[机器学习收藏] TensorFlow初学者必须了解的55个经典案例

TensorFlow初学者必须了解的55个经典案例

2017-06-191024深度学习 1024深度学习
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:tf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:

 
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 大白 设计师: CSDN官方博客
应支付0元
点击重新获取
扫码支付

支付成功即可阅读