TensorFlow初学者必须了解的55个经典案例

于 2019-07-28 20:07:52 发布
阅读量859 收藏 8
点赞数 2

TensorFlow初学者必须了解的55个经典案例

导语： 本文是TensorFlow实现流行机器学习算法的教程汇集， 目标是让读者可以轻松通过 清晰简明的 案例深入了解 TensorFlow。 这些案例 适合那些想要 实现一些  TensorFlow  案例 的初学者。本教程包含还包含笔记和带有注解的代码。
第一步：给TF新手的教程指南

1：tf初学者需要明白的入门准备

  • 机器学习入门笔记：
  • MNIST 数据集入门笔记

2： tf初学者需要了解的 入门基础

  • Hello World

  • 基本操作

3：tf初学者需要掌握 的基本模型

  • 最近邻：

  • 线性回归：

  • Logistic 回归：

4：tf初学者需要尝试的神经网络

  • 多层感知器：

  • 卷积神经网络：

  • 循环神经网络（LSTM）：

  • 双向循环神经网络（LSTM）：

  • 动态循环神经网络（LSTM）

  • 自编码器

5：tf初学者需要精通的实用技术

  • 保存和恢复模型

  • 图和损失可视化

  • Tensorboard——高级可视化

5：t f初学者需要的懂得的多GPU基本操作

  • 多 GPU 上的基本操作

6：案例需要的数据集

有一些案例需要 MNIST 数据集进行训练和测试。运行这些案例时，该数据集会被自动下载下来（使用 input_data.py）。

第二步：为TF新手 准 备的各个类型的案例、模型和数据集

初步了解：TFLearn  TensorFlow
接下来的示例来自TFLearn，这是一个为 TensorFlow 提供了简化的接口的库。里面有很多示例和预构建的运算和层。
使用教程 ：TFLearn 快速入门。通过一个具体的机器学习任务学习 TFLearn 基础。开发和训练一个深度神经网络分类器。
预构建的运算和层：http://tflearn.org/doc_index/#api

基础模型以及数据集

  • 线性回归，使用 TFLearn 实现线性回归
  • 逻辑运算符。使用 TFLearn 实现逻辑运算符
  • 权重保持。保存和还原一个模型
  • 微调。在一个新任务上微调一个预训练的模型
  • 使用 HDF5。使用 HDF5 处理大型数据集
  • 使用 DASK。使用 DASK 处理大型数据集

计算机视觉模型及数据集

  • 多层感知器。一种用于 MNIST 分类任务的多层感知实现
  • 卷积网络（MNIST）。用于分类 MNIST 数据集的一种卷积神经网络实现
  • 卷积网络（CIFAR-10）。用于分类 CIFAR-10 数据集的一种卷积神经网络实现
  • 网络中的网络。用于分类 CIFAR-10 数据集的 Network in Network 实现
  • Alexnet。将 Alexnet 应用于 Oxford Flowers 17 分类任务
  • VGGNet。将 VGGNet 应用于 Oxford Flowers 17 分类任务
  • VGGNet Finetuning (Fast Training)。使用一个预训练的 VGG 网络并将其约束到你自己的数据上，以便实现快速训练
  • RNN Pixels。使用 RNN（在像素的序列上）分类图像
  • Highway Network。用于分类 MNIST 数据集的 Highway Network 实现
  • Highway Convolutional Network。用于分类 MNIST 数据集的 Highway Convolutional Network 实现
  • Residual Network (MNIST) 。应用于 MNIST 分类任务的一种瓶颈残差网络（bottleneck residual network）
  • Residual Network (CIFAR-10)。应用于 CIFAR-10 分类任务的一种残差网络
  • Google Inception（v3）。应用于 Oxford Flowers 17 分类任务的谷歌 Inception v3 网络
  • 自编码器。用于 MNIST 手写数字的自编码器

自然语言处理模型及数据集

  • 循环神经网络（LSTM），应用 LSTM 到 IMDB 情感数据集分类任
  • 双向 RNN（LSTM），将一个双向 LSTM 应用到 IMDB 情感数据集分类任务：
  • 动态 RNN（LSTM），利用动态 LSTM 从 IMDB 数据集分类可变长度文本：
  • 城市名称生成，使用 LSTM 网络生成新的美国城市名：
  • 莎士比亚手稿生成，使用 LSTM 网络生成新的莎士比亚手稿：
  • Seq2seq，seq2seq 循环网络的教学示例：
  • CNN Seq，应用一个 1-D 卷积网络从 IMDB 情感数据集中分类词序列

强化学习案例

  • Atari Pacman 1-step Q-Learning，使用 1-step Q-learning 教一台机器玩 Atari 游戏：

第三步：为TF新手准备的其他方面内容

  • Recommender-Wide&Deep Network，推荐系统中 wide & deep 网络的教学示例：
  • Spiral Classification Problem，对斯坦福 CS231n spiral 分类难题的 TFLearn 实现：
  • 层，与 TensorFlow 一起使用  TFLearn 层：
  • 训练器，使用 TFLearn 训练器类训练任何 TensorFlow 图：
  • Bulit-in Ops，连同 TensorFlow 使用 TFLearn built-in 操作：
  • Summaries，连同 TensorFlow 使用 TFLearn summarizers：
  • Variables，连同 TensorFlow 使用 TFLearn Variables：

 
子季鹰才
关注
  • 2
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值