DeepLearningZeroToAll

Лабораторный код (НЗП), но обращайтесь за комментариями

Это код для лабораторных работ, описанных в базовых руководствах TensorFlow (на корейском языке) по адресу https://youtu.be/BS6O0zOGX4E. (У нас также есть планы записывать видео на английском языке.)

Работа находится в стадии разработки и может содержать ошибки. Тем не менее, мы ждем ваших комментариев и запросов на включение изменений. Ознакомьтесь с нашим руководством по стилю:

• Больше стиля TF (1.0): используйте более свежие и достойные API TF.
• Больше Pythonic: полностью используйте возможности Python
• Читабельность (более эффективность). Поскольку речь идет об учебных целях, мы предпочитаем читабельность другим.
• Понятность (во всем). Понимание ключевых концепций TF — основная цель этого кода.
• ПОЦЕЛУЙ: Будь проще, глупый! https://www.techopedia.com/definition/20262/keep-it-simple-stupid-principle-kiss-principle

Лабораторные слайды:

• https://goo.gl/jPtWNt

Мы приветствуем ваши комментарии к слайдам.

Правило именования файлов:

• klab-XX-X-[имя].py: код лаборатории Keras
• lab-XX-X-[имя].py: код лаборатории TensorFlow
• mxlab-XX-X-[имя].py: код лаборатории MXNet

Требования к установке

pip install -r requirements.txt

Запустите тест и autopep8

TODO: нужно добавить больше тестовых случаев

python -m unittest discover -s tests ;

# http://stackoverflow.com/questions/14328406/
pip install autopep8 # if you haven't install
autopep8 . --recursive --in-place --pep8-passes 2000 --verbose

Автоматически создавать требования.txt

pip install pipreqs

pipreqs /path/to/project

http://stackoverflow.com/questions/31684375

Вклады/комментарии

Мы всегда приветствуем ваши комментарии и запросы на включение.

Эталонные реализации

• https://github.com/nlintz/TensorFlow-Tutorials/
• https://github.com/golbin/TensorFlow-ML-Exercisions
• https://github.com/FuZer/Study_TensorFlow
• https://github.com/fchollet/keras/tree/master/examples