vec

1）Tensorflow 实现Word2Vec 2）Tensorflow 实现基于LSTM的语言模型

深度强化学习和迁移学习

40. 深度强化学习简介

41. TensorFlow实现策略网络

42. TensorFlow实现估值网络

43. 迁移学习简介

44. 迁移学习的理论概述

45. 迁移学习的常见方法及案例

TensorBoard、多GPU并行及分布式并行

46. TensorBoard介绍及使用

47. 多GPU并行训练

48. 分布式训练

49. AI平台及整体流程简介