干货 | Tensorflow 接近3W+star分享

 

  TensorFlow是目前深度学习的主要框架，也是入门深度学习必须掌握的三大框架，但是官方文档相对内容较多，初学者往往无从下手。本人从github里搜到一个非常不错的学习资源，并对资源目录进行翻译，强烈建议初学者下载学习，这些资源包含了大量的代码示例（含数据集），个人认为，只要把以上资源运行一次，不懂的地方查官方文档，很快就能理解和运用这个框架。

 

配置环境：

python 3.6以上，TensorFlow 1.8+

 

资源目录：

0 - 先决条件

• 机器学习简介

• MNIST数据集简介

1 - 简介

• Hello World(包含notebook和py源代码)。非常简单的例子，学习如何使用TensorFlow打印“hello world”。

• 基本操作(包含notebook和py源代码)。一个涵盖TensorFlow基本操作的简单示例。

• TensorFlow Eager API基础知识(包含notebook和py源代码)。开始使用TensorFlow的Eager API。

2 - 基础模型

• 线性回归(包含notebook和py源代码)。使用TensorFlow实现线性回归。

• 线性回归（eager api）(包含notebook和py源代码)。使用TensorFlow的Eager API实现线性回归。

• Logistic回归(包含notebook和py源代码)。使用TensorFlow实现Logistic回归。

• Logistic回归（eager api）(包含notebook和py源代码)。使用TensorFlow的Eager API实现Logistic回归。

• 最近邻(包含notebook和py源代码)。使用TensorFlow实现最近邻算法。

• K-Means(包含notebook和py源代码)。使用TensorFlow构建K-Means分类器。

• 随机森林(包含notebook和py源代码)。使用TensorFlow构建随机森林分类器。

• Gradient Boosted Decision Tree（GBDT）(包含notebook和py源代码)。使用TensorFlow构建梯度提升决策树（GBDT）。

• Word2Vec（词嵌入）(包含notebook和py源代码)。使用TensorFlow从Wikipedia数据构建词嵌入模型（Word2Vec）。

3 - 神经网络

• 监督学习部分

• 简单神经网络(包含notebook和py源代码)。构建一个简单的神经网络（如多层感知器）来对MNIST数字数据集进行分类。 Raw TensorFlow实现。

• 简单神经网络（tf.layers / estimator api）(包含notebook和py源代码)。使用TensorFlow'layers'和'estimator'API构建一个简单的神经网络（如：Multi-layer Perceptron）来对MNIST数字数据集进行分类。

• 简单神经网络（Eager API）(包含notebook和py源代码)。使用TensorFlow Eager API构建一个简单的神经网络（如多层感知器）来对MNIST数字数据集进行分类。

• 卷积神经网络(包含notebook和py源代码)。构建卷积神经网络以对MNIST数字数据集进行分类。 Raw TensorFlow实现。

• 卷积神经网络（tf.layers / estimator api）(包含notebook和py源代码)。使用TensorFlow'layers'和'estimator'API构建卷积神经网络，对MNIST数字数据集进行分类。

• 递归神经网络（LSTM）(包含notebook和py源代码)。构建递归神经网络（LSTM）以对MNIST数字数据集进行分类。

• 双向LSTM(包含notebook和py源代码)。构建双向递归神经网络（LSTM）以对MNIST数字数据集进行分类。

• 动态LSTM(包含notebook和py源代码)。构建一个递归神经网络（LSTM），执行动态计算以对不同长度的序列进行分类。

 

 

• 无监督

• 自动编码器(包含notebook和py源代码)。构建自动编码器以将图像编码为较低维度并重新构建它。

• 变分自动编码器（(包含notebook和py源代码)。构建变分自动编码器（VAE），对噪声进行编码和生成图像。

• GAN（Generative Adversarial Networks）(包含notebook和py源代码)。构建生成对抗网络（GAN）以从噪声生成图像。

• DCGAN（Deep Convolutional Generative Adversarial Networks）(包含notebook和py源代码)。构建深度卷积生成对抗网络（DCGAN）以从噪声生成图像。

 

4 - 工具

• 保存和还原模型(包含notebook和py源代码)。使用TensorFlow保存和还原模型。

• Tensorboard - 图形和损失可视化(包含notebook和py源代码)。使用Tensorboard可视化计算图并绘制损失。

• Tensorboard - 高级可视化(包含notebook和py源代码)。深入了解Tensorboard;可视化变量，梯度等......

 

5 - 数据管理

• 构建图像数据集(包含notebook和py源代码)。使用TensorFlow数据队列，从图像文件夹或数据集文件构建您自己的图像数据集。

• TensorFlow数据集API(包含notebook和py源代码)。引入TensorFlow数据集API以优化输入数据管道。

 

6 - 多GPU

• 多GPU的基本操作(包含notebook和py源代码)。在TensorFlow中引入多GPU的简单示例。

• 在多GPU上训练神经网络(包含notebook和py源代码)。一个清晰简单的TensorFlow实现，用于在多个GPU上训练卷积神经网络。

•  

 

Github地址：

https://github.com/aymericdamien/TensorFlow-Examples/tree/master/examples

后台回复「TF例子」，也可以通过百度云下载。

 

Jerry的算法和NLP，一个注重技术领域的平台！