項(xiàng)目1 TensorFlow 2開(kāi)發(fā)環(huán)境搭建 1
任務(wù)1 安裝Python 2
任務(wù)2 使用Python虛擬環(huán)境 6
任務(wù)3 安裝TensorFlow 2 8
任務(wù)4 安裝TensorFlow的GPU版本 10
任務(wù)5 使用JupyterLab 14
項(xiàng)目2 TensorFlow 2語(yǔ)法基礎(chǔ) 16
任務(wù)1 使用tf.constant方法創(chuàng)建張量 17
任務(wù)2 使用tf.convert_to_tensor方法創(chuàng)建張量 19
任務(wù)3 創(chuàng)建全0張量和全1張量 21
任務(wù)4 創(chuàng)建符合正態(tài)分布的隨機(jī)張量 23
任務(wù)5 創(chuàng)建均勻分布的隨機(jī)張量 25
任務(wù)6 創(chuàng)建序列張量 27
任務(wù)7 改變張量中元素的數(shù)據(jù)類(lèi)型 29
任務(wù)8 隨機(jī)打亂張量的順序 31
任務(wù)9 獲取張量的信息 33
任務(wù)10 改變張量的形狀 35
任務(wù)11 增加張量的維度 37
任務(wù)12 刪除張量的維度 40
任務(wù)13 交換張量的維度 42
任務(wù)14 張量的拼接操作 44
任務(wù)15 張量的分割操作 46
任務(wù)16 張量的堆疊操作 48
任務(wù)17 張量的分解操作 50
項(xiàng)目3 TensorFlow進(jìn)階 52
任務(wù)1 通過(guò)索引獲取張量的元素 53
任務(wù)2 一維張量的切片操作 55
任務(wù)3 二維張量的切片操作 57
任務(wù)4 使用tf.gather方法提取數(shù)據(jù) 59
任務(wù)5 使用tf.gather_nd方法提取數(shù)據(jù) 61
任務(wù)6 張量的加減乘除運(yùn)算 63
任務(wù)7 張量的冪、指數(shù)、對(duì)數(shù)運(yùn)算 65
任務(wù)8 張量的其他運(yùn)算 67
任務(wù)9 創(chuàng)建Variable對(duì)象 70
任務(wù)10 使用Variable對(duì)象的方法 72
任務(wù)11 對(duì)一元二次方程自動(dòng)求導(dǎo) 74
任務(wù)12 對(duì)多元函數(shù)求偏導(dǎo)數(shù) 77
任務(wù)13 對(duì)向量求偏導(dǎo)數(shù) 79
項(xiàng)目4 回歸分析 81
任務(wù)1 在二維空間中繪制散點(diǎn)圖 82
任務(wù)2 在二維空間中繪制直線 85
任務(wù)3 在三維空間中繪制散點(diǎn)圖 87
任務(wù)4 在三維空間中繪制平面圖 90
任務(wù)5 根據(jù)一元線性回歸模型預(yù)測(cè)房?jī)r(jià) 93
任務(wù)6 根據(jù)多元線性回歸模型預(yù)測(cè)房?jī)r(jià) 99
項(xiàng)目5 梯度下降算法 105
任務(wù)1 使用迭代法求解極小值 106
任務(wù)2 觀察迭代中的振蕩 110
任務(wù)3 使用斜率自動(dòng)調(diào)節(jié)步長(zhǎng) 114
任務(wù)4 用梯度下降法求極值 117
任務(wù)5 用梯度下降法求解一元線性回歸 120
任務(wù)6 用梯度下降法求解多元線性回歸 124
項(xiàng)目6 分類(lèi)問(wèn)題 128
任務(wù)1 實(shí)現(xiàn)Sigmoid函數(shù) 129
任務(wù)2 實(shí)現(xiàn)交叉熵?fù)p失函數(shù) 135
任務(wù)3 計(jì)算模型的準(zhǔn)確率 141
任務(wù)4 使用一元邏輯回歸實(shí)現(xiàn)商品房分類(lèi) 143
任務(wù)5 對(duì)鳶尾花數(shù)據(jù)集進(jìn)行可視化輸出 148
任務(wù)6 使用多元邏輯回歸實(shí)現(xiàn)鳶尾花分類(lèi) 152
任務(wù)7 實(shí)現(xiàn)Softmax函數(shù) 157
任務(wù)8 實(shí)現(xiàn)多分類(lèi)交叉熵?fù)p失函數(shù) 161
任務(wù)9 實(shí)現(xiàn)多分類(lèi) 163
項(xiàng)目7 人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 167
任務(wù)1 感知器算法實(shí)現(xiàn)案例 168
任務(wù)2 使用tf.keras.metrics.categorical_ crossentropy方法計(jì)算交叉熵?fù)p失 176
任務(wù)3 使用單層神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)鳶尾花的分類(lèi) 178
任務(wù)4 使用多層神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)異或運(yùn)算結(jié)果的分類(lèi) 186
任務(wù)5 使用多層神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)鳶尾花的分類(lèi) 196
任務(wù)6 實(shí)現(xiàn)ReLU函數(shù) 201
任務(wù)7 實(shí)現(xiàn)誤差反向傳播算法 207
項(xiàng)目8 人工神經(jīng)網(wǎng)絡(luò)優(yōu)化 214
任務(wù)1 使用小批量梯度下降算法訓(xùn)練模型 215
任務(wù)2 使用指數(shù)衰減學(xué)習(xí)率訓(xùn)練模型 220
任務(wù)3 通過(guò)自定義損失函數(shù)求解模型 223
任務(wù)4 使用SGD優(yōu)化器訓(xùn)練模型 226
任務(wù)5 使用SGDM優(yōu)化器訓(xùn)練模型 229
任務(wù)6 使用Adagrad優(yōu)化器訓(xùn)練模型 232
任務(wù)7 使用RMSProp優(yōu)化器訓(xùn)練模型 235
任務(wù)8 使用Adam優(yōu)化器訓(xùn)練模型 238
任務(wù)9 使用正則化緩解過(guò)擬合 241
項(xiàng)目9 Keras搭建神經(jīng)網(wǎng)絡(luò) 246
任務(wù)1 使用Sequential搭建神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)鳶尾花分類(lèi) 247
任務(wù)2 使用Model類(lèi)搭建神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)鳶尾花分類(lèi) 253
任務(wù)3 使用Sequential搭建神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)手寫(xiě)數(shù)字識(shí)別 256
任務(wù)4 使用Sequential搭建神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)Fashion圖像分類(lèi) 259
任務(wù)5 自制數(shù)據(jù)集 262
任務(wù)6 Acc和Loss曲線的繪制 265
任務(wù)7 保存和加載模型參數(shù) 268
任務(wù)8 保存和加載整個(gè)模型 271
項(xiàng)目10 卷積神經(jīng)網(wǎng)絡(luò) 274
任務(wù)1 實(shí)現(xiàn)單通道圖像卷積計(jì)算 275
任務(wù)2 實(shí)現(xiàn)多通道圖像卷積計(jì)算 279
任務(wù)3 實(shí)現(xiàn)全零填充 282
任務(wù)4 實(shí)現(xiàn)批標(biāo)準(zhǔn)化 287
任務(wù)5 實(shí)現(xiàn)池化 292
任務(wù)6 實(shí)現(xiàn)舍棄 295
任務(wù)7 使用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練CIFAR-10數(shù)據(jù)集 297
任務(wù)8 LeNet的實(shí)現(xiàn) 302
任務(wù)9 AlexNet的實(shí)現(xiàn) 306
任務(wù)10 VGGNet的實(shí)現(xiàn) 311
任務(wù)11 InceptionNet的實(shí)現(xiàn) 318
任務(wù)12 ResNet的實(shí)現(xiàn) 326