Pour soutenir la maintenance et la mise à niveau de ce projet, veuillez envisager de parrainer le développeur du projet.
Tout niveau de soutien est une grande contribution ici ❤️
Ce référentiel vise à fournir des tutoriels simples et prêts à l'emploi pour TensorFlow. Les explications sont présentes dans le wiki associé à ce référentiel.
Chaque tutoriel comprend source code
et documentation
associée.
Motivation
Pourquoi utiliser TensorFlow ?
Quel est l'intérêt de ce référentiel ?
Installation de TensorFlow et configuration de l'environnement
Tutoriels TensorFlow
Réchauffer
Les bases
Apprentissage automatique de base
Réseaux de neurones
Quelques tutoriels utiles
Contribuer
Processus de demande de tirage
Note finale
Reconnaissance
Il existe différentes motivations pour ce projet open source. TensorFlow (au moment où nous rédigeons ce document) est l'un des meilleurs frameworks d'apprentissage en profondeur disponibles. La question qui devrait se poser est pourquoi ce référentiel a-t-il été créé alors qu'il existe tant d'autres tutoriels sur TensorFlow disponibles sur le Web ?
Le Deep Learning suscite un très grand intérêt de nos jours : il existe un besoin crucial de mises en œuvre rapides et optimisées des algorithmes et des architectures. TensorFlow est conçu pour faciliter cet objectif.
Le principal avantage de TensorFlow est sa flexibilité dans la conception de modèles hautement modulaires, ce qui peut également être un inconvénient pour les débutants, car de nombreux éléments doivent être pris en compte ensemble lors de la création du modèle.
Ce problème a également été facilité par le développement d'API de haut niveau telles que Keras et Slim, qui résument de nombreux éléments utilisés dans la conception d'algorithmes d'apprentissage automatique.
Ce qui est intéressant à propos de TensorFlow, c'est qu'on peut le trouver n'importe où de nos jours . De nombreux chercheurs et développeurs l'utilisent et sa communauté grandit à la vitesse de la lumière ! De nombreux problèmes peuvent être résolus facilement, car ce sont généralement les mêmes problèmes que beaucoup d'autres personnes rencontrent, compte tenu du grand nombre de personnes impliquées dans la communauté TensorFlow.
Développer des projets open source dans le seul but de développer quelque chose n'est pas la raison de cet effort . Compte tenu du grand nombre de tutoriels qui sont ajoutés à cette grande communauté, ce référentiel a été créé pour interrompre le processus de saut d'entrée et de sortie qui arrive habituellement à la plupart des projets open source, mais pourquoi et comment ?
Tout d’abord, quel est l’intérêt de déployer des efforts dans quelque chose que la plupart des gens ne s’arrêteront pas pour y jeter un coup d’œil ? Quel est l’intérêt de créer quelque chose qui n’aide personne dans la communauté des développeurs et des chercheurs ? Pourquoi consacrer du temps à quelque chose qui peut facilement être oublié ? Mais comment essayons-nous de le faire ? Jusqu'à présent, il existe d'innombrables didacticiels sur TensorFlow, qu'il s'agisse de la conception de modèles ou du flux de travail TensorFlow.
La plupart d’entre eux sont trop compliqués ou souffrent d’un manque de documentation. Il n'existe que quelques didacticiels disponibles, concis et bien structurés, qui fournissent suffisamment d'informations sur les modèles spécifiques mis en œuvre.
L'objectif de ce projet est d'aider la communauté avec des didacticiels structurés et des implémentations de code simples et optimisées pour fournir une meilleure compréhension de la façon d'utiliser TensorFlow rapidement et efficacement .
Il est à noter que l'objectif principal de ce projet est de fournir des tutoriels bien documentés et du code moins compliqué !
Pour installer TensorFlow, veuillez vous référer au lien suivant :
Installation de TensorFlow
L'installation de l'environnement virtuel est recommandée afin d'éviter les conflits de packages et d'avoir la capacité de personnaliser l'environnement de travail.
Les didacticiels de ce référentiel sont divisés en catégories pertinentes.
# | sujet | Code source | |
---|---|---|---|
1 | Démarrer | Bienvenue / IPython | Documentation |
# | sujet | Code source | |
---|---|---|---|
2 | Notions de base de TensorFLow | Opérations mathématiques de base / IPython | Documentation |
3 | Notions de base de TensorFLow | Variables TensorFlow/IPython | Documentation |
# | sujet | Code source | |
---|---|---|---|
4 | Modèles linéaires | Régression linéaire / IPython | Documentation |
5 | Modèles prédictifs | Régression logistique / IPython | Documentation |
6 | Machines à vecteurs de support | SVM linéaire/IPython | |
7 | Machines à vecteurs de support | SVM/IPython à noyau multiclasse |
# | sujet | Code source | |
---|---|---|---|
8 | Perceptron multicouche | Perceptron multicouche simple / IPython | |
9 | Réseau neuronal convolutif | Réseaux de neurones convolutifs simples | Documentation |
10 | Encodeur automatique | Encodeur automatique sous-complet | Documentation |
11 | Réseau neuronal récurrent | RNN/IPython |
Exemples TensorFlow – Tutoriels TensorFlow et exemples de code pour les débutants
TensorFlow-101 de Sungjoon - Tutoriels TensorFlow écrits en Python avec Jupyter Notebook
Exercices TensorFlow de Terry Um – Recréez les codes à partir d'autres exemples TensorFlow
Classification sur séries chronologiques - Classification récurrente des réseaux de neurones dans TensorFlow avec LSTM sur les données des capteurs de téléphones portables
Lorsque vous contribuez à ce référentiel, veuillez d'abord discuter de la modification que vous souhaitez apporter via un problème, un e-mail ou toute autre méthode avec les propriétaires de ce référentiel avant d'apporter une modification. En cas de fautes de frappe, veuillez ne pas créer de pull request. Au lieu de cela, déclarez-les dans les tickets ou envoyez un e-mail au propriétaire du référentiel .
Veuillez noter que nous avons un code de conduite, veuillez le suivre dans toutes vos interactions avec le projet.
Veuillez considérer les critères suivants afin de mieux nous aider :
La pull request est principalement censée être une suggestion ou une amélioration de script de code.
Une pull request liée à des sections non-code-script devrait faire une différence significative dans la documentation. Sinon, cela devrait être annoncé dans la section des problèmes.
Assurez-vous que toutes les dépendances d'installation ou de build sont supprimées avant la fin de la couche lors de la réalisation d'une build et de la création d'une pull request.
Ajoutez des commentaires avec des détails sur les modifications apportées à l'interface, cela inclut les nouvelles variables d'environnement, les ports exposés, les emplacements de fichiers utiles et les paramètres de conteneur.
Vous pouvez fusionner la Pull Request une fois que vous avez obtenu l'approbation d'au moins un autre développeur, ou si vous n'avez pas l'autorisation de le faire, vous pouvez demander au propriétaire de la fusionner pour vous si vous pensez que toutes les vérifications ont été réussies.
Nous attendons avec impatience vos aimables commentaires. S'il vous plaît, aidez-nous à améliorer ce projet open source et à améliorer notre travail. Pour contribuer, veuillez créer une pull request et nous l’étudierons dans les plus brefs délais. Encore une fois, nous apprécions vos aimables commentaires et vos inspections élaborées du code.
J'ai déployé d'énormes efforts dans ce projet pour, espérons-le, être une petite partie du monde TensorFlow. Cependant, cela n'aurait pas été plausible sans le soutien et l'aide de mon ami et collègue Domenick Poster pour ses précieux conseils. Il m'a aidé à mieux comprendre TensorFlow et mes remerciements particuliers lui vont.