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!