Este repositório tem como objetivo fornecer tutoriais simples e prontos para uso do TensorFlow. Cada tutorial inclui source code
e a maioria deles está associada a uma documentation
.
Para apoiar a manutenção e atualização deste projeto, considere patrocinar o desenvolvedor do projeto.
Qualquer nível de apoio é uma grande contribuição aqui ❤️
Status: este projeto foi atualizado para **TensorFlow 2.3* .*
Baixe o e-book gratuito do roteiro do TensorFlow
Grupo Slack
O que é TensorFlow?
Motivação
Por que usar o TensorFlow?
Qual é o objetivo deste repositório?
Instalação e configuração do ambiente do TensorFlow
Tutoriais do TensorFlow
Aquecimento
Noções básicas
Aprendizado de máquina básico
Redes Neurais
Avançado
Alguns tutoriais úteis
Contribuindo
Processo de solicitação pull
Nota Final
Desenvolvedores
TensorFlow é uma biblioteca de software de código aberto para programação de fluxo de dados em diversas tarefas. É uma biblioteca matemática simbólica e também é usada para aplicativos de aprendizado de máquina, como redes neurais. Ele é usado tanto para pesquisa quanto para produção no Google, muitas vezes substituindo seu antecessor de código fechado, DistBelief.
O TensorFlow foi desenvolvido pela equipe do Google Brain para uso interno do Google. Foi lançado sob a licença de código aberto Apache 2.0 em 9 de novembro de 2015.
Existem diferentes motivações para este projeto de código aberto. TensorFlow (no momento em que escrevemos este documento) é uma das melhores estruturas de aprendizado profundo disponíveis. A pergunta que deve ser feita é por que este repositório foi criado quando existem tantos outros tutoriais sobre o TensorFlow disponíveis na web?
O Deep Learning é de grande interesse atualmente - há uma necessidade crucial de implementações rápidas e otimizadas de algoritmos e arquiteturas. O TensorFlow foi projetado para facilitar esse objetivo.
A grande vantagem do TensorFlow é a flexibilidade no projeto de modelos altamente modulares, o que também pode ser uma desvantagem para iniciantes, já que muitas peças devem ser consideradas em conjunto ao criar o modelo.
Esse problema também foi facilitado pelo desenvolvimento de APIs de alto nível, como Keras e Slim, que abstraem muitas das peças usadas no projeto de algoritmos de aprendizado de máquina.
O interessante do TensorFlow é que ele pode ser encontrado em qualquer lugar hoje em dia . Muitos pesquisadores e desenvolvedores estão usando-o e sua comunidade está crescendo na velocidade da luz ! Muitos problemas podem ser resolvidos facilmente, pois geralmente são os mesmos que muitas outras pessoas enfrentam, considerando o grande número de pessoas envolvidas na comunidade do TensorFlow.
Desenvolver projetos de código aberto apenas com o objetivo de desenvolver algo não é a razão por trás desse esforço . Considerando o grande número de tutoriais que estão sendo adicionados a esta grande comunidade, este repositório foi criado para quebrar o processo de entrada e saída que normalmente acontece com a maioria dos projetos de código aberto, mas por que e como ?
Em primeiro lugar, de que adianta se esforçar em algo que a maioria das pessoas não para e dá uma olhada? Qual o sentido de criar algo que não ajuda ninguém na comunidade de desenvolvedores e pesquisadores? Por que gastar tempo com algo que pode ser facilmente esquecido? Mas como tentamos fazer isso? Até o momento, existem inúmeros tutoriais sobre o TensorFlow, seja no design do modelo ou no fluxo de trabalho do TensorFlow.
A maioria deles é muito complicada ou carece de documentação. Existem apenas alguns tutoriais disponíveis que são concisos e bem estruturados e fornecem informações suficientes para seus modelos específicos implementados.
O objetivo deste projeto é ajudar a comunidade com tutoriais estruturados e implementações de código simples e otimizadas para fornecer melhores insights sobre como usar o TensorFlow de forma rápida e eficaz .
Vale ressaltar que o objetivo principal deste projeto é fornecer tutoriais bem documentados e códigos menos complicados !
Para instalar o TensorFlow, consulte o seguinte link:
Instalação do TensorFlow
A instalação em ambiente virtual é recomendada para evitar conflitos de pacotes e ter capacidade de customizar o ambiente de trabalho.
Os tutoriais neste repositório são particionados em categorias relevantes.
# | tópico | Correr | Código Fonte | Mídia |
---|---|---|---|---|
1 | Comece | Caderno / Python | Tutorial em vídeo |
# | tópico | Correr | Código Fonte | Mídia |
---|---|---|---|---|
1 | Tensores | Caderno / Python | Tutorial em vídeo | |
2 | Diferenciação Automática | Caderno / Python | Tutorial em vídeo | |
3 | Introdução aos Gráficos | Caderno / Python | Tutorial em vídeo | |
4 | Modelos TensorFlow | Caderno / Python | Tutorial em vídeo |
# | tópico | Correr | Código Fonte | Mais | Mídia |
---|---|---|---|---|---|
1 | Regressão Linear | Caderno / Python | Tutorial | Tutorial em vídeo | |
2 | Aumento de dados | Caderno / Python | Tutorial | Tutorial em vídeo |
# | tópico | Correr | Código Fonte | Mídia |
---|---|---|---|---|
1 | Perceptron multicamadas | Caderno / Python | Tutorial em vídeo | |
2 | Redes Neurais Convolucionais | Caderno / Python | Tutorial em vídeo |
# | tópico | Correr | Código Fonte | Mídia |
---|---|---|---|---|
1 | Treinamento personalizado | Caderno / Python | Tutorial em vídeo | |
2 | Gerador de conjunto de dados | Caderno / Python | Tutorial em vídeo | |
3 | Criar registros TFRecords | Caderno / Python | Tutorial em vídeo |
Exemplos do TensorFlow – tutoriais e exemplos de código do TensorFlow para iniciantes
TensorFlow-101 de Sungjoon - Tutoriais do TensorFlow escritos em Python com Jupyter Notebook
Exercícios do TensorFlow de Terry Um – recrie os códigos de outros exemplos do TensorFlow
Classificação em séries temporais - Classificação de redes neurais recorrentes no TensorFlow com LSTM em dados de sensores de celulares
Ao contribuir para este repositório, primeiro discuta a alteração que deseja fazer por meio de problema, e-mail ou qualquer outro método com os proprietários deste repositório antes de fazer uma alteração. Para erros de digitação, não crie uma solicitação pull. Em vez disso, declare-os em problemas ou envie um e-mail ao proprietário do repositório .
Observe que temos um código de conduta, siga-o em todas as suas interações com o projeto.
Por favor, considere os seguintes critérios para nos ajudar da melhor maneira:
Espera-se que a solicitação pull seja principalmente uma sugestão ou melhoria de script de código.
Por favor, NÃO altere os arquivos ipython. Em vez disso, altere os arquivos PYTHON correspondentes.
Espera-se que uma solicitação pull relacionada a seções que não sejam de script de código faça uma diferença significativa na documentação. Caso contrário, espera-se que seja anunciado na seção de questões.
Certifique-se de que todas as dependências de instalação ou build sejam removidas antes do final da camada ao fazer um build e criar uma solicitação pull.
Adicione comentários com detalhes de alterações na interface, incluindo novas variáveis de ambiente, portas expostas, locais de arquivos úteis e parâmetros de contêiner.
Você pode mesclar a solicitação pull assim que tiver a aprovação de pelo menos um outro desenvolvedor ou, se não tiver permissão para fazer isso, poderá solicitar ao proprietário que a mescle para você se acreditar que todas as verificações foram aprovadas.
Estamos ansiosos pelo seu gentil feedback. Por favor, ajude-nos a melhorar este projeto de código aberto e a tornar nosso trabalho melhor. Para contribuição, crie uma solicitação pull e iremos investigá-la imediatamente. Mais uma vez, agradecemos seu gentil feedback e elaboradas inspeções de código.
Empresa : Instill AI [Site]
Criador : Mindset de aprendizado de máquina [Blog, GitHub, Twitter]
Desenvolvedor : Amirsina Torfi [GitHub, site pessoal, Linkedin]