谷歌云官方：一小时掌握深度学习和TensorFlow（视频+50PPT）

这是一个3小时的课程(视频+ppt)，本课程为开发者提供简要的深度学习基础知识的介绍，以及 TensorFlow 的教学。

深度学习(又名神经网络)是建立机器学习模型的流行方法，许多开发者使用深度学习实现了他们的想法。如果你想学会深度学习，但又缺少时间，我深有同感。

我大学时有一位数学老师，会对我大喊大叫：“Görner!积分在幼儿园就教过了!”我现在也有同样的感觉，在我阅读大多数免费的深度学习在线资源时，我深感幼儿园教育显然严重缺乏“dropout摇篮曲”、“cross-entropy谜语”和“relu-gru-rnn-lstm怪物故事”之类的知识。然而，这些基本的概念对这些在线资源的许多作者来说是习以为常的。

为了帮助更多开发者不需去念博士学位就能获得深度学习的技巧，我打造了这个速成课程(总长度3小时)。

本课程重点介绍一些基本的网络架构，包括稠密、卷积和循环网络，以及这些网络的训练技巧，如 dropout 或批标准化(batch normalization)。

本课程最初于2016年11月在比利时安特卫普的Devoxx会议上发布。

通过观看课程录像以及学习附注释的ppt，你可以了解如何解决神经网络中的一些经典问题，理解足够的术语和概念，以继续进行深度学习的自学(例如，可以利用TensorFlow的资源学习)。

拿出 1 小时，学会 TensorFlow 和深度学习

如果你只有1小时：

一边看下面的ppt，一边观看此视频讲座。

这部分包括了稠密网络和卷积网络，也有提供可作自学的代码（ https://codelabs.developers.google.com/codelabs/cloud-tensorflow-mnist/#0）。

以下是PPT：

不需要 PHD 就能掌握的TensorFlow

Hello World： 手写数字分类 —MNIST

极度简单的模型：softmax 分类

在矩阵符号，一次处理100张图片

在矩阵符号，一次处理100张图片

Softmax，一批次图像

现在，在TensorFlow中进行处理（Python）

成功了吗？

Demo

TensorFlow—初始化

TensorFlow—成功与否的衡量

TensorFlow—训练

TensorFlow—运行

TensorFlow—完整的 Python 代码

首先尝试一下五层完全连接的神经网络

TensorFlow—初始化

TensorFlow—模型

RELU

RELU=修正线性单元

Demo-噪声准确率曲线

慢着：学习率衰退

过拟合

Dropout

所有的party tricks

过拟合

过拟合：太多的神经元，没有足够的数据，搭建的网络不够好。

卷积层

黑客的建议：全卷积

卷积神经网络

TensorFlow-初始化

TensorFlow-模型

Demo

更大型的卷积神经网络

更大型的卷积神经网络+dropout

Demo

成功！

如果你有 3 小时的时间

如果你有3个小时（推荐！这部分介绍了循环网络，值得多花点时间），你可以观看这个视频讲座（https://www.youtube.com/watch?v=vq2nnJ4g6N0&feature=youtu.be）。

这部分需要阅 Part 1 和 Part 2 两个 ppt。Part 1 的 ppt 就是上面已经介绍过的。

3 小时的课程内容相比前面更加丰富，以下是目录。

你可以根据下面的图片，对照已经学过的章节内容。

   第1章：介绍；手写数字识别（最简单的神经网络）

第2章：神经网络构成 + TensorFlow 基础

第3章：更多工具：多层，relu，dropout，学习速率衰减

第4章：卷积网络

第5章：批标准化

第6章：TensorFlow 的高级 API

第7章：循环神经网络

第8章：Google Cloud 机器学习平台

下一步

· 用 codelab 写一个神经网络

https://codelabs.developers.google.com/codelabs/cloud-tensorflow-mnist/#0

· 阅读 TensorFlow “入门”文档：https://www.tensorflow.org/get_started/

·浏览其他 TensorFlow 教程

·通过 StackOverflow 上的 tensorflow 标签加入讨论

·了解 Google Cloud 机器学习

编译来源：https://cloud.google.com/blog/big-data/2017/01/learn-tensorflow-and-deep-learning-without-a-phd

注： 本稿件摘自数据观入驻自媒体—新智元，转载请注明来源，微信搜索“数据观”获取更多大数据资讯 。

责任编辑：汤德正