TensorFlow 2.0深度學習從零開始學

                      TensorFlow 2.0深度學習從零開始學
                      分享
                      掃描下方二維碼分享到微信
                      打開微信,點擊右上角”+“,
                      使用”掃一掃“即可將網頁分享到朋友圈。
                      作者:
                      2020-06
                      版次: 1
                      ISBN: 9787302552734
                      定價: 69.00
                      裝幀: 其他
                      開本: 16開
                      紙張: 膠版紙
                      • 隨著人工智能的發展以及TensorFlow在人工智能方面的火熱應用,越來越多的大學逐步開設深度學習和人工智能課程。本書既是一本為讀者量身定制的TensorFlow 2.0入門教材,也是針對需要學習TensorFlow 2.0新內容的讀者提供的基礎與進階知識的深入型教材。 本書分為10章,主要內容包括TensorFlow 2.0開發環境、TensorFlow 2.0新特性、TensorFlow與Keras的使用、TensorFlow 2.0語法基礎、卷積層詳解與MNIST實戰、Dataset使用詳解、TensorFlow Datasets和TensorBoard詳解、ResNet及其實戰、注意力機制、卷積神經網絡實戰。 本書內容詳盡、示例豐富,是廣大對TensorFlow 2.0感興趣的讀者必備的參考書,同時也非常適合大中專院校師生學習閱讀,還可作為高等院校計算機及相關專業的教材使用。 王曉華,計算機專業講師,長期講授面向對象程序設計、數據結構、Hadoop程序設計等研究生和本科生相關課程;主研方向為云計算、數據挖掘;曾主持和參與多項國家和省級科研課題,獨立科研項目獲省級成果認定,發表過多篇論文,擁有一項專利;著有《Spark MLlib機器學習實踐》《TensorFlow深度學習應用實踐》《OpenCV TensorFlow深度學習與計算機視覺實戰》等圖書。 目 ?錄

                        第1章 ?TensorFlow 2.0的安裝 1

                        1.1 ?Python基本安裝和用法 1

                        1.1.1 ?Anaconda的下載與安裝 1

                        1.1.2 ?Python編譯器PyCharm的安裝 4

                        1.1.3 ?使用Python計算softmax函數 7

                        1.2 ?TensorFlow 2.0 GPU版本的安裝 8

                        1.2.1 ?檢測Anaconda中的TensorFlow版本 8

                        1.2.2 ?TensorFlow 2.0 GPU版本基礎顯卡推薦和前置軟件安裝 9

                        1.3 ?Hello TensorFlow 2.0 12

                        1.4 ?本章小結 13

                        第2章 ?TensorFlow 2.0令人期待的變化 14

                        2.1 ?新的架構、新的運行、新的開始 14

                        2.1.1 ?API精簡 15

                        2.1.2 ?Eager Execution 15

                        2.1.3 ?取消全局變量 15

                        2.1.4 ?使用函數而不是會話 15

                        2.1.5 ?棄用collection 16

                        2.2 ?配角轉成主角:從TensorFlow Eager Execution轉正談起 16

                        2.2.1 ?Eager簡介與調用 17

                        2.2.2 ?讀取數據 18

                        2.3 ?使用TensorFlow 2.0模式進行線性回歸的一個簡單例子 20

                        2.3.1 ?模型的工具與數據的生成 20

                        2.3.2 ?模型的定義 20

                        2.3.3 ?損失函數的定義 21

                        2.3.4 ?梯度函數的更新計算 21

                        2.4 ?TensorFlow 2.0進階—AutoGraph和tf.function 23

                        2.5 ?本章小結 26

                        第3章 ?TensorFlow 和 Keras 27

                        3.1 ?模型!模型!模型!還是模型 27

                        3.2 ?使用Keras API實現鳶尾花分類的例子(順序模式) 28

                        3.2.1 ?數據的準備 29

                        3.2.2 ?數據的處理 30

                        3.2.3 ?梯度更新函數的寫法 31

                        3.2.4 ?使用Keras 函數式編程實現鳶尾花分類的例子(重點) 32

                        3.2.5 ?使用保存的Keras模式對模型進行復用 35

                        3.2.6 ?使用TensorFlow 2.0標準化編譯對iris模型進行擬合 35

                        3.3 ?多輸入單一輸出TensorFlow 2.0 編譯方法(選學) 40

                        3.3.1 ?數據的獲取與處理 40

                        3.3.2 ?模型的建立 41

                        3.3.3 ?數據的組合 41

                        3.4 ?多輸入多輸出TensorFlow 2.0 編譯方法(選學) 44

                        3.5 ?全連接層詳解 46

                        3.5.1 ?全連接層的定義與實現 46

                        3.5.2 ?使用TensorFlow 2.0自帶的API實現全連接層 47

                        3.5.3 ?打印顯示TensorFlow 2.0設計的模型結構和參數 51

                        3.6 ?本章小結 53

                        第4章 ?TensorFlow 2.0語法基礎 54

                        4.1 ?BP神經網絡簡介 54

                        4.2 ?BP神經網絡的兩個基礎算法 58

                        4.2.1 ?最小二乘法(LS算法) 58

                        4.2.2 ?道士下山的故事—梯度下降算法 61

                        4.3 ?反饋神經網絡反向傳播算法 63

                        4.3.1 ?深度學習基礎 63

                        4.3.2 ?鏈式求導法則 64

                        4.3.3 ?反饋神經網絡原理與公式推導 66

                        4.3.4 ?反饋神經網絡原理的激活函數 72

                        4.3.5 ?反饋神經網絡原理的Python實現 73

                        4.4 ?本章小結 78

                        第5章 ?卷積層與MNIST實戰 79

                        5.1 ?卷積運算 79

                        5.1.1 ?卷積運算的基本概念 80

                        5.1.2 ?TensorFlow 2.0中卷積函數的實現 81

                        5.1.3 ?池化運算 83

                        5.1.4 ?softmax激活函數 84

                        5.1.5 ?卷積神經網絡原理 86

                        5.2 ?TensorFlow 2.0編程實戰:MNIST手寫體識別 89

                        5.2.1 ?MNIST數據集 89

                        5.2.2 ?MNIST數據集特征和標注 91

                        5.2.3 ?TensorFlow 2.0編程實戰:MNIST數據集 93

                        5.2.4 ?使用自定義的卷積層實現MNIST識別 97

                        5.3 ?本章小結 101

                        第6章 ?TensorFlow 2.0 Dataset 使用詳解 102

                        6.1 ?Dataset API基本結構和內容 102

                        6.1.1 ?Dataset API數據種類 103

                        6.1.2 ?Dataset API基礎使用 104

                        6.2 ?Dataset API高級用法 105

                        6.2.1 ?Dataset API數據轉換方法 107

                        6.2.2 ?讀取圖片數據集的例子 110

                        6.3 ?使用TFRecord API創建和使用數據集 111

                        6.3.1 ?TFRecord的基本概念 112

                        6.3.2 ?TFRecord的創建 113

                        6.3.3 ?TFRecord的讀取 118

                        6.4 ?TFRecord實戰:帶有處理模型的完整例子 124

                        6.4.1 ?創建數據集 125

                        6.4.2 ?創建解析函數 125

                        6.4.3 ?創建數據模型 126

                        6.4.4 ?創建讀取函數 126

                        6.5 ?本章小結 128

                        第7章 ?TensorFlow Datasets和TensorBoard詳解 129

                        7.1 ?TensorFlow Datasets簡介 129

                        7.1.1 ?Datasets 數據集的安裝 131

                        7.1.2 ?Datasets 數據集的使用 131

                        7.2 ?Datasets數據集的使用—FashionMNIST 133

                        7.2.1 ?FashionMNIST數據集下載與顯示 134

                        7.2.2 ?模型的建立與訓練 136

                        7.3 ?使用Keras對FashionMNIST數據集進行處理 138

                        7.3.1 ?獲取數據集 138

                        7.3.2 ?數據集的調整 139

                        7.3.3 ?使用Python類函數建立模型 139

                        7.3.4 ?模型的查看和參數的打印 141

                        7.3.5 ?模型的訓練和評估 142

                        7.4 ?使用TensorBoard可視化訓練過程 144

                        7.4.1 ?TensorBoard的文件夾設置 145

                        7.4.2 ?顯式地調用TensorBoard 146

                        7.4.3 ?使用TensorBoard 148

                        7.5 ?本章小結 152

                        第8章 ?從冠軍開始:ResNet 153

                        8.1 ?ResNet基礎原理與程序設計基礎 153

                        8.1.1 ?ResNet誕生的背景 154

                        8.1.2 ?模塊工具的TensorFlow實現—不要重復發明輪子 157

                        8.1.3 ?TensorFlow高級模塊layers的用法 157

                        8.2 ?ResNet實戰:CIFAR-100數據集分類 165

                        8.2.1 ?CIFAR-100數據集 165

                        8.2.2 ?ResNet殘差模塊的實現 168

                        8.2.3 ?ResNet網絡的實現 170

                        8.2.4 ?使用ResNet對CIFAR-100數據集進行分類 173

                        8.3 ?ResNet的兄弟—ResNeXt 175

                        8.3.1 ?ResNeXt誕生的背景 175

                        8.3.2 ?ResNeXt殘差模塊的實現 177

                        8.3.3 ?ResNeXt網絡的實現 178

                        8.3.4 ?ResNeXt和ResNet的比較 180

                        8.4 ?本章小結 180

                        第9章 ?注意力機制 181

                        9.1 ?何為“注意力” 181

                        9.2 ?注意力機制的兩種常見形式 182

                        9.2.1 ?Hard Attention(硬性注意力) 183

                        9.2.2 ?Soft Attention(軟性注意力) 183

                        9.3 ?注意力機制的兩種實現形式 183

                        9.3.1 ?Spatial Attention(空間注意力) 184

                        9.3.2 ?Channel Attention(通道注意力) 185

                        9.4 ?注意力機制的兩種經典模型 186

                        9.4.1 ?最后的冠軍—SENet 186

                        9.4.2 ?結合Spatial和Channel的CBAM模型 189

                        9.4.3 ?注意力的前沿研究—基于細粒度的圖像注意力機制 194

                        9.5 ?本章小結 196

                        第10章 ?卷積神經網絡實戰:識文斷字也可以 197

                        10.1 ?文本數據處理 198

                        10.1.1 ?數據集介紹和數據清洗 198

                        10.1.2 ?停用詞的使用 201

                        10.1.3 ?詞向量訓練模型word2vec的使用 203

                        10.1.4 ?文本主題的提?。夯赥F-IDF(選學) 207

                        10.1.5 ?文本主題的提?。夯赥extRank(選學) 211

                        10.2 ?針對文本的卷積神經網絡模型—字符卷積 214

                        10.2.1 ?字符(非單詞)文本的處理 214

                        10.2.2 ?卷積神經網絡文本分類模型的實現—Conv1D(一維卷積) 222

                        10.3 ?針對文本的卷積神經網絡模型—詞卷積 224

                        10.3.1 ?單詞的文本處理 224

                        10.3.2 ?卷積神經網絡文本分類模型的實現—Conv2D(二維卷積) 227

                        10.4 ?使用卷積對文本分類的補充內容 230

                        10.4.1 ?漢字的文本處理 230

                        10.4.2 ?其他的細節 233

                        10.5 ?本章小結 233

                        ?
                      • 內容簡介:
                        隨著人工智能的發展以及TensorFlow在人工智能方面的火熱應用,越來越多的大學逐步開設深度學習和人工智能課程。本書既是一本為讀者量身定制的TensorFlow 2.0入門教材,也是針對需要學習TensorFlow 2.0新內容的讀者提供的基礎與進階知識的深入型教材。 本書分為10章,主要內容包括TensorFlow 2.0開發環境、TensorFlow 2.0新特性、TensorFlow與Keras的使用、TensorFlow 2.0語法基礎、卷積層詳解與MNIST實戰、Dataset使用詳解、TensorFlow Datasets和TensorBoard詳解、ResNet及其實戰、注意力機制、卷積神經網絡實戰。 本書內容詳盡、示例豐富,是廣大對TensorFlow 2.0感興趣的讀者必備的參考書,同時也非常適合大中專院校師生學習閱讀,還可作為高等院校計算機及相關專業的教材使用。
                      • 作者簡介:
                        王曉華,計算機專業講師,長期講授面向對象程序設計、數據結構、Hadoop程序設計等研究生和本科生相關課程;主研方向為云計算、數據挖掘;曾主持和參與多項國家和省級科研課題,獨立科研項目獲省級成果認定,發表過多篇論文,擁有一項專利;著有《Spark MLlib機器學習實踐》《TensorFlow深度學習應用實踐》《OpenCV TensorFlow深度學習與計算機視覺實戰》等圖書。
                      • 目錄:
                        目 ?錄

                        第1章 ?TensorFlow 2.0的安裝 1

                        1.1 ?Python基本安裝和用法 1

                        1.1.1 ?Anaconda的下載與安裝 1

                        1.1.2 ?Python編譯器PyCharm的安裝 4

                        1.1.3 ?使用Python計算softmax函數 7

                        1.2 ?TensorFlow 2.0 GPU版本的安裝 8

                        1.2.1 ?檢測Anaconda中的TensorFlow版本 8

                        1.2.2 ?TensorFlow 2.0 GPU版本基礎顯卡推薦和前置軟件安裝 9

                        1.3 ?Hello TensorFlow 2.0 12

                        1.4 ?本章小結 13

                        第2章 ?TensorFlow 2.0令人期待的變化 14

                        2.1 ?新的架構、新的運行、新的開始 14

                        2.1.1 ?API精簡 15

                        2.1.2 ?Eager Execution 15

                        2.1.3 ?取消全局變量 15

                        2.1.4 ?使用函數而不是會話 15

                        2.1.5 ?棄用collection 16

                        2.2 ?配角轉成主角:從TensorFlow Eager Execution轉正談起 16

                        2.2.1 ?Eager簡介與調用 17

                        2.2.2 ?讀取數據 18

                        2.3 ?使用TensorFlow 2.0模式進行線性回歸的一個簡單例子 20

                        2.3.1 ?模型的工具與數據的生成 20

                        2.3.2 ?模型的定義 20

                        2.3.3 ?損失函數的定義 21

                        2.3.4 ?梯度函數的更新計算 21

                        2.4 ?TensorFlow 2.0進階—AutoGraph和tf.function 23

                        2.5 ?本章小結 26

                        第3章 ?TensorFlow 和 Keras 27

                        3.1 ?模型!模型!模型!還是模型 27

                        3.2 ?使用Keras API實現鳶尾花分類的例子(順序模式) 28

                        3.2.1 ?數據的準備 29

                        3.2.2 ?數據的處理 30

                        3.2.3 ?梯度更新函數的寫法 31

                        3.2.4 ?使用Keras 函數式編程實現鳶尾花分類的例子(重點) 32

                        3.2.5 ?使用保存的Keras模式對模型進行復用 35

                        3.2.6 ?使用TensorFlow 2.0標準化編譯對iris模型進行擬合 35

                        3.3 ?多輸入單一輸出TensorFlow 2.0 編譯方法(選學) 40

                        3.3.1 ?數據的獲取與處理 40

                        3.3.2 ?模型的建立 41

                        3.3.3 ?數據的組合 41

                        3.4 ?多輸入多輸出TensorFlow 2.0 編譯方法(選學) 44

                        3.5 ?全連接層詳解 46

                        3.5.1 ?全連接層的定義與實現 46

                        3.5.2 ?使用TensorFlow 2.0自帶的API實現全連接層 47

                        3.5.3 ?打印顯示TensorFlow 2.0設計的模型結構和參數 51

                        3.6 ?本章小結 53

                        第4章 ?TensorFlow 2.0語法基礎 54

                        4.1 ?BP神經網絡簡介 54

                        4.2 ?BP神經網絡的兩個基礎算法 58

                        4.2.1 ?最小二乘法(LS算法) 58

                        4.2.2 ?道士下山的故事—梯度下降算法 61

                        4.3 ?反饋神經網絡反向傳播算法 63

                        4.3.1 ?深度學習基礎 63

                        4.3.2 ?鏈式求導法則 64

                        4.3.3 ?反饋神經網絡原理與公式推導 66

                        4.3.4 ?反饋神經網絡原理的激活函數 72

                        4.3.5 ?反饋神經網絡原理的Python實現 73

                        4.4 ?本章小結 78

                        第5章 ?卷積層與MNIST實戰 79

                        5.1 ?卷積運算 79

                        5.1.1 ?卷積運算的基本概念 80

                        5.1.2 ?TensorFlow 2.0中卷積函數的實現 81

                        5.1.3 ?池化運算 83

                        5.1.4 ?softmax激活函數 84

                        5.1.5 ?卷積神經網絡原理 86

                        5.2 ?TensorFlow 2.0編程實戰:MNIST手寫體識別 89

                        5.2.1 ?MNIST數據集 89

                        5.2.2 ?MNIST數據集特征和標注 91

                        5.2.3 ?TensorFlow 2.0編程實戰:MNIST數據集 93

                        5.2.4 ?使用自定義的卷積層實現MNIST識別 97

                        5.3 ?本章小結 101

                        第6章 ?TensorFlow 2.0 Dataset 使用詳解 102

                        6.1 ?Dataset API基本結構和內容 102

                        6.1.1 ?Dataset API數據種類 103

                        6.1.2 ?Dataset API基礎使用 104

                        6.2 ?Dataset API高級用法 105

                        6.2.1 ?Dataset API數據轉換方法 107

                        6.2.2 ?讀取圖片數據集的例子 110

                        6.3 ?使用TFRecord API創建和使用數據集 111

                        6.3.1 ?TFRecord的基本概念 112

                        6.3.2 ?TFRecord的創建 113

                        6.3.3 ?TFRecord的讀取 118

                        6.4 ?TFRecord實戰:帶有處理模型的完整例子 124

                        6.4.1 ?創建數據集 125

                        6.4.2 ?創建解析函數 125

                        6.4.3 ?創建數據模型 126

                        6.4.4 ?創建讀取函數 126

                        6.5 ?本章小結 128

                        第7章 ?TensorFlow Datasets和TensorBoard詳解 129

                        7.1 ?TensorFlow Datasets簡介 129

                        7.1.1 ?Datasets 數據集的安裝 131

                        7.1.2 ?Datasets 數據集的使用 131

                        7.2 ?Datasets數據集的使用—FashionMNIST 133

                        7.2.1 ?FashionMNIST數據集下載與顯示 134

                        7.2.2 ?模型的建立與訓練 136

                        7.3 ?使用Keras對FashionMNIST數據集進行處理 138

                        7.3.1 ?獲取數據集 138

                        7.3.2 ?數據集的調整 139

                        7.3.3 ?使用Python類函數建立模型 139

                        7.3.4 ?模型的查看和參數的打印 141

                        7.3.5 ?模型的訓練和評估 142

                        7.4 ?使用TensorBoard可視化訓練過程 144

                        7.4.1 ?TensorBoard的文件夾設置 145

                        7.4.2 ?顯式地調用TensorBoard 146

                        7.4.3 ?使用TensorBoard 148

                        7.5 ?本章小結 152

                        第8章 ?從冠軍開始:ResNet 153

                        8.1 ?ResNet基礎原理與程序設計基礎 153

                        8.1.1 ?ResNet誕生的背景 154

                        8.1.2 ?模塊工具的TensorFlow實現—不要重復發明輪子 157

                        8.1.3 ?TensorFlow高級模塊layers的用法 157

                        8.2 ?ResNet實戰:CIFAR-100數據集分類 165

                        8.2.1 ?CIFAR-100數據集 165

                        8.2.2 ?ResNet殘差模塊的實現 168

                        8.2.3 ?ResNet網絡的實現 170

                        8.2.4 ?使用ResNet對CIFAR-100數據集進行分類 173

                        8.3 ?ResNet的兄弟—ResNeXt 175

                        8.3.1 ?ResNeXt誕生的背景 175

                        8.3.2 ?ResNeXt殘差模塊的實現 177

                        8.3.3 ?ResNeXt網絡的實現 178

                        8.3.4 ?ResNeXt和ResNet的比較 180

                        8.4 ?本章小結 180

                        第9章 ?注意力機制 181

                        9.1 ?何為“注意力” 181

                        9.2 ?注意力機制的兩種常見形式 182

                        9.2.1 ?Hard Attention(硬性注意力) 183

                        9.2.2 ?Soft Attention(軟性注意力) 183

                        9.3 ?注意力機制的兩種實現形式 183

                        9.3.1 ?Spatial Attention(空間注意力) 184

                        9.3.2 ?Channel Attention(通道注意力) 185

                        9.4 ?注意力機制的兩種經典模型 186

                        9.4.1 ?最后的冠軍—SENet 186

                        9.4.2 ?結合Spatial和Channel的CBAM模型 189

                        9.4.3 ?注意力的前沿研究—基于細粒度的圖像注意力機制 194

                        9.5 ?本章小結 196

                        第10章 ?卷積神經網絡實戰:識文斷字也可以 197

                        10.1 ?文本數據處理 198

                        10.1.1 ?數據集介紹和數據清洗 198

                        10.1.2 ?停用詞的使用 201

                        10.1.3 ?詞向量訓練模型word2vec的使用 203

                        10.1.4 ?文本主題的提?。夯赥F-IDF(選學) 207

                        10.1.5 ?文本主題的提?。夯赥extRank(選學) 211

                        10.2 ?針對文本的卷積神經網絡模型—字符卷積 214

                        10.2.1 ?字符(非單詞)文本的處理 214

                        10.2.2 ?卷積神經網絡文本分類模型的實現—Conv1D(一維卷積) 222

                        10.3 ?針對文本的卷積神經網絡模型—詞卷積 224

                        10.3.1 ?單詞的文本處理 224

                        10.3.2 ?卷積神經網絡文本分類模型的實現—Conv2D(二維卷積) 227

                        10.4 ?使用卷積對文本分類的補充內容 230

                        10.4.1 ?漢字的文本處理 230

                        10.4.2 ?其他的細節 233

                        10.5 ?本章小結 233

                        ?
                      查看詳情
                      相關圖書 / 更多
                      TensorFlow 2.0深度學習從零開始學
                      Teaching the Secunda Lex: Deuteronomy and Church Reform at Lyon in the Age of Charlemagne(教授“二次立法”:《申命記》與里昂地區的查理曼改革)
                      劉寅
                      TensorFlow 2.0深度學習從零開始學
                      TensorFlow深度學習項目實戰
                      [美]盧卡·馬薩羅(Luca Massaron)(美)阿爾貝托·博斯凱蒂(Alb
                      TensorFlow 2.0深度學習從零開始學
                      TestStand工業自動化測試管理(典藏版)
                      胡典鋼
                      TensorFlow 2.0深度學習從零開始學
                      TensorFlow Lite移動端深度學習
                      朱元濤
                      TensorFlow 2.0深度學習從零開始學
                      TensorFlow 2深度學習實戰
                      崔煒;張良均
                      TensorFlow 2.0深度學習從零開始學
                      TensorFlow 2 人工神經網絡學習手冊
                      [印度]P.薩朗 編著
                      TensorFlow 2.0深度學習從零開始學
                      TensorFlow Lite移動設備深度學習從入門到實踐
                      張元勇
                      TensorFlow 2.0深度學習從零開始學
                      TensorFlow機器學習(原書第2版)
                      [美]克里斯·馬特曼(Chris Mattmann) 著
                      TensorFlow 2.0深度學習從零開始學
                      TensorFlow深度學習實戰(微課視頻版)
                      呂云翔 王志鵬 劉卓然 主編;歐陽植昊 郭志鵬 王淥汀 閆坤 杜宸洋 關捷雄 華昱云 陳妙然 副主編
                      TensorFlow 2.0深度學習從零開始學
                      TestDaF德語德??荚囍黝}詞匯例句
                      陳小飛
                      TensorFlow 2.0深度學習從零開始學
                      TensorFlow深度學習——手把手教你掌握100個精彩案例(Python版)(人工智能科學與技術叢書)
                      柯博文 著
                      TensorFlow 2.0深度學習從零開始學
                      Terraform 實戰
                      [美]斯科特·溫克勒(Scott Winkler)
                      您可能感興趣 / 更多
                      TensorFlow 2.0深度學習從零開始學
                      谷歌JAX深度學習從零開始學
                      王曉華
                      TensorFlow 2.0深度學習從零開始學
                      移動機器人原理與技術
                      王曉華
                      TensorFlow 2.0深度學習從零開始學
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      王曉華 羅凱靖
                      TensorFlow 2.0深度學習從零開始學
                      廣告學專業畢業設計指導手冊
                      王曉華;黃玉波
                      TensorFlow 2.0深度學習從零開始學
                      傳播學研究方法
                      王曉華 郭良文 主編
                      TensorFlow 2.0深度學習從零開始學
                      深度學習案例精粹:基于TensorFlow與Keras
                      王曉華
                      TensorFlow 2.0深度學習從零開始學
                      審判大漢奸
                      王曉華
                      TensorFlow 2.0深度學習從零開始學
                      TensorFlow知識圖譜實戰
                      王曉華
                      TensorFlow 2.0深度學習從零開始學
                      TensorFlow人臉識別實戰
                      王曉華
                      TensorFlow 2.0深度學習從零開始學
                      TensorFlow語音識別實戰
                      王曉華
                      TensorFlow 2.0深度學習從零開始學
                      Keras實戰:基于TensorFlow2.2的深度學習實踐
                      王曉華
                      TensorFlow 2.0深度學習從零開始學
                      TensorFlow+Keras自然語言處理實戰
                      王曉華
                      实拍会所推油54分钟免费观看