飞豹客 · 课能看,资料也能带走
飞豹客AI 会员免费

《深度学习:从入门到精通:基于Keras》进阶篇 百度网盘下载

这门课解决什么问题 本课程针对深度学习从业者常见的痛点——全连接神经网络在图像处理中参数冗余、特征提取效率低的问题。通过系统讲解 CNN 的核心机制,学员能够掌握如何用 Keras 构建轻量且高性能的模型,尤其适用于需要优化模型尺寸和计算资源的场景。课程不纠缠于抽象理论,而是以解决实际工程问题为导向

单课价¥20.90新品 上架
会员价 会员免费开通会员后本篇可直接下载套餐详情
171 人关注 更新于 2026-03-25 永久有效
发货

网盘链接 · 支付成功后自动发货

保障

永久有效 · 链接失效免费补发

客服

每日 9:00-21:00 在线客服 联系客服

会员可免费下载本篇月会员、年会员、永久会员可按日额度下载(每篇扣 1 次)。

开通会员 ›
购买本课销量 0 · 永久有效
会员价 · 单课标价 ¥20.90

会员 A · 按档位折扣

永久免费可下
年免费可下
月免费可下
周免费可下

会员 B

VIP¥4.18低至
SVIP单买¥200 内可领

游客按标价购买,不享受上表折扣。

支付成功后自动发放网盘链接,链接失效可找客服免费补

正版保障 极速发货 售后无忧

这门课解决什么问题

本课程针对深度学习从业者常见的痛点——全连接神经网络在图像处理中参数冗余、特征提取效率低的问题。通过系统讲解 CNN 的核心机制,学员能够掌握如何用 Keras 构建轻量且高性能的模型,尤其适用于需要优化模型尺寸和计算资源的场景。课程不纠缠于抽象理论,而是以解决实际工程问题为导向,例如如何通过调整卷积核、步长和填充策略来控制特征图维度。

适合什么基础

要求学员已掌握 Python 编程、NumPy 操作以及 Keras 的基础应用,理解过拟合、梯度消失等深度学习通病。需具备基础的线性代数和微积分知识,但课程会通过可视化辅助解释数学原理。对 TensorFlow 的依赖程度较低,但熟悉其 API 有助于更快跟进代码实践。资料中包含的全连接网络优缺点分析可作为快速回顾,适合有一定机器学习背景,希望系统学习 CNN 应用的学员。

资料怎么配合练习

建议按“原理讲解-代码实现-参数实验”顺序推进。先通读卷积层原理系列,对照图示理解 padding 和步长对输出的影响,然后结合“Tensorflow实现”部分,用代码复现示例并修改参数验证理论。实战环节可选取资料中的某个小案例(如手写数字识别),完整搭建模型并部署到本地环境。每完成一小节,就用实际数据跑一遍,检查结果是否符合预期。资料中的公式和代码片段主要用于理解而非直接套用,关键在于通过动手实践内化设计思路。学完后,可以独立完成图像分类任务,输出模型的参数量和推理时间,并说明如何进一步优化。

课程目录

课程目录87 集
  • image.png (61.
  • 98 KB, ) 下载附件 保存到相册 2025-8-26 16:
  • 18 上传 本贴发布的是进阶篇,基础篇这里下载 《深度学习:从入门到精通:基于Keras》
  • f3c257f2f70ed919d86b5af184b467cd_image-5.png (189.
  • 59 KB, ) 下载附件 保存到相册 2025-8-26 16:
  • 20 上传 1-1 简述全连接神经网络在图像数据处理中的不足处.mp4
  • 1-2 卷积网络基本原理.mp4
  • 1-3 卷积层原理概述.mp4
  • 1-4 卷积层原理-padding技巧.mp4
  • 1-5 卷积层原理-padding示例讲解.mp4
  • 1-6 卷积层原理-移动步长示例讲解.mp4
  • 1-7 输出特征图的宽、高计算公式.mp4
  • 1-8 卷积层Tensorflow实现函数讲解.mp4
  • 1-9 通过实例讲解卷积层各细节.mp4
  • 1-
  • 10 通过卷积层 对输入数据进行卷积运算.mp4
  • 1-11 tf.keras.layers.Conv2D方式实现卷积运算.mp4
  • 1-12 实现卷积运算-多个卷积核情况.mp4
  • 1-13 卷积层对图像进行卷积运算示例讲解.mp4
  • 1-14 池化层原理及实现详解.mp4
  • 1-15 池化层实现的demo演示.mp4
  • 1-16 池化层的特点及demo演示.mp4
  • 1-17 池化层TensorFlow实现及案例演示.mp4
  • 1-18 卷积神经网络中的全连接层和展平层介绍.mp4
  • 1-19 迁移学习概述.mp4
  • 1-20 迁移学习进行微调的三种策略.mp4
  • 1-
  • 21 使用Keras 实现迁移学习之VGG16网络架构介绍.mp4
  • 1-
  • 22 使用Keras 实现迁移学习之VGG16函数介绍.mp4
  • 1-
  • 23 使用Keras 实现迁移学习之VGG16示例.mp4
  • 1-24 使用Keras实现迁移学习之演示VGG16()函数下载实例化.mp4
  • 1-25 利用VGG16对本地汽车图像进行类别预测.mp4
  • 1-26 解释preprocess_input函数作用.mp4
  • 1-27 tensorflow-hub的介绍及安装.mp4
  • 1-28 Tensorflow-hub预训练模型的下载.mp4
  • 1-29 使用Tensorflow-hub预训练模型进行预测.mp4
  • 1-30 使用迁移学习实现花卉图像分类器-花卉图像介绍及导入、预处理1.mp4
  • 1-31 使用迁移学习实现花卉图像分类器-花卉图像介绍及导入、预处理2.mp4
  • 1-
  • 32 使用迁移学习实现花卉图像分类器-创建 批次数据.mp4
  • 1-
  • 33 Keras Applications 迁移学习实现花卉分类.mp4
  • 1-
  • 34 Keras Applications 迁移学习实现花卉分类2.mp4
  • 1-
  • 35 使用TensorF Hub迁移学习实现花卉图像分类.mp4
  • 1-36 强化学习的基本概念.mp4
  • 1-37 深度强化学习思路.mp4
  • 1-38 gym平台介绍及案例演示.mp4
  • 1-39 使用Keras-RL2的DQN算法实现《CartPole》.mp4
  • 1-40 案例分析:CIFAR-10数据描述及下载.mp4
  • 1-41 案例分析:CIFAR-10数据预处理.mp4
  • 1-42 案例分析:构建卷积神经网络识别CIFAR-10图像.mp4
  • 1-43 【课后习题】判断题和选择题讲解.mp4
  • 1-44 【课后习题】实训题讲解.mp4
  • 2-1 循环神经网络基本理解.mp4
  • 2-2 词嵌入基础及学习词嵌入案例讲解.mp4
  • 2-3 预训练词嵌入及案例演示.mp4
  • 2-4 简单循环神经网络原理及Keras实现.mp4
  • 2-5 长短期记忆网络-LSTM原理及Keras实现.mp4
  • 2-6 门控循环单元-GRU原理及Keras实现.mp4
  • 2-7 序列到序列Seq2Seq2基本原理概述.mp4
  • 2-8 引入注意力机制的Seq2Seq框架.mp4
  • 2-9 利用Keras实现序列到序列案例演示.mp4
  • 2-
  • 10 利用TensorFlow Addons实现Seq2Seq2.mp4
  • 2-11 Transformer基本原理及KerasNLP介绍.mp4
  • 2-12 案例实训:中文文本分类.mp4
  • 2-13 课后习题讲解.mp4
  • 3-1 自编码器概述.mp4
  • 3-2 简单自编码器的Keras实现.mp4
  • 3-3 简单自编码器对cifar-10图像进行重构案例讲解.mp4
  • 3-4 稀疏自编码器.mp4
  • 3-5 堆栈自编码器.mp4
  • 3-6 卷积自编码器.mp4
  • 3-7 降噪自编码器.mp4
  • 3-8 案例实训:使用自编码器建立推荐系统.mp4
  • 3-9 第6章【课后习题】讲解.mp4
  • 4-1 生成式对抗网络概述.mp4
  • 4-2 GAN模型的Keras实现.mp4
  • 4-3 DCGAN模型的Keras实现.mp4
  • 4-4 案例实训:使用GAN和DCGAN模型生成数字5图像.mp4
  • 4-5 第7章【课后习题】讲解.mp4
  • 5-1 模型评估技术.mp4
  • 5-2 模型优化:基于梯度的优化和自适应学习率算法.mp4
  • 5-3 模型优化:网格搜索、数据分区、交叉验证、正则化等.mp4
  • 5-4 在tf.Keras中进行模型优化.mp4
  • 5-5 使用Scikit-Learn优化CIFAR-10分类模型.mp4
  • 5-6 使用KerasTuner优化CIFAR-10分类.mp4
  • 5-7 第8章【课后习题】讲解.mp4
  • 6-1 TensorFlow Datasets 实验.mp4
  • 6-2 tf.data 定义高效的输入流水线.mp4
  • 6-3 在 tf.Keras 使用 Scikit-Learn优化模型.mp4
  • 6-4 ImageDataGenerator 类图像增强.mp4
  • 6-5 CNN 模型对手写数字识别.mp4
  • 6-6 CNN 模型驾驶员睡意检测.mp4
  • 配套资料: PDF.rar 课后习题.rar 深度学习实验项目.rar 书中代码和数据_2.rar