文件名称:Deep-Learning-with-TensorFlow-2-and-Keras:Packt发行的《使用TensorFlow 2和Keras进行深度学习》
文件大小:47.24MB
文件格式:ZIP
更新时间:2024-04-10 14:01:55
JupyterNotebook
使用TensorFlow 2和Keras进行深度学习-第二版 这是发布的进行的代码存储库。它包含了从头到尾完成本书所必需的所有支持项目文件。 关于这本书 TensorFlow 2和Keras的深度学习,第二版与TensorFlow(TF)和Keras一起教深度学习技术。本书介绍了使用TensorFlow的神经网络,贯穿了主要应用程序,涵盖了两个有效的示例应用程序,然后深入探讨了TF和cloudin生产,TF mobile,以及将TensorFlow与AutoML结合使用。 说明和导航 所有代码都组织在文件夹中。每个文件夹均以数字开头,后跟应用程序名称。例如,第2章。 该代码将如下所示: @tf.function def fn(input, state): return cell(input, state) input = tf.zeros([100, 100]) state =
【文件预览】:
Deep-Learning-with-TensorFlow-2-and-Keras-master
----Chapter 2()
--------computational_graph.py(534B)
--------batch_datasets.py(368B)
--------shared_model.png(16KB)
--------datasets.py(311B)
--------model.png(22KB)
--------distribute_strategy.online(79B)
--------autograph.py(307B)
--------GradientTape.py(277B)
--------shared_layers.py(1KB)
--------mirrored_strategy.py(1KB)
--------estimators.py(656B)
--------autograph_timing.py(470B)
----Chapter 8()
--------gru_pos_tagger.py(9KB)
--------seq2seq_wo_attn.py(10KB)
--------lstm_sentiment_analysis.py(5KB)
--------seq2seq_with_attn.py(14KB)
--------peephole_lstm.py(653B)
--------alice_text_generator.py(5KB)
----Chapter 7()
--------elmo_from_tfhub.py(590B)
--------explore_text8_embedding.py(2KB)
--------spam_classifier.py(6KB)
--------tf2_matrix_factorization.py(2KB)
--------create_embedding_with_text8.py(209B)
--------google_sent_enc_from_tfhub.py(514B)
--------random-walks.txt(9.86MB)
--------tf2_skipgram_model.py(2KB)
--------neurips_papers_node2vec.py(6KB)
--------bert_paraphrase.py(2KB)
--------tf2_cbow_model.py(1KB)
----images()
--------Amita.jpg(18KB)
--------Sujit.JPEG(18KB)
--------Antonio.jpg(10KB)
----Chapter 6()
--------CycleGAN_TF2.ipynb(46.45MB)
--------VanillaGAN.ipynb(1.44MB)
--------DCGAN.ipynb(348KB)
----Chapter 1()
--------mnist_V9.py(2KB)
--------mnist_V2.py(2KB)
--------mnist_V1.py(2KB)
--------mnist_V6.py(2KB)
--------mnist.py(2KB)
--------mnist_V7.py(2KB)
--------mnist_V8.py(2KB)
--------simple_model.py(202B)
--------mnist_V5.py(2KB)
--------mnist_V4.py(2KB)
--------simple_dense.py(191B)
--------mnist_V3.py(2KB)
--------mnist_V10.py(2KB)
--------imdb.py(2KB)
----Chapter 9()
--------sentence_vector_gen.ipynb(44KB)
--------VanillaAutoEncoder.ipynb(39KB)
--------parse.py(6KB)
--------SparseAutoEncoder.ipynb(40KB)
--------ConvolutionAutoencoder.ipynb(66KB)
--------DenoisingAutoencoder.ipynb(68KB)
----Chapter 5()
--------horse_and_humans_transfer_learning.ipynb(32KB)
--------distribute_strategy.ipynb(34KB)
--------imdb_CNN.py(2KB)
--------visual_qa.py(2KB)
--------tf_hub.py(784B)
----Chapter 3()
--------boston_house_prediction.ipynb(17KB)
--------multiple_linear_regression.ipynb(5KB)
--------MNIST_using_estimators.ipynb(9KB)
--------simple_linear_regression.ipynb(32KB)
----LICENSE(1KB)
----Chapter 11()
--------Gym_introduction.ipynb(36KB)
--------random_agent_playing.ipynb(4KB)
--------DQNCartPole.ipynb(21KB)
--------DQN_atari.py(5KB)
--------DQN_Atari_v2.ipynb(11KB)
----Chapter 10()
--------Self_Organized_Maps.ipynb(30KB)
--------Restricted_boltzmann_Machines_MNIST.ipynb(45KB)
--------DBN.ipynb(8KB)
--------colors.csv(269B)
--------Kmeans.ipynb(75KB)
--------PCA.ipynb(106KB)
--------VAE.ipynb(121KB)
----Chapter 4()
--------mnist_V9.py(2KB)
--------cifar10_weights.h5(6.43MB)
--------cifar10_architecture.json(5KB)
--------how_to_download_vgg16_weights.h5(60B)
--------cifar10_predict.py(870B)
--------READ.ME(530B)
--------cifar10_CNN_DEEP_DATA_AUGUMENT.py(3KB)
--------vgg16_features.py(862B)
--------vgg16_pretrained.py(580B)
--------cat-standing.jpg(114KB)
--------cifar10.py(2KB)
--------leNet_CNN_mnist.py(2KB)
--------VGG16_implemented.py(3KB)
--------cifar10_CNN_DEEP.py(2KB)
--------steam-locomotive.jpg(162KB)
--------dog.jpg(71KB)
--------cat.jpg(20KB)
----README.md(4KB)