深度学习框架Tensorflow学习与应用

admin

深度学习框架Tensorflow学习与应用

近几年深度学习技术在学术界和工业界都得到了广泛的应用和传播。深度学习的传播不仅是由于算法的进步，更是因为深度学习技术在各行各业都取得了非常好的应用效果。      深度学习作为一门理论和实践相结合的学科，在新的算法理论不断涌现的同时，各种深度学习框架也不断出现在人们视野。比如Torch，MxNet，theano，Caffe等等。Google在2015年11月9日宣布开源自己的第二代机器学习系统Tensorflow。深度学习是未来新产品和新技术的一个关键部分。在这个领域的研究是全球性的，并且发展很快，却缺少一个标准化的工具。Google希望把Tensorflow做成深度学习行业的标准。      Tensorflow支持Python和C++语言，支持CNN、RNN和LSTM等算法，可以被用于语音识别或图像处理等多项深度学习领域。它可以在一个或多个CPU或GPU中运行。它可以运行在嵌入式系统(如手机，平板电脑)中，PC中以及分布式系统中。它是目前全世界最火爆的深度学习平台(没有之一)。      课程内容基本上是以代码编程为主，也会有少量的深度学习理论内容。课程会从Tensorflow最基础的图(graphs),会话(session),张量(tensor),变量(Variable)等一些最基础的知识开始讲起，逐步讲到Tensorflow的基础使用，以及在Tensorflow中CNN和LSTM的使用。在课程的后面会带着大家做几个实际的项目，比如训练自己的模型去进行图像识别，使用Tensorflow进行验证码的识别，以及Tensorflow在NLP中的使用。 课程大纲： 第一课 Tensorflow简介，Anaconda安装，Tensorflow的CPU版本安装。 第二课 Tensorflow的基础使用，包括对图(graphs),会话(session),张量(tensor),变量(Variable)的一些解释和操作。 第三课 Tensorflow线性回归以及分类的简单使用。 第四课 softmax，交叉熵(cross-entropy)，dropout以及Tensorflow中各种优化器的介绍。 第五课 卷积神经网络CNN的讲解，以及用CNN解决MNIST分类问题。 第六课 使用Tensorboard进行结构可视化，以及网络运算过程可视化。 第七课 递归神经网络LSTM的讲解，以及LSTM网络的使用。 第八课 保存和载入模型，使用Google的图像识别网络inception-v3进行图像识别。 第九课 Tensorflow的GPU版本安装。设计自己的网络模型，并训练自己的网络模型进行图像识别。 第十课 使用Tensorflow进行验证码识别。 第十一课 Tensorflow在NLP中的使用(一)。 第十二课 Tensorflow在NLP中的使用(二)。 游客，如果您要查看本帖隐藏内容请回复