TensorFlow Course
1.0.0
Ziel dieses Repositorys ist es, einfache und gebrauchsfertige Tutorials für TensorFlow bereitzustellen. Jedes Tutorial enthält source code und die meisten davon sind mit einer documentation verbunden.
Um die Wartung und Aktualisierung dieses Projekts zu unterstützen, erwägen Sie bitte, den Projektentwickler zu sponsern.
Jede Art von Unterstützung ist hier ein toller Beitrag ❤️
Status: Dieses Projekt wurde auf **TensorFlow 2.3* aktualisiert .*
Laden Sie das kostenlose E-Book „TensorFlow Roadmap“ herunter
Slack-Gruppe
Was ist TensorFlow?
Motivation
Warum TensorFlow verwenden?
Was ist der Sinn dieses Repositorys?
TensorFlow-Installation und Einrichten der Umgebung
TensorFlow-Tutorials
Sich warm laufen
Grundlagen
Grundlegendes maschinelles Lernen
Neuronale Netze
Fortschrittlich
Einige nützliche Tutorials
Mitwirken
Pull-Request-Prozess
Schlussbemerkung
Entwickler
TensorFlow ist eine Open-Source-Softwarebibliothek für die Datenflussprogrammierung für eine Reihe von Aufgaben. Es handelt sich um eine symbolische Mathematikbibliothek, die auch für maschinelle Lernanwendungen wie neuronale Netze verwendet wird. Es wird sowohl für die Forschung als auch für die Produktion bei Google verwendet und ersetzt häufig seinen Closed-Source-Vorgänger DistBelief.
TensorFlow wurde vom Google Brain-Team für den internen Google-Gebrauch entwickelt. Es wurde am 9. November 2015 unter der Open-Source-Lizenz Apache 2.0 veröffentlicht.
Es gibt unterschiedliche Beweggründe für dieses Open-Source-Projekt. TensorFlow (während wir dieses Dokument schreiben) ist eines der besten verfügbaren Deep-Learning-Frameworks. Die Frage, die gestellt werden sollte, ist, warum dieses Repository erstellt wurde, wenn es im Web so viele andere Tutorials zu TensorFlow gibt.
Deep Learning erfreut sich heutzutage eines sehr hohen Interesses – es besteht ein dringender Bedarf an schnellen und optimierten Implementierungen der Algorithmen und Architekturen. TensorFlow soll dieses Ziel erleichtern.
Der große Vorteil von TensorFlow ist die Flexibilität beim Entwurf hochmodularer Modelle, was für Anfänger jedoch auch ein Nachteil sein kann, da bei der Erstellung des Modells viele Teile zusammen betrachtet werden müssen.
Dieses Problem wurde auch durch die Entwicklung von High-Level-APIs wie Keras und Slim gelöst, die viele der beim Entwurf von Algorithmen für maschinelles Lernen verwendeten Teile abstrahieren.
Das Interessante an TensorFlow ist, dass es heutzutage überall zu finden ist . Viele Forscher und Entwickler nutzen es und seine Community wächst mit Lichtgeschwindigkeit ! So viele Probleme lassen sich leicht lösen, da es sich in der Regel um die gleichen Probleme handelt, mit denen viele andere Menschen konfrontiert sind, wenn man bedenkt, wie viele Menschen in der TensorFlow-Community tätig sind.
Die Entwicklung von Open-Source-Projekten um der bloßen Entwicklung willen ist nicht der Grund für diese Bemühungen . Angesichts der großen Anzahl von Tutorials, die dieser großen Community hinzugefügt werden, wurde dieses Repository erstellt, um den Jump-In- und Jump-Out-Prozess zu unterbrechen, der normalerweise bei den meisten Open-Source-Projekten auftritt. Aber warum und wie ?
Zunächst einmal: Welchen Sinn hat es, sich etwas anzustrengen, bei dem die meisten Leute nicht vorbeischauen und einen Blick darauf werfen? Welchen Sinn hat es, etwas zu schaffen, das niemandem in der Entwickler- und Forschergemeinschaft hilft? Warum Zeit für etwas verschwenden, das leicht vergessen werden kann? Aber wie versuchen wir es zu tun? Bis heute gibt es unzählige Tutorials zu TensorFlow, sei es zum Modelldesign oder zum TensorFlow-Workflow.
Die meisten von ihnen sind zu kompliziert oder weisen einen Mangel an Dokumentation auf. Es gibt nur wenige verfügbare Tutorials, die prägnant und gut strukturiert sind und ausreichend Einblick in die konkret implementierten Modelle bieten.
Das Ziel dieses Projekts ist es, der Community mit strukturierten Tutorials und einfachen und optimierten Code-Implementierungen zu helfen, bessere Einblicke in die schnelle und effektive Nutzung von TensorFlow zu geben.
Es ist erwähnenswert, dass das Hauptziel dieses Projekts darin besteht, gut dokumentierte Tutorials und weniger komplizierten Code bereitzustellen !
Um TensorFlow zu installieren, klicken Sie bitte auf den folgenden Link:
TensorFlow-Installation
Die Installation einer virtuellen Umgebung wird empfohlen, um Paketkonflikte zu vermeiden und die Arbeitsumgebung individuell anpassen zu können.
Die Tutorials in diesem Repository sind in relevante Kategorien unterteilt.
| # | Thema | Laufen | Quellcode | Medien |
|---|---|---|---|---|
| 1 | Start-up | Notizbuch / Python | Video-Tutorial |
| # | Thema | Laufen | Quellcode | Medien |
|---|---|---|---|---|
| 1 | Tensoren | Notizbuch / Python | Video-Tutorial | |
| 2 | Automatische Differenzierung | Notizbuch / Python | Video-Tutorial | |
| 3 | Einführung in Grafiken | Notizbuch / Python | Video-Tutorial | |
| 4 | TensorFlow-Modelle | Notizbuch / Python | Video-Tutorial |
| # | Thema | Laufen | Quellcode | Mehr | Medien |
|---|---|---|---|---|---|
| 1 | Lineare Regression | Notizbuch / Python | Anleitung | Video-Tutorial | |
| 2 | Datenerweiterung | Notizbuch / Python | Anleitung | Video-Tutorial |
| # | Thema | Laufen | Quellcode | Medien |
|---|---|---|---|---|
| 1 | Mehrschichtiges Perzeptron | Notizbuch / Python | Video-Tutorial | |
| 2 | Faltungs-Neuronale Netze | Notizbuch / Python | Video-Tutorial |
| # | Thema | Laufen | Quellcode | Medien |
|---|---|---|---|---|
| 1 | Maßgeschneiderte Schulung | Notizbuch / Python | Video-Tutorial | |
| 2 | Datensatzgenerator | Notizbuch / Python | Video-Tutorial | |
| 3 | Erstellen Sie TFRecords | Notizbuch / Python | Video-Tutorial |
TensorFlow-Beispiele – TensorFlow-Tutorials und Codebeispiele für Anfänger
Sungjoons TensorFlow-101 – TensorFlow-Tutorials, geschrieben in Python mit Jupyter Notebook
TensorFlow-Übungen von Terry Um – Erstellen Sie die Codes aus anderen TensorFlow-Beispielen neu
Klassifizierung anhand von Zeitreihen – Klassifizierung wiederkehrender neuronaler Netze in TensorFlow mit LSTM anhand von Mobiltelefonsensordaten
Wenn Sie zu diesem Repository beitragen, besprechen Sie die Änderung, die Sie vornehmen möchten, zunächst per Problem, E-Mail oder auf andere Weise mit den Eigentümern dieses Repositorys, bevor Sie eine Änderung vornehmen. Bei Tippfehlern erstellen Sie bitte keinen Pull-Request. Deklarieren Sie sie stattdessen in Issues oder senden Sie eine E-Mail an den Repository-Eigentümer .
Bitte beachten Sie, dass wir einen Verhaltenskodex haben. Bitte befolgen Sie diesen bei allen Ihren Interaktionen mit dem Projekt.
Bitte berücksichtigen Sie die folgenden Kriterien, um uns besser helfen zu können:
Von der Pull-Anfrage wird hauptsächlich erwartet, dass sie ein Code-Skript-Vorschlag oder eine Verbesserung ist.
Bitte ändern Sie die ipython-Dateien NICHT. Ändern Sie stattdessen die entsprechenden PYTHON-Dateien.
Es wird erwartet, dass ein Pull-Request, der sich auf Nicht-Code-Skript-Abschnitte bezieht, einen erheblichen Unterschied in der Dokumentation bewirken wird. Andernfalls wird es voraussichtlich in der Rubrik „Ausgaben“ bekannt gegeben.
Stellen Sie sicher, dass alle Installations- oder Build-Abhängigkeiten vor dem Ende der Ebene entfernt werden, wenn Sie einen Build durchführen und eine Pull-Anfrage erstellen.
Fügen Sie Kommentare mit Details zu Änderungen an der Schnittstelle hinzu. Dazu gehören neue Umgebungsvariablen, verfügbar gemachte Ports, nützliche Dateispeicherorte und Containerparameter.
Sie können die Pull-Anfrage zusammenführen, sobald Sie die Genehmigung von mindestens einem anderen Entwickler haben. Wenn Sie dazu nicht berechtigt sind, können Sie den Eigentümer bitten, sie für Sie zusammenzuführen, wenn Sie glauben, dass alle Prüfungen bestanden wurden.
Wir freuen uns über Ihr freundliches Feedback. Bitte helfen Sie uns, dieses Open-Source-Projekt zu verbessern und unsere Arbeit zu verbessern. Um einen Beitrag zu leisten, erstellen Sie bitte eine Pull-Anfrage und wir werden die Angelegenheit umgehend untersuchen. Wir freuen uns noch einmal über Ihr freundliches Feedback und Ihre ausführlichen Code-Inspektionen.
Unternehmen : Instill AI [Website]
Ersteller : Machine Learning Mindset [Blog, GitHub, Twitter]
Entwickler : Amirsina Torfi [GitHub, Persönliche Website, Linkedin]
