课程时长

3天（6小时/天）。可根据客户需求进行模块压缩。

课程大纲 

第1章  Tensorflow的安装和开发环境搭建  

      1.1 Tensorflow介绍

      1.2 Tensorflow的安装

第2章  核心高阶API

      2.1 机器学习基础与tf.keras

            2.1.1 tf.keras实现线性回归

            2.1.2 逻辑回归实例与交叉熵

            2.1.3 Softmax多分类实例

      2.2 多层感知器与神经网络

            2.2.1 多层感知器原理与梯度下降算法

            2.2.2 激活函数和常见优化算法

            2.2.3 多层感知器优化实例

            2.2.4 过拟合与神经网络评价标准

            2.2.5 Dropout与正则化

            2.2.6 网络参数选择原则

      2.3 tf.keras基础实例

            2.3.1 手写数字识别及模型优化

            2.3.2 评论情绪分类

            2.3.3 tf.keras函数式API

第3章  输入模块Tf.data

     3.1 Tf.data简介

           3.1.1 tf.data模块用法演示

           3.1.2 tf.data数据输入实例

第4章  卷积神经网络    

      4.1 认识卷积神经网络

           4.1.1 卷积神经网络整体架构

           4.1.2 卷积神经网络实例（Fashion Mnist数据集）

第5章  Eager模式与自定义训练      

      5.1 Eager模式简介

            5.1.1 Eager模式与张量运算

            5.1.2 变量与自动微分

            5.1.3 Tensorflow自定义训练

      5.2 自定义训练综合实例

            5.2.1 猫狗数据识别

第6章  卷积神经网络高级应用和迁移学习

      6.1 图片增强

      6.2 使用预训练网络与迁移学习

            6.2.1 迁移学习的基础概念

            6.2.2 使用VGG预训练网络实例

      6.3 批标准化

第7章  模型保存与可视化   

      7.1 加载和保存整个模型

      7.2 加载保存模型结构

      7.3 加载和保存模型参数

      7.4 Tensorflow面向对象保存

      7.5 模型可视化

      7.6 使用Tensorboard

第8章  RNN循环神经网络 

      8.1 RNN循环神经网络

            8.1.1 循环神经网络的原理和整体架构

            8.1.2 tf.keras序列问题实例（评论分类）

      8.2 RNN文本分类实例

            8.2.1 文本嵌入表示

            8.2.2 航空公司评价情绪分类

      8.3 RNN序列预测

            8.3.1 数据预处理与数据采样

            8.3.2 搭建LSTM模型

            8.3.3 LSTM模型优化