深度学习入门指南

基于TensorFlow2 + Keras讲解深度学习入门指南。

注意

如果通过Github站内超链接打开Jupyter Notebook文件发生错误，可以点击根据 https://nbviewer.org 生成的“备用链接”间接访问对应文件。
或者通过以下链接访问整个项目的站外备用链接，注意点击站外备用链接里的非Jupyter Notebook格式文件会跳转回到Github仓库内：
● Deep_Learning_TensorFlow2_Examples

张量

● 张量     (备用链接)]
● 变量     (备用链接)]
● 自动微分     (备用链接)]
● 图和函数简介
● 模块、层和模型简介     (备用链接)]
● 训练循环     (备用链接)]
● 高级自动微分
● 不规则张量
● 稀疏张量     (备用链接)]
● Numpy API
● Tensor切片

Keras

● Sequential模型     (备用链接)]
● Functional API     (备用链接)]
● 使用内置方法进行训练和评估     (备用链接)]
● 通过子类化构建新层和模型
● 保存并加载Keras模型     (备用链接)]
● 使用预处理层     (备用链接)]
● 自定义Model.fit的操作流程     (备用链接)]
● 从头开始编写训练循环     (备用链接)]
● 采用Keras的循环神经网络（RNN）
● 采用Keras进行遮盖和填充     (备用链接)]
● 自动编写回调
● 迁移学习和微调
● 使用TensorFlow Cloud训练Keras模型

TensorFlow Core

● TensorFlow Core API 快速入门     (备用链接)]
● 使用 Core API 进行二元分类的逻辑回归     (备用链接)]

自定义

● 创建操作
● 生成随机数字

数据输入流水线

● tf.data     (备用链接)]
● 优化流水线性能
● 分析流水线性能

保存模型

● Checkpoint     (备用链接)]
● SavedModel     (备用链接)]

加速器

● 分布式训练
● GPU
● TPU

性能

● 使用tf.function提升性能
● 分析TensorFlow的性能
● 优化GPU性能
● 图优化
● 混合精度

TensorFlow Serving（服务）

● TensorFlow Serving和Docker
● 安装
● 提供TensorFlow模型
● 高级模型服务器配置

*扩展

1.推荐系统
王树森推荐系统公开课 - 基于小红书的场景讲解工业界真实的推荐系统。
● Recommender_System

2.YouTuBe推荐系统排序模型
以"DNN_for_YouTube_Recommendations"模型和电影评分数据集（ml-1m）为基础，详尽的展示了如何基于TensorFlow2实现推荐系统排序模型。
● YouTube深度排序模型(多值embedding、多目标学习)

3.推荐系统推理服务
基于Goalng、Docker和微服务思想实现了高并发、高性能和高可用的推荐系统推理微服务，包括多种召回/排序服务，并提供多种接口访问方式（REST、gRPC和Dubbo）等，每日可处理上千万次推理请求。
● 推荐系统推理微服务Golang

4.机器学习 Sklearn入门教程
● 机器学习Sklearn入门教程