这门课解决什么问题

TensorFlow 是目前工业界最主流的深度学习框架之一，但它的学习曲线并不平滑。很多初学者看完数学公式后，面对具体的代码实现依然无从下手，尤其是在环境配置和基本概念的理解上容易卡壳。这门课的核心价值在于填补了“懂原理”与“能落地”之间的鸿沟。它从人工智能的基本概念讲起，明确了 AI、机器学习与深度学习的层级关系，随后重点拆解 TensorFlow 的运行机制，如图、会话、张量等核心组件。对于想要在 Python 环境下构建神经网络模型的开发人员而言，这套课程提供了一条从环境搭建到代码实践的系统化路径，帮助学习者绕过那些在自行摸索时容易遇到的陷阱。

适合什么基础，建议先看哪几块

本课程适合具备 Python 编程基础，且对线性代数和概率统计有基本了解的读者。如果你完全没有编程经验，建议先补充 Python 基础语法；如果数学基础薄弱，前几节关于基本数学知识的介绍可能会略显简略，需要自行查漏补缺。建议的学习顺序如下：首先精读第二章的人工智能基础知识，这部分内容虽短，但能帮你建立正确的学科认知框架，避免陷入技术细节而迷失方向。接着进入第三章的开发环境搭建，这一步至关重要，因为 TensorFlow 对环境依赖较多，跟着视频一步步完成 VirtualBox、Ubuntu 以及库的安装，能节省大量后续调试的时间。最后重点攻克第四章，从 Hello World 开始，逐步理解 Numpy 的使用和 Tensor 的概念，这是将理论转化为代码的关键环节。

学完能独立做什么，资料怎么配合练习

完成本课程的系统学习后，读者应能独立搭建基于 TensorFlow 的深度学习开发环境，理解计算图的工作原理，并能够使用 Python 编写基础的神经网络模型代码，如线性回归或简单的分类器。你不再是对框架感到陌生的观察者，而是能够动手实现初步算法的实践者。在练习过程中，请紧密配合课程提供的虚拟机文件和类库资源。第三章的环境搭建部分务必动手操作，不要跳过安装环节，这是后续所有代码运行的前提。在第四章的代码实践部分，建议边看视频边在本地环境中复现代码，遇到报错时对照课程讲解的思路进行排查。通过这种“输入-复现-调试”的闭环练习，才能真正掌握 TensorFlow 的实际应用能力。

课程目录

第1章 课程整体介绍 1 节 | 17分钟1 集
  • 1-1 课程整体介绍及导学 (16:24).mp4
第2章 人工智能基础知识 试看 9 节 | 66分钟9 集
  • 2-1 什么是人工智能 (04:48).mp4
  • 2-2 人工智能前景 (05:26).mp4
  • 2-3 人工智能需要的基本数学知识 (01:57).mp4
  • 2-4 人工智能简史 (07:47).mp4
  • 2-5 AI、机器学习和深度学习的关联 (02:32).mp4
  • 2-6 什么是机器学习 (19:05).mp4
  • 2-7 面对AI，我们应有的态度 (05:16).mp4
  • 2-8 什么是过拟合 (07:05).mp4
  • 2-9 什么是深度学习 (11:08).mp4
第3章 TensorFlow简介和开发环境搭建 12 节 | 106分钟12 集
  • 3-1 什么是TensorFlow (10:13).mp4
  • 3-2 TensorFlow和其他机器学习库的对比1 (26:46).mp4
  • 3-3 如何学习TensorFlow (11:42).mp4
  • 3-4 TensorFlow前景 (03:59).mp4
  • 3-5 如何使用课程提供的虚拟机文件 (07:15).mp4
  • 3-6 安装VirtualBox (02:41).mp4
  • 3-7 安装Ubuntu (15:29).mp4
  • 3-8 配置Ubuntu系统 (05:46).mp4
  • 3-9 安装Python (04:02).mp4
  • 3-10 安装TensorFlow（上） (10:42).mp4
  • 3-11 安装TensorFLow（下） (05:47).mp4
  • 3-12 安装Python类库 (01:20).mp4
第4章 TensorFlow原理与进阶（代码实践） 36 节 | 459分钟36 集
  • 4-1 从HelloWorld开始 (05:41).mp4
  • 4-2 TensorFlow的编程模式 (02:55).mp4
  • 4-3 TensorFlow的基础结构 (02:37).mp4
  • 4-4 图和会话 (05:09).mp4
  • 4-5 Python常用库Numpy的使用 (11:39).mp4
  • 4-6 什么是Tensor（上） (17:59).mp4
  • 4-7 什么是Tensor（下） (16:26).mp4
  • 4-8 图和会话原理及案例（上） (15:58).mp4
  • 4-9 图和会话原理及案例（下） (11:47).mp4
  • 4-10 可视化利器TensorBoard（上） (18:42).mp4
  • 4-11 可视化利器TensorBoard（下） (17:52).mp4
  • 4-12 酷炫模拟游乐园PlayGround (10:25).mp4
  • 4-13 常用Python库Matplotlib (16:32).mp4
  • 4-14 综合小练习：梯度下降解决线性回归（上） (15:57).mp4
  • 4-15 综合小练习：梯度下降解决线性回归（中） (11:38).mp4
  • 4-16 综合小练习：梯度下降解决线性回归（下） (13:01).mp4
  • 4-17 激活函数（上） (10:50).mp4
  • 4-18 激活函数（下） (05:35).mp4
  • 4-19 动手实现CNN卷积神经网络（一） (16:16).mp4
  • 4-20 动手实现CNN卷积神经网络（二） (19:03).mp4
  • 4-21 动手实现CNN卷积神经网络（三） (17:53).mp4
  • 4-22 动手实现CNN卷积神经网络（四） (12:39).mp4
  • 4-23 动手实现CNN卷积神经网络（五） (15:50).mp4
  • 4-24 动手实现RNN-LSTM循环神经网络（一）：背景和知识点 (26:43).mp4
  • 4-25 动手实现RNN-LSTM循环神经网络（二）：编写实用方法(上) (11:27).mp4
  • 4-26 动手实现RNN-LSTM循环神经网络（三）：编写实用方法(中) (12:23).mp4
  • 4-27 动手实现RNN-LSTM循环神经网络（四）：编写实用方法(下)1 (08:28).mp4
  • 4-28 动手实现RNN-LSTM循环神经网络（四）：编写实用方法(下)2 (08:17).mp4
  • 4-29 动手实现RNN-LSTM循环神经网络（五）：编写神经网络模型(上) (16:48).mp4
  • 4-30 动手实现RNN-LSTM循环神经网络（六）：编写神经网络模型(中)1 (10:10).mp4
  • 4-31 动手实现RNN-LSTM循环神经网络（六）：编写神经网络模型(中)2 (12:42).mp4
  • 4-32 动手实现RNN-LSTM循环神经网络（七）：编写神经网络模型(下) (10:27).mp4
  • 4-33 动手实现RNN-LSTM循环神经网络（八）：编写训练方法(上) (14:30).mp4
  • 4-34 动手实现RNN-LSTM循环神经网络（九）：编写训练方法(下) (11:51).mp4
  • 4-35 动手实现RNN-LSTM循环神经网络（十）：编写测试方法 (14:40).mp4
  • 4-36 动手实现RNN-LSTM循环神经网络（十一）：实际训练和测试 (07:29).mp4
第5章 案例一 会作曲的人工智能 15 节 | 233分钟15 集
  • 5-1 背景和知识点简介 (14:14).mp4
  • 5-2 音乐和数学的联系 (06:56).mp4
  • 5-3 什么是MIDI文件 (08:15).mp4
  • 5-4 配置开发环境 (04:04).mp4
  • 5-5 编写转换MIDI到MP3的方法 (08:42).mp4
  • 5-6 Python音乐库Music21的使用和测试方法 (11:30).mp4
  • 5-7 编写整个神经网络模型 (40:53).mp4
  • 5-8 编写从训练文件获取音符的方法 (15:39).mp4
  • 5-9 编写从预测数据来生成音乐的方法 (16:15).mp4
  • 5-10 编写训练神经网络的方法（一） (19:53).mp4
  • 5-11 编写训练神经网络的方法（二） (19:32).mp4
  • 5-12 编写训练神经网络的方法（三） (19:43).mp4
  • 5-13 编写神经网络生成音乐的方法（一） (18:27).mp4
  • 5-14 编写神经网络生成音乐的方法（二） (26:28).mp4
  • 5-15 纯TensorFlow版的预告 (02:18).mp4
第6章 案例二 会Photoshop的人工智能 12 节 | 116分钟12 集
  • 6-1 背景和知识点简介 (04:18).mp4
  • 6-2 配置开发环境 (05:26).mp4
  • 6-3 什么是GAN(生成对抗网络) (05:44).mp4
  • 6-4 什么是DCGAN (06:44).mp4
  • 6-5 编写DCGAN中的判别器模型（上） (13:10).mp4
  • 6-6 编写DCGAN中的判别器模型（下） (13:45).mp4
  • 6-7 编写DCGAN中的生成器模型 (09:17).mp4
  • 6-8 编写训练神经网络的方法（上） (15:37).mp4
  • 6-9 编写训练神经网络的方法（下） (13:39).mp4
  • 6-10 编写神经网络生成图片的方法 (15:30).mp4
  • 6-11 代码完成和测试模型 (09:28).mp4
  • 6-12 纯TensorFlow版的预告 (02:18).mp4
第7章 案例三 会开3D赛车的人工智能 18 节 | 256分钟18 集
  • 7-1 背景和知识点简介 (08:59).mp4
  • 7-2 强化学习的经典实验环境 (18:27).mp4
  • 7-3 配置开发环境（1） (15:08).mp4
  • 7-4 配置开发环境（2） (19:54).mp4
  • 7-5 什么是强化学习 (19:45).mp4
  • 7-6 什么是Q Learning (04:13).mp4
  • 7-7 Q-Learning 实现机器人走迷宫：创建环境 (12:40).mp4
  • 7-8 Q-Learning 实现机器人走迷宫：决策算法（1） (16:48).mp4
  • 7-9 Q-Learning 实现机器人走迷宫：决策算法（2） (10:11).mp4
  • 7-10 Q-Learning 实现机器人走迷宫：游戏主程序 (12:25).mp4
  • 7-11 Deep Q Learning 实现迷宫游戏：决策算法（1） (15:34).mp4
  • 7-12 Deep Q Learning 实现迷宫游戏：决策算法（2） (14:34).mp4
  • 7-13 Deep Q Learning 实现迷宫游戏：决策算法（3） (14:24).mp4
  • 7-14 Deep Q Learning 实现迷宫游戏：决策算法(4)和主程序 (12:31).mp4
  • 7-15 Policy Gradient 实现 Gym 游戏 (15:30).mp4
  • 7-16 A3C 实现 3D 赛车游戏：成果演示 (13:09).mp4
  • 7-17 A3C实现3D赛车游戏：讲解A3C和编写环境 (14:51).mp4
  • 7-18 A3C实现3D赛车游戏：编写A3C算法和主程序 (16:18).mp4
第8章 知识点总结和课程延展 5 节 | 40分钟5 集
  • 8-1 总结陈词和补充 (07:32).mp4
  • 8-2 如何学好英语 (07:30).mp4
  • 8-3 如何学好数学 (06:51).mp4
  • 8-4 如何学习一门技术及课程知识点总结 (11:05).mp4
  • 8-5 深入AI和TensorFlow (06:15).mp4