小时候贼聪明

摘要: 一个精心挑选的有关 TensorFlow 的实践 、库和项目的列表。全网最全！

前面在Generative Adversarial Nets（译）一文中对2014年Ian J. Goodfellow这位大牛关于GAN的文章进行了全文的翻译，在翻译的过程中，遇到的不少的问题，也有一些自己的理解，在这里本人对这篇文章与大家进行交流，并对在TensorFlow上GAN的实现源码进行解析。论文地址：Generative Adversarial Networks源码地址

引言前面在Ubuntu16.04+GTX1080配置TensorFlow并实现图像风格转换中介绍了TensorFlow的配置过程，以及运用TensorFlow实现图像风格转换，主要是使用了文章A Neural Algorithm of Artistic Style中的方法，今天，我将主要对这篇文章进行解读，并对基于TensorFlow版本的Neural Style开源代码进行解析。

Python基础教程学习笔记

Python基础教程学习笔记

Python基础教程学习笔记

Python基础教程学习笔记

Python基础教程学习笔记

Python科学计算学习笔记

Python科学计算学习笔记

Python的字符串格式化有两种方式: 百分号方式、format方式百分号的方式相对来说比较老，而format方式则是比较先进的方式，企图替换古老的方式，目前两者并存。

DCGAN，Deep Convolutional Generative Adversarial Networks是生成对抗网络（Generative Adversarial Networks）的一种延伸，将卷积网络引入到生成式模型当中来做无监督的训练，利用卷积网络强大的特征提取能力来提高生成网络的学习效果。

GAN，Generative Adversarial Network是目前非常火也是非常有潜力的一个发展方向，原始的GAN模型存在着无约束、不可控、噪声信号z很难解释等问题，近年来，在原始GAN模型的基础上衍生出了很多种模型，如：条件——CGAN、卷积——DCGAN等等，在本博客的前几篇博文里均进行了大致的解读，本篇博文将提到的InfoGAN也是GAN的一种改进成果，甚至被OPENAI称为去年的五大突破之一。今天我们就来看看，InfoGAN到底做出了什么样的改进，能达到一个什么样的效果呢。

在上一篇文章中，我们使用了一个简单的SoftMax的回归模型对MNIST手写数字数据集进行训练，经过1000次的跌代后，识别精度达到了91%，但这是远远不够的。在本章中，我们使用一个稍微复杂的模型，其实也不是很复杂，一个含有两个卷积层的卷积神经网络，来测试它的识别效果。

TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，表达了高层次的机器学习计算，大幅简化了第一代系统，并且具备更好的灵活性和可延展性。

使用 TensorFlow, 你必须明白 TensorFlow：

深度学习：趋势如今，流行语已经覆盖全球。从近些年的发展来看，“社交媒体”“物联网”加上现在的“深度学习”，都是当今流行的趋势。

TensorFlow官方教程学习笔记（一）——起步

TensorFlow官方教程学习笔记（二）——MNIST入门

本文主要讲如何将MNIST数据文件中的images和labels分别提取出来的过程，与TensorFlow和deeplearning无关，但是我觉得对于MNIST数据集的了解，以及后面的一些才做还是很有帮助的。

本文主要是在TensorFlow上搭建一个前馈神经网络（feed-forward neural network）来对TensorFlow的运作方式进行简单介绍。代码在\examples\tutorials\mnist\中，主要使用两个文件：mnist.py和fully_connected_feed.py。

Python科学计算学习笔记