深度学习：一起玩转TensorLayer
2019-07-23 11:08:49 0 举报AI智能生成
深度学习：一起玩转TensorLayer
作者其他创作
大纲/内容
8 生成对抗网络
8.1 何为生成对抗网络
8.2 深度卷积对抗生成网络
8.3 实现人脸生成
8.4 还能做什么
9 高级实现技巧
9.1 与其他框架对接
9.2 自定义层
9.3 建立词汇表
9.4 补零与序列长度
9.5 动态递归神经网络
9.6 实用小技巧
10 实例一：使用预训练卷积网络
10.1 高维特征表达
10.2 VGG网络
10.3 连接TF-Slim
11 实例二：图像语义分割及其医学图像应用
11.1 图像语义分割概述
11.2 医学图像分割概述
11.3 全卷积神经网络和U-Net网络结构
11.4 医学图像应用：实现脑部肿瘤分割
12 实例三：由文本生成图像
12.1 条件生成对抗网络之GAN-CLS
12.2 实现句子生成花朵图片
13 实例四：超高分辨率复原
13.1 什么是超高分辨率复原
13.2 网络结构
13.3 联合损失函数
13.4 训练网络
13.5 使用测试
14 实例五：文本反垃圾
14.1 任务场景
14.2 网络结构
14.3 词的向量表示
14.4 Dynamic RNN分类器
14.5 训练网络
14.6 TensorFlow Serving部署
14.7 客户端调用
14.8 其他常用方法
中英对照表及其缩写
1 深度学习简介
1.1 人工智能、机器学习和深度学习
1.2 神经网络
1.3 学习方法建议
1.4 TensorLayer
2 多层感知器
2.1 McCulloch-Pitts神经元模型
2.2 感知器
2.3 多层感知器
2.4 实现手写数字分类
2.5 过拟合
2.6 再实现手写数字分类
3 自编码器
3.1 稀疏性
3.2 稀疏自编码器
3.3 实现手写数字特征提取
3.4 降噪自编码器
3.5 再实现手写数字特征提取
3.6 堆栈式自编码器及其实现
4 卷积神经网络
4.1 卷积原理
4.2 经典任务
4.3 经典卷积网络
4.4 实现手写数字分类
4.5 数据增强与规范化
4.6 实现CIFAR10分类
4.7 反卷积神经网络
5 词的向量表达
5.1 目的与原理
5.2 Word2Vec
5.3 实现Word2Vec
5.4 重载预训练矩阵
6 递归神经网络
6.1 为什么需要它
6.2 不同的RNNs
6.3 长短期记忆
6.4 实现生成句子
7 深度增强学习
7.1 增强学习
7.2 深度增强学习
7.3 更多参考资料
0 条评论
下一页
