实习期间学习与相关参考资料

文本分类

用深度学习（CNN RNN Attention）解决大规模文本分类问题
NLP大赛冠军总结：300万知乎多标签文本分类任务
RNN模型中输入的重要性的评估
github: text_classification

Tensorflow模型保存与恢复

如何快速保存和读取Tensorflow模型
Tensorflow学习:模型保存与恢复
* A quick complete tutorial to save and restore Tensorflow models
* 『TensorFlow』模型载入方法汇总

Tensorflow Estimator

Tensorflow Estimators API使用介绍
中文官方文档
使用estimator构建模型的步骤:
1. 实现模型函数
2. 创建特征列
3. 使用特征列和模型函数实例化一个Estimator类
4. 构建一个数据输入函数
5. 训练

其中步骤2由中文官方文档-特征列 讲解
特征列内容丰富，使您可以将各种原始数据转换为 Estimator 可以使用的格式，从而可以轻松地进行实验。
中文官方文档-预创建的 Estimator
步骤4, 由tf.data讲解.
通过 tf.data API，您可以根据简单的可重用片段构建复杂的输入管道。
要启动输入管道，您必须定义来源。例如，要通过内存中的某些张量构建 Dataset，您可以使用 tf.data.Dataset.from_tensors(tensor)(把输入的tensor看做一个元素) 或 tf.data.Dataset.from_tensor_slices(tensor)(把输入的tensor切分成多个元素)。或者，如果您的输入数据以推荐的 TFRecord 格式存储在磁盘上，那么您可以构建 tf.data.TFRecordDataset。
有了 Dataset 对象以后，您就可以通过链接 tf.data.Dataset 对象上的方法调用将其转换为新的 Dataset.
例如，您可以应用单元素转换，例如 Dataset.map()（为每个元素应用一个函数），也可以应用多元素转换（例如 Dataset.batch()）。
tfrecord 可变长度的序列数据

argparse

python学习 之 argparse