tensorflow经典教程及案例
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新⼿准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。
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
tensorflow入门教程Atari Pacman 1-step Q-Learning，使⽤ 1-step Q-learning 教⼀台机器玩 Atari 游戏：

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。