网易云 - Tensorflow深度学习入门与实战

来自网络整理·免费领取学习资源

5,202 领取 · 7,727 收藏更新于 2026年9月20日

TensorFlow 人工智能与深度学习

这份资料来自网络整理2026年的付费VIP课，内容以视频为主，对应《网易云 - Tensorflow深度学习入门与实战》。官网需要单独购买，有集上可以免费领取。

本课程用通俗易懂的实例，系统讲解了Tensorflow2.0的使用，是一堂简明易懂、系统深入的 Tensorflow 2.0 教程

Tensorflow深度学习入门与实战

课程目录

{10}–使用预训练网络（迁移学习）
[10.1]–预训练网络（迁移学习）基础知识
[10.2]–迁移学习网络架构
[10.3]–迁移学习的代码实现
[10.4]–经典预训练网络权重分享和使用方法
[10.5]–预训练网络使用——微调
[10.6]–常见的预训练网络模型及使用示例
{11}–多输出模型实例
[11.1]–多输出模型实例——数据加载
[11.2]–多输出模型的创建
[11.3]–多输出模型的编译和训练
[11.4]–多输出模型的评价与模型预测
{12}–模型保存与恢复
[12.1]–保存整体模型
[12.2]–.仅保存架构和仅保存权重
[12.3]–使用回调函数保存模型
[12.4]–在自定义训练中保存检查点
{13}–图像定位
[13.1]–常见图像处理任务
[13.2]–图像和位置数据的解析与可视化
[13.3]–图片缩放与目标值的规范
[13.4]–数据读取与预处理（一）
[13.5]–数据读取与预处理——创建目标数据datasets
[13.6]–创建输入管道
[13.7]–图像定位模型创建
[13.8]–图像定位模型的预测
[13.9]–图像定位的优化、评价和应用简介
{14}–自动图运算与GPU使用策略
[14.1]–自动图运算
[14.2]–GPU配置与使用策略
{15}–图像语义分割
[15.10]–FCN模型搭建（二）
[15.11]–FCN模型训练和预测
[15.1]–图像语义分割简介
[15.2]–图像语义分割网络结构——FCN
[15.3]–图像语义分割网络FCN的跳接结构
[15.4]–图像语义分割网络FCN代码实现(一)
[15.5]–图像语义分割网络FCN代码实现(二)
[15.6]–准备输入数据、可视化输入数据
[15.7]–使用预训练网络
[15.8]–获取模型中间层的输出
[15.9]–FCN模型搭建（一）
{16}–RNN循环神经网络
[16.1]–RNN循环神经网络简介
[16.2]–tf.keras循环神经网络-航空评数据预处理（一）
[16.3]–tf.keras循环神经网络-航空评数据预处理（二）
[16.4]–tf.keras循环神经网络-航空评数据分类模型
{17}–RNN序列预测实例-空气污染预测
[17.1]–RNN序列预测实例-空气污染预测-数据预处理(一)
[17.2]–RNN序列预测实例-空气污染预测-数据预处理(二)
[17.3]–RNN序列预测实例-空气污染预测-数据采样(一)
[17.4]–RNN序列预测实例-空气污染预测-数据采样(二)
[17.5]–RNN序列预测实例-空气污染预测-基础模型
[17.6]–RNN序列预测实例-空气污染预测-搭建LSTM模型
[17.7]–LSTM模型优化-多层LSTM和训练速度衰减
[17.8]–LSTM模型的预测和评价
{18}–使用免费GPU加速训练
[18.1]–注册和使用界面简介
[18.2]–添加数据集和下载运行输出
{19}–下面的课程为1.x版本课程，感兴趣可以学习
(19.1)–Tensorflow1.x版本课程介绍（续）
{1}–课程简介与开发环境搭建
(1.3)–Tensorflow2.0安装PPT
[1.1]–课程简介
[1.2]–Tensorflow2.0极简安装教程
[1.4]–Tensorflow2.0正式版的安装（选看）
[1.5]–原生python环境安装tensorflow指南（选学）
{20}–Tensorflow的简介与安装
[20.1]–Tensorflow的简介与安装
[20.2]–课程更新介绍及安装提示（2019.02）
{21}–Tensorflow数据流图、张量及数据类型
[21.1]–Tensorflow数据流图、张量及数据类型
{22}–Tensorflow中的session、占位符和变量
[22.1]–Tensorflow中的session、占位符和变量
{23}–机器学习基础-线性回归模型
[23.1]–机器学习基础-线性回归模型
{25}–多分类问题-IRIS数据集
[25.1]–多分类问题-IRIS数据集
{26}–CNN卷积神经网络
[26.1]–CNN卷积神经网络介绍
[26.2]–Mnist手写数字数据集softmax识别
[26.3]–卷积神经网络识别Mnist手写数字数据集
{27}–CNN卷积神经网络高级应用
[27.1]–Tensorflow读取机制与猫和狗识别数据集
[27.2]–猫和狗数据集的CNN网络实现
[27.3]–CNN保存检查点
[27.4]–过拟合与正则化以及数据增强处理
[27.5]–Cifar-10数据集的CNN实现
[27.6]–批标准化简介与应用
{28}–新读取机制：tf.data模块
[28.1]–使用tf.data读取猫狗数据集(一)
[28.2]–使用tf.data读取猫狗数据集(二)
[28.3]–Feedableiterator使用实例（一）
[28.4]–Feedableiterator使用实例（二）
{29}–Tensorflow高级API——tf.layers模块
[29.1]–tf.layers模块常用方法（一）
[29.2]–tf.layers模块常用方法（二）
{2}–深度学习基础和tf.keras
[2.10]–独热编码与交叉熵损失函数
[2.11]–优化函数、学习速率、反向传播算法
[2.12]–网络优化与超参数选择
[2.13]–Dropout抑制过拟合与网络参数选择总原则
[2.14]–Dropout与过拟合抑制
[2.15]–tf.keras函数式API
[2.1]–机器学习原理-线性回归
[2.2]–tf.keras实现线性回归
[2.3]–梯度下降算法
[2.4]–多层感知器（神经网络）与激活函数
[2.5]–多层感知器（神经网络）的代码实现
[2.6]–逻辑回归与交叉熵
[2.7]–逻辑回归实现
[2.8]–softmax多分类（一）
[2.9]–softmax多分类代码实现-fashionmnist数据分类实
{30}–RNN循环神经网络
[30.1]–RNN循环神经网络简介
[30.2]–RNN识别Mnist手写数字数据集
[30.3]–美国航空公司Twitter评数据集-数据预处理
[30.4]–美国航空公司Twitter评数据集-RNN实现
{31}–练习作业-搜狗实验室搜狐新闻数据分类
[31.1]–练习作业-搜狗实验室搜狐新闻中文数据分类
{32}–附：Anaconda与Jputernotebook安装使用技巧
[32.1]–Anaconda的安装
[32.2]–conda的使用
[32.3]–Notebook页面介绍
[32.4]–Jupyternotebook使用技巧（一）
[32.5]–Jupyternotebook技巧（二）
{3}–tf.data输入模块
[3.1]–tf.data模块简介
[3.2]–tf.data模块用法示例
[3.3]–tf.data输入实例（一）
[3.4]–tf.data输入实例（二）
{4}–计算机视觉-卷积神经网络
[4.1]–认识卷积神经网络（一）
[4.2]–认识卷积神经网络-卷积层和池化层
[4.3]–卷积神经网络整体架构
[4.4]–卷积神经网络识别Fashionmnist数据集
[4.5]–搭建卷积神经网络
[4.6]–卷积神经网络的优化
{5}–卫星图像识别tf.data、卷积综合实例
[5.1]–卫星图像识别卷积综合实例：图片数据读取
[5.2]–卫星图像识别卷积综合实例：读取和解码图片
[5.3]–卫星图像识别卷积综合实例：tf.data构造输入
[5.4]–卫星图像识别卷积综合实例tf.data构建图片输入管道
[5.5]–卫星图像识别卷积综合实例分类模型训练
[5.6]–批标准化
[5.7]–批标准化的使用
{6}–tf.keras高阶API实例
[6.1]–tf.keras序列问题-电影评数据分类（一）
[6.2]–tf.keras序列问题-电影评数据分类（二）
[6.3]–tf.keras训练过程可视化及解决过拟合问题
[6.4]–tf.keras图像识别-猫狗数据集实例（一）
[6.5]–tf.keras图像识别-猫狗数据集实例（二）
{7}–Eager模式与自定义训练
[7.10]–tf.keras.metrics汇总计算应用实例（二）
[7.1]–Eager模式简介
[7.2]–Eager模式代码演示与张量
[7.3]–变量与自动微分运算
[7.4]–自动微分与自定义训练（一）
[7.5]–Tensorflow自定义训练（二）
[7.6]–Tensorflow自定义训练（三）
[7.7]–Tensorflow自定义训练（四）
[7.8]–tf.keras.metrics汇总计算模块
[7.9]–tf.keras.metrics汇总计算应用实例（一）
{8}–Tensorboard可视化
[8.1]–利用回调函数使用Tensorboard
[8.2]–Tensorboard启动和界面含义介绍
[8.3]–自定义变量的tensorboard可视化
[8.4]–自定义训练中的tensorboard可视化
{9}–自定义训练综合实例与图片增强
[9.10]–模型的进一步优化与VGG网络
[9.1]–猫狗数据实例-数据读取
[9.2]–猫狗数据实例-创建dataset
[9.3]–猫狗数据实例-创建模型
[9.4]–猫狗数据实例-损失函数与优化器
[9.5]–猫狗数据实例-定义单批次训练函数
[9.6]–使用kaggle训练模型
[9.7]–在自定义训练中添加验证数据
[9.8]–模型的训练与优化
[9.9]–猫狗数据实例-图片增强
日月光华-tensorflow资料
datasets
cifar-10-batches-py
fashion-mnist
cifar-10-batches-py.tar.gz
imdb.npz
imdb_word_index.json
mnist.npz
model weights
inception_v3_weights_tf_dim_ordering_tf_kernels.h5
inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5
inception_v3_weights_tf_dim_ordering_tf_kernels_notop_update.h5
inception_v3_weights_tf_dim_ordering_tf_kernels_update.h5
mobilenet_v2_weights_tf_dim_ordering_tf_kernels_1.0_224_no_top.h5
resnet50_weights_tf_dim_ordering_tf_kernels.h5
resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5
vgg16_weights_tf_dim_ordering_tf_kernels.h5
vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5
vgg19_weights_tf_dim_ordering_tf_kernels.h5
vgg19_weights_tf_dim_ordering_tf_kernels_notop.h5
xception_weights_tf_dim_ordering_tf_kernels.h5
xception_weights_tf_dim_ordering_tf_kernels_notop.h5
tensorflow2.0代码
10. tf.data输入模块实例日月光华.ipynb
11. tf.data 卫星数据分类日月光华.ipynb
12.keras基础实例电影评价预测日月光华.ipynb
13.猫狗数据集图片数据增强日月光华.ipynb
14.循环神经网络实例 – 航空公司评情绪预测 – 日月光华.ipynb
15.LSTM实例 – 北京空气污染序列预测日月光华.ipynb
3. 日月光华 tensorflow2.0课程 tf.keras概述.ipynb
4. 日月光华 tensorflow2.0课程多层感知器.ipynb
41.eager模式日月光华.ipynb
44.自动微分运算日月光华.ipynb
48.自动微分运算(续) 日月光华.ipynb
5. 日月光华 tensorflow2.0课程逻辑回归实现.ipynb
51.Tensorboard可视化日月光华.ipynb
55.猫狗数据自定义训练实例日月光华.ipynb
6. 日月光华 tensorflow2.0课程 softmax多分类.ipynb
7. 模型优化日月光华.ipynb
8. tf.data模块日月光华.ipynb
8. 抑制过拟合日月光华.ipynb
82. 多输出模型实例日月光华.ipynb
9. 函数式api 日月光华.ipynb
日月光华tensorflow课程PPT
1. Tensorflow2.0简介
10. tf.data模块
11. 卷积神经网络CNN基础
12. Tensorflow eager模式
13. tf.fuction自动图运算
14.Tensorboard可视化
15.批标准化
16.著名的CNN架构
17. 使用预训练网络
18. 常见预训练网络
18. 模型保存
2. Tensorflow2.0安装
3. 机器学习基础与tf.keras概述
4. 多层感知器 (MLP)
5. 逻辑回归与交叉熵
6. softmax多分类
7. 优化函数、学习速率与反向传播算法
8.超参数选择原则
9. dropout
数据集
IMDB-WIKI_500k+ face images with age and gender labels
iris
tt
图片定位与分割数据集
2_class
Advertising.csv
cifar-10
credit-a.csv
imdb.npz
Incne1.csv
iris.csv
multi-output-classification多输出模型数据集
PRSA_data_2010.1.1-2014.12.31.csv
Tweets.csv
航空公司twittrer评数据集
猫狗数据集
猫狗数据集_2000
日月光华_birds分类竞赛数据

包含内容

· {10}–使用预训练网络（迁移学习）
· [10.1]–预训练网络（迁移学习）基础知识
· [10.2]–迁移学习网络架构
· [10.3]–迁移学习的代码实现
· [10.4]–经典预训练网络权重分享和使用方法
· [10.5]–预训练网络使用——微调
· [10.6]–常见的预训练网络模型及使用示例
· {11}–多输出模型实例

贡献者

Kevin

青铜

网易云 - Tensorflow深度学习入门与实战

来自网络整理

免费领取学习资源

原价：199¥5,202 领取 · 7,727 收藏

TensorFlow 人工智能与深度学习

这份资料来自网络整理2026年的付费VIP课，内容以视频为主，对应《网易云 - Tensorflow深度学习入门与实战》。官网需要单独购买，有集上可以免费领取。

本课程用通俗易懂的实例，系统讲解了Tensorflow2.0的使用，是一堂简明易懂、系统深入的 Tensorflow 2.0 教程

Tensorflow深度学习入门与实战

课程目录

{10}–使用预训练网络（迁移学习）
[10.1]–预训练网络（迁移学习）基础知识
[10.2]–迁移学习网络架构
[10.3]–迁移学习的代码实现
[10.4]–经典预训练网络权重分享和使用方法
[10.5]–预训练网络使用——微调
[10.6]–常见的预训练网络模型及使用示例
{11}–多输出模型实例
[11.1]–多输出模型实例——数据加载
[11.2]–多输出模型的创建
[11.3]–多输出模型的编译和训练
[11.4]–多输出模型的评价与模型预测
{12}–模型保存与恢复
[12.1]–保存整体模型
[12.2]–.仅保存架构和仅保存权重
[12.3]–使用回调函数保存模型
[12.4]–在自定义训练中保存检查点
{13}–图像定位
[13.1]–常见图像处理任务
[13.2]–图像和位置数据的解析与可视化
[13.3]–图片缩放与目标值的规范
[13.4]–数据读取与预处理（一）
[13.5]–数据读取与预处理——创建目标数据datasets
[13.6]–创建输入管道
[13.7]–图像定位模型创建
[13.8]–图像定位模型的预测
[13.9]–图像定位的优化、评价和应用简介
{14}–自动图运算与GPU使用策略
[14.1]–自动图运算
[14.2]–GPU配置与使用策略
{15}–图像语义分割
[15.10]–FCN模型搭建（二）
[15.11]–FCN模型训练和预测
[15.1]–图像语义分割简介
[15.2]–图像语义分割网络结构——FCN
[15.3]–图像语义分割网络FCN的跳接结构
[15.4]–图像语义分割网络FCN代码实现(一)
[15.5]–图像语义分割网络FCN代码实现(二)
[15.6]–准备输入数据、可视化输入数据
[15.7]–使用预训练网络
[15.8]–获取模型中间层的输出
[15.9]–FCN模型搭建（一）
{16}–RNN循环神经网络
[16.1]–RNN循环神经网络简介
[16.2]–tf.keras循环神经网络-航空评数据预处理（一）
[16.3]–tf.keras循环神经网络-航空评数据预处理（二）
[16.4]–tf.keras循环神经网络-航空评数据分类模型
{17}–RNN序列预测实例-空气污染预测
[17.1]–RNN序列预测实例-空气污染预测-数据预处理(一)
[17.2]–RNN序列预测实例-空气污染预测-数据预处理(二)
[17.3]–RNN序列预测实例-空气污染预测-数据采样(一)
[17.4]–RNN序列预测实例-空气污染预测-数据采样(二)
[17.5]–RNN序列预测实例-空气污染预测-基础模型
[17.6]–RNN序列预测实例-空气污染预测-搭建LSTM模型
[17.7]–LSTM模型优化-多层LSTM和训练速度衰减
[17.8]–LSTM模型的预测和评价
{18}–使用免费GPU加速训练
[18.1]–注册和使用界面简介
[18.2]–添加数据集和下载运行输出
{19}–下面的课程为1.x版本课程，感兴趣可以学习
(19.1)–Tensorflow1.x版本课程介绍（续）
{1}–课程简介与开发环境搭建
(1.3)–Tensorflow2.0安装PPT
[1.1]–课程简介
[1.2]–Tensorflow2.0极简安装教程
[1.4]–Tensorflow2.0正式版的安装（选看）
[1.5]–原生python环境安装tensorflow指南（选学）
{20}–Tensorflow的简介与安装
[20.1]–Tensorflow的简介与安装
[20.2]–课程更新介绍及安装提示（2019.02）
{21}–Tensorflow数据流图、张量及数据类型
[21.1]–Tensorflow数据流图、张量及数据类型
{22}–Tensorflow中的session、占位符和变量
[22.1]–Tensorflow中的session、占位符和变量
{23}–机器学习基础-线性回归模型
[23.1]–机器学习基础-线性回归模型
{25}–多分类问题-IRIS数据集
[25.1]–多分类问题-IRIS数据集
{26}–CNN卷积神经网络
[26.1]–CNN卷积神经网络介绍
[26.2]–Mnist手写数字数据集softmax识别
[26.3]–卷积神经网络识别Mnist手写数字数据集
{27}–CNN卷积神经网络高级应用
[27.1]–Tensorflow读取机制与猫和狗识别数据集
[27.2]–猫和狗数据集的CNN网络实现
[27.3]–CNN保存检查点
[27.4]–过拟合与正则化以及数据增强处理
[27.5]–Cifar-10数据集的CNN实现
[27.6]–批标准化简介与应用
{28}–新读取机制：tf.data模块
[28.1]–使用tf.data读取猫狗数据集(一)
[28.2]–使用tf.data读取猫狗数据集(二)
[28.3]–Feedableiterator使用实例（一）
[28.4]–Feedableiterator使用实例（二）
{29}–Tensorflow高级API——tf.layers模块
[29.1]–tf.layers模块常用方法（一）
[29.2]–tf.layers模块常用方法（二）
{2}–深度学习基础和tf.keras
[2.10]–独热编码与交叉熵损失函数
[2.11]–优化函数、学习速率、反向传播算法
[2.12]–网络优化与超参数选择
[2.13]–Dropout抑制过拟合与网络参数选择总原则
[2.14]–Dropout与过拟合抑制
[2.15]–tf.keras函数式API
[2.1]–机器学习原理-线性回归
[2.2]–tf.keras实现线性回归
[2.3]–梯度下降算法
[2.4]–多层感知器（神经网络）与激活函数
[2.5]–多层感知器（神经网络）的代码实现
[2.6]–逻辑回归与交叉熵
[2.7]–逻辑回归实现
[2.8]–softmax多分类（一）
[2.9]–softmax多分类代码实现-fashionmnist数据分类实
{30}–RNN循环神经网络
[30.1]–RNN循环神经网络简介
[30.2]–RNN识别Mnist手写数字数据集
[30.3]–美国航空公司Twitter评数据集-数据预处理
[30.4]–美国航空公司Twitter评数据集-RNN实现
{31}–练习作业-搜狗实验室搜狐新闻数据分类
[31.1]–练习作业-搜狗实验室搜狐新闻中文数据分类
{32}–附：Anaconda与Jputernotebook安装使用技巧
[32.1]–Anaconda的安装
[32.2]–conda的使用
[32.3]–Notebook页面介绍
[32.4]–Jupyternotebook使用技巧（一）
[32.5]–Jupyternotebook技巧（二）
{3}–tf.data输入模块
[3.1]–tf.data模块简介
[3.2]–tf.data模块用法示例
[3.3]–tf.data输入实例（一）
[3.4]–tf.data输入实例（二）
{4}–计算机视觉-卷积神经网络
[4.1]–认识卷积神经网络（一）
[4.2]–认识卷积神经网络-卷积层和池化层
[4.3]–卷积神经网络整体架构
[4.4]–卷积神经网络识别Fashionmnist数据集
[4.5]–搭建卷积神经网络
[4.6]–卷积神经网络的优化
{5}–卫星图像识别tf.data、卷积综合实例
[5.1]–卫星图像识别卷积综合实例：图片数据读取
[5.2]–卫星图像识别卷积综合实例：读取和解码图片
[5.3]–卫星图像识别卷积综合实例：tf.data构造输入
[5.4]–卫星图像识别卷积综合实例tf.data构建图片输入管道
[5.5]–卫星图像识别卷积综合实例分类模型训练
[5.6]–批标准化
[5.7]–批标准化的使用
{6}–tf.keras高阶API实例
[6.1]–tf.keras序列问题-电影评数据分类（一）
[6.2]–tf.keras序列问题-电影评数据分类（二）
[6.3]–tf.keras训练过程可视化及解决过拟合问题
[6.4]–tf.keras图像识别-猫狗数据集实例（一）
[6.5]–tf.keras图像识别-猫狗数据集实例（二）
{7}–Eager模式与自定义训练
[7.10]–tf.keras.metrics汇总计算应用实例（二）
[7.1]–Eager模式简介
[7.2]–Eager模式代码演示与张量
[7.3]–变量与自动微分运算
[7.4]–自动微分与自定义训练（一）
[7.5]–Tensorflow自定义训练（二）
[7.6]–Tensorflow自定义训练（三）
[7.7]–Tensorflow自定义训练（四）
[7.8]–tf.keras.metrics汇总计算模块
[7.9]–tf.keras.metrics汇总计算应用实例（一）
{8}–Tensorboard可视化
[8.1]–利用回调函数使用Tensorboard
[8.2]–Tensorboard启动和界面含义介绍
[8.3]–自定义变量的tensorboard可视化
[8.4]–自定义训练中的tensorboard可视化
{9}–自定义训练综合实例与图片增强
[9.10]–模型的进一步优化与VGG网络
[9.1]–猫狗数据实例-数据读取
[9.2]–猫狗数据实例-创建dataset
[9.3]–猫狗数据实例-创建模型
[9.4]–猫狗数据实例-损失函数与优化器
[9.5]–猫狗数据实例-定义单批次训练函数
[9.6]–使用kaggle训练模型
[9.7]–在自定义训练中添加验证数据
[9.8]–模型的训练与优化
[9.9]–猫狗数据实例-图片增强
日月光华-tensorflow资料
datasets
cifar-10-batches-py
fashion-mnist
cifar-10-batches-py.tar.gz
imdb.npz
imdb_word_index.json
mnist.npz
model weights
inception_v3_weights_tf_dim_ordering_tf_kernels.h5
inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5
inception_v3_weights_tf_dim_ordering_tf_kernels_notop_update.h5
inception_v3_weights_tf_dim_ordering_tf_kernels_update.h5
mobilenet_v2_weights_tf_dim_ordering_tf_kernels_1.0_224_no_top.h5
resnet50_weights_tf_dim_ordering_tf_kernels.h5
resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5
vgg16_weights_tf_dim_ordering_tf_kernels.h5
vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5
vgg19_weights_tf_dim_ordering_tf_kernels.h5
vgg19_weights_tf_dim_ordering_tf_kernels_notop.h5
xception_weights_tf_dim_ordering_tf_kernels.h5
xception_weights_tf_dim_ordering_tf_kernels_notop.h5
tensorflow2.0代码
10. tf.data输入模块实例日月光华.ipynb
11. tf.data 卫星数据分类日月光华.ipynb
12.keras基础实例电影评价预测日月光华.ipynb
13.猫狗数据集图片数据增强日月光华.ipynb
14.循环神经网络实例 – 航空公司评情绪预测 – 日月光华.ipynb
15.LSTM实例 – 北京空气污染序列预测日月光华.ipynb
3. 日月光华 tensorflow2.0课程 tf.keras概述.ipynb
4. 日月光华 tensorflow2.0课程多层感知器.ipynb
41.eager模式日月光华.ipynb
44.自动微分运算日月光华.ipynb
48.自动微分运算(续) 日月光华.ipynb
5. 日月光华 tensorflow2.0课程逻辑回归实现.ipynb
51.Tensorboard可视化日月光华.ipynb
55.猫狗数据自定义训练实例日月光华.ipynb
6. 日月光华 tensorflow2.0课程 softmax多分类.ipynb
7. 模型优化日月光华.ipynb
8. tf.data模块日月光华.ipynb
8. 抑制过拟合日月光华.ipynb
82. 多输出模型实例日月光华.ipynb
9. 函数式api 日月光华.ipynb
日月光华tensorflow课程PPT
1. Tensorflow2.0简介
10. tf.data模块
11. 卷积神经网络CNN基础
12. Tensorflow eager模式
13. tf.fuction自动图运算
14.Tensorboard可视化
15.批标准化
16.著名的CNN架构
17. 使用预训练网络
18. 常见预训练网络
18. 模型保存
2. Tensorflow2.0安装
3. 机器学习基础与tf.keras概述
4. 多层感知器 (MLP)
5. 逻辑回归与交叉熵
6. softmax多分类
7. 优化函数、学习速率与反向传播算法
8.超参数选择原则
9. dropout
数据集
IMDB-WIKI_500k+ face images with age and gender labels
iris
tt
图片定位与分割数据集
2_class
Advertising.csv
cifar-10
credit-a.csv
imdb.npz
Incne1.csv
iris.csv
multi-output-classification多输出模型数据集
PRSA_data_2010.1.1-2014.12.31.csv
Tweets.csv
航空公司twittrer评数据集
猫狗数据集
猫狗数据集_2000
日月光华_birds分类竞赛数据

包含内容

· {10}–使用预训练网络（迁移学习）
· [10.1]–预训练网络（迁移学习）基础知识
· [10.2]–迁移学习网络架构
· [10.3]–迁移学习的代码实现
· [10.4]–经典预训练网络权重分享和使用方法
· [10.5]–预训练网络使用——微调
· [10.6]–常见的预训练网络模型及使用示例
· {11}–多输出模型实例

Kevin

贡献者

网易云 - Tensorflow深度学习入门与实战

来自网络整理·免费领取学习资源

5,202 领取 · 7,727 收藏更新于 2026年9月20日

TensorFlow 人工智能与深度学习

这份资料来自网络整理2026年的付费VIP课，内容以视频为主，对应《网易云 - Tensorflow深度学习入门与实战》。官网需要单独购买，有集上可以免费领取。

本课程用通俗易懂的实例，系统讲解了Tensorflow2.0的使用，是一堂简明易懂、系统深入的 Tensorflow 2.0 教程

Tensorflow深度学习入门与实战

课程目录

{10}–使用预训练网络（迁移学习）
[10.1]–预训练网络（迁移学习）基础知识
[10.2]–迁移学习网络架构
[10.3]–迁移学习的代码实现
[10.4]–经典预训练网络权重分享和使用方法
[10.5]–预训练网络使用——微调
[10.6]–常见的预训练网络模型及使用示例
{11}–多输出模型实例
[11.1]–多输出模型实例——数据加载
[11.2]–多输出模型的创建
[11.3]–多输出模型的编译和训练
[11.4]–多输出模型的评价与模型预测
{12}–模型保存与恢复
[12.1]–保存整体模型
[12.2]–.仅保存架构和仅保存权重
[12.3]–使用回调函数保存模型
[12.4]–在自定义训练中保存检查点
{13}–图像定位
[13.1]–常见图像处理任务
[13.2]–图像和位置数据的解析与可视化
[13.3]–图片缩放与目标值的规范
[13.4]–数据读取与预处理（一）
[13.5]–数据读取与预处理——创建目标数据datasets
[13.6]–创建输入管道
[13.7]–图像定位模型创建
[13.8]–图像定位模型的预测
[13.9]–图像定位的优化、评价和应用简介
{14}–自动图运算与GPU使用策略
[14.1]–自动图运算
[14.2]–GPU配置与使用策略
{15}–图像语义分割
[15.10]–FCN模型搭建（二）
[15.11]–FCN模型训练和预测
[15.1]–图像语义分割简介
[15.2]–图像语义分割网络结构——FCN
[15.3]–图像语义分割网络FCN的跳接结构
[15.4]–图像语义分割网络FCN代码实现(一)
[15.5]–图像语义分割网络FCN代码实现(二)
[15.6]–准备输入数据、可视化输入数据
[15.7]–使用预训练网络
[15.8]–获取模型中间层的输出
[15.9]–FCN模型搭建（一）
{16}–RNN循环神经网络
[16.1]–RNN循环神经网络简介
[16.2]–tf.keras循环神经网络-航空评数据预处理（一）
[16.3]–tf.keras循环神经网络-航空评数据预处理（二）
[16.4]–tf.keras循环神经网络-航空评数据分类模型
{17}–RNN序列预测实例-空气污染预测
[17.1]–RNN序列预测实例-空气污染预测-数据预处理(一)
[17.2]–RNN序列预测实例-空气污染预测-数据预处理(二)
[17.3]–RNN序列预测实例-空气污染预测-数据采样(一)
[17.4]–RNN序列预测实例-空气污染预测-数据采样(二)
[17.5]–RNN序列预测实例-空气污染预测-基础模型
[17.6]–RNN序列预测实例-空气污染预测-搭建LSTM模型
[17.7]–LSTM模型优化-多层LSTM和训练速度衰减
[17.8]–LSTM模型的预测和评价
{18}–使用免费GPU加速训练
[18.1]–注册和使用界面简介
[18.2]–添加数据集和下载运行输出
{19}–下面的课程为1.x版本课程，感兴趣可以学习
(19.1)–Tensorflow1.x版本课程介绍（续）
{1}–课程简介与开发环境搭建
(1.3)–Tensorflow2.0安装PPT
[1.1]–课程简介
[1.2]–Tensorflow2.0极简安装教程
[1.4]–Tensorflow2.0正式版的安装（选看）
[1.5]–原生python环境安装tensorflow指南（选学）
{20}–Tensorflow的简介与安装
[20.1]–Tensorflow的简介与安装
[20.2]–课程更新介绍及安装提示（2019.02）
{21}–Tensorflow数据流图、张量及数据类型
[21.1]–Tensorflow数据流图、张量及数据类型
{22}–Tensorflow中的session、占位符和变量
[22.1]–Tensorflow中的session、占位符和变量
{23}–机器学习基础-线性回归模型
[23.1]–机器学习基础-线性回归模型
{25}–多分类问题-IRIS数据集
[25.1]–多分类问题-IRIS数据集
{26}–CNN卷积神经网络
[26.1]–CNN卷积神经网络介绍
[26.2]–Mnist手写数字数据集softmax识别
[26.3]–卷积神经网络识别Mnist手写数字数据集
{27}–CNN卷积神经网络高级应用
[27.1]–Tensorflow读取机制与猫和狗识别数据集
[27.2]–猫和狗数据集的CNN网络实现
[27.3]–CNN保存检查点
[27.4]–过拟合与正则化以及数据增强处理
[27.5]–Cifar-10数据集的CNN实现
[27.6]–批标准化简介与应用
{28}–新读取机制：tf.data模块
[28.1]–使用tf.data读取猫狗数据集(一)
[28.2]–使用tf.data读取猫狗数据集(二)
[28.3]–Feedableiterator使用实例（一）
[28.4]–Feedableiterator使用实例（二）
{29}–Tensorflow高级API——tf.layers模块
[29.1]–tf.layers模块常用方法（一）
[29.2]–tf.layers模块常用方法（二）
{2}–深度学习基础和tf.keras
[2.10]–独热编码与交叉熵损失函数
[2.11]–优化函数、学习速率、反向传播算法
[2.12]–网络优化与超参数选择
[2.13]–Dropout抑制过拟合与网络参数选择总原则
[2.14]–Dropout与过拟合抑制
[2.15]–tf.keras函数式API
[2.1]–机器学习原理-线性回归
[2.2]–tf.keras实现线性回归
[2.3]–梯度下降算法
[2.4]–多层感知器（神经网络）与激活函数
[2.5]–多层感知器（神经网络）的代码实现
[2.6]–逻辑回归与交叉熵
[2.7]–逻辑回归实现
[2.8]–softmax多分类（一）
[2.9]–softmax多分类代码实现-fashionmnist数据分类实
{30}–RNN循环神经网络
[30.1]–RNN循环神经网络简介
[30.2]–RNN识别Mnist手写数字数据集
[30.3]–美国航空公司Twitter评数据集-数据预处理
[30.4]–美国航空公司Twitter评数据集-RNN实现
{31}–练习作业-搜狗实验室搜狐新闻数据分类
[31.1]–练习作业-搜狗实验室搜狐新闻中文数据分类
{32}–附：Anaconda与Jputernotebook安装使用技巧
[32.1]–Anaconda的安装
[32.2]–conda的使用
[32.3]–Notebook页面介绍
[32.4]–Jupyternotebook使用技巧（一）
[32.5]–Jupyternotebook技巧（二）
{3}–tf.data输入模块
[3.1]–tf.data模块简介
[3.2]–tf.data模块用法示例
[3.3]–tf.data输入实例（一）
[3.4]–tf.data输入实例（二）
{4}–计算机视觉-卷积神经网络
[4.1]–认识卷积神经网络（一）
[4.2]–认识卷积神经网络-卷积层和池化层
[4.3]–卷积神经网络整体架构
[4.4]–卷积神经网络识别Fashionmnist数据集
[4.5]–搭建卷积神经网络
[4.6]–卷积神经网络的优化
{5}–卫星图像识别tf.data、卷积综合实例
[5.1]–卫星图像识别卷积综合实例：图片数据读取
[5.2]–卫星图像识别卷积综合实例：读取和解码图片
[5.3]–卫星图像识别卷积综合实例：tf.data构造输入
[5.4]–卫星图像识别卷积综合实例tf.data构建图片输入管道
[5.5]–卫星图像识别卷积综合实例分类模型训练
[5.6]–批标准化
[5.7]–批标准化的使用
{6}–tf.keras高阶API实例
[6.1]–tf.keras序列问题-电影评数据分类（一）
[6.2]–tf.keras序列问题-电影评数据分类（二）
[6.3]–tf.keras训练过程可视化及解决过拟合问题
[6.4]–tf.keras图像识别-猫狗数据集实例（一）
[6.5]–tf.keras图像识别-猫狗数据集实例（二）
{7}–Eager模式与自定义训练
[7.10]–tf.keras.metrics汇总计算应用实例（二）
[7.1]–Eager模式简介
[7.2]–Eager模式代码演示与张量
[7.3]–变量与自动微分运算
[7.4]–自动微分与自定义训练（一）
[7.5]–Tensorflow自定义训练（二）
[7.6]–Tensorflow自定义训练（三）
[7.7]–Tensorflow自定义训练（四）
[7.8]–tf.keras.metrics汇总计算模块
[7.9]–tf.keras.metrics汇总计算应用实例（一）
{8}–Tensorboard可视化
[8.1]–利用回调函数使用Tensorboard
[8.2]–Tensorboard启动和界面含义介绍
[8.3]–自定义变量的tensorboard可视化
[8.4]–自定义训练中的tensorboard可视化
{9}–自定义训练综合实例与图片增强
[9.10]–模型的进一步优化与VGG网络
[9.1]–猫狗数据实例-数据读取
[9.2]–猫狗数据实例-创建dataset
[9.3]–猫狗数据实例-创建模型
[9.4]–猫狗数据实例-损失函数与优化器
[9.5]–猫狗数据实例-定义单批次训练函数
[9.6]–使用kaggle训练模型
[9.7]–在自定义训练中添加验证数据
[9.8]–模型的训练与优化
[9.9]–猫狗数据实例-图片增强
日月光华-tensorflow资料
datasets
cifar-10-batches-py
fashion-mnist
cifar-10-batches-py.tar.gz
imdb.npz
imdb_word_index.json
mnist.npz
model weights
inception_v3_weights_tf_dim_ordering_tf_kernels.h5
inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5
inception_v3_weights_tf_dim_ordering_tf_kernels_notop_update.h5
inception_v3_weights_tf_dim_ordering_tf_kernels_update.h5
mobilenet_v2_weights_tf_dim_ordering_tf_kernels_1.0_224_no_top.h5
resnet50_weights_tf_dim_ordering_tf_kernels.h5
resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5
vgg16_weights_tf_dim_ordering_tf_kernels.h5
vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5
vgg19_weights_tf_dim_ordering_tf_kernels.h5
vgg19_weights_tf_dim_ordering_tf_kernels_notop.h5
xception_weights_tf_dim_ordering_tf_kernels.h5
xception_weights_tf_dim_ordering_tf_kernels_notop.h5
tensorflow2.0代码
10. tf.data输入模块实例日月光华.ipynb
11. tf.data 卫星数据分类日月光华.ipynb
12.keras基础实例电影评价预测日月光华.ipynb
13.猫狗数据集图片数据增强日月光华.ipynb
14.循环神经网络实例 – 航空公司评情绪预测 – 日月光华.ipynb
15.LSTM实例 – 北京空气污染序列预测日月光华.ipynb
3. 日月光华 tensorflow2.0课程 tf.keras概述.ipynb
4. 日月光华 tensorflow2.0课程多层感知器.ipynb
41.eager模式日月光华.ipynb
44.自动微分运算日月光华.ipynb
48.自动微分运算(续) 日月光华.ipynb
5. 日月光华 tensorflow2.0课程逻辑回归实现.ipynb
51.Tensorboard可视化日月光华.ipynb
55.猫狗数据自定义训练实例日月光华.ipynb
6. 日月光华 tensorflow2.0课程 softmax多分类.ipynb
7. 模型优化日月光华.ipynb
8. tf.data模块日月光华.ipynb
8. 抑制过拟合日月光华.ipynb
82. 多输出模型实例日月光华.ipynb
9. 函数式api 日月光华.ipynb
日月光华tensorflow课程PPT
1. Tensorflow2.0简介
10. tf.data模块
11. 卷积神经网络CNN基础
12. Tensorflow eager模式
13. tf.fuction自动图运算
14.Tensorboard可视化
15.批标准化
16.著名的CNN架构
17. 使用预训练网络
18. 常见预训练网络
18. 模型保存
2. Tensorflow2.0安装
3. 机器学习基础与tf.keras概述
4. 多层感知器 (MLP)
5. 逻辑回归与交叉熵
6. softmax多分类
7. 优化函数、学习速率与反向传播算法
8.超参数选择原则
9. dropout
数据集
IMDB-WIKI_500k+ face images with age and gender labels
iris
tt
图片定位与分割数据集
2_class
Advertising.csv
cifar-10
credit-a.csv
imdb.npz
Incne1.csv
iris.csv
multi-output-classification多输出模型数据集
PRSA_data_2010.1.1-2014.12.31.csv
Tweets.csv
航空公司twittrer评数据集
猫狗数据集
猫狗数据集_2000
日月光华_birds分类竞赛数据

包含内容

· {10}–使用预训练网络（迁移学习）
· [10.1]–预训练网络（迁移学习）基础知识
· [10.2]–迁移学习网络架构
· [10.3]–迁移学习的代码实现
· [10.4]–经典预训练网络权重分享和使用方法
· [10.5]–预训练网络使用——微调
· [10.6]–常见的预训练网络模型及使用示例
· {11}–多输出模型实例

贡献者

Kevin

青铜

资料

网易云 - Tensorflow深度学习入门与实战

课程目录

包含内容

评论

相关资源

网易云 - Tensorflow深度学习入门与实战

课程目录

包含内容

评论

相关资源

网易云 - Tensorflow深度学习入门与实战

课程目录

包含内容

评论

相关资源

网易云 - Tensorflow深度学习入门与实战

课程目录

包含内容

评论

相关资源