TensorFlow Tutorials

TensorFlow 教程

我们提供源代码，让您从基础到应用一步步练习 TensorFlow。

它涵盖了 TensorFlow 官方网站提供的指南中的大部分内容，并且比官方网站提供的源代码简洁得多，因此您将能够轻松学习概念。另外，所有评论都是韩语（！）。

但由于重点是学习各种技术和模型的基本概念以及如何使用TensorFlow，而不是对理论的深入理解和准确的实现，所以请考虑到有很多实现不足的地方。

另外，如果您可以参考代码和注释，以便您可以按顺序理解它，而不是创建漂亮的代码，我将不胜感激。

要求

• TensorFlow >= 1.8.0
• Python >= 3.6.1
  • numpy >= 1.14.3
  • matplotlib >= 2.2.2
  • 枕头 >= 5.1

Golbin Hacker 的 3 分钟深度学习

感谢许多人对这个存储库表现出兴趣，我整理了注释，添加了解释，并出版了一本名为《Golbin Hacker 的 3 分钟深度学习》的书（Hanbit Media，2017）。

我们没有深入研究理论，而是专注于学习各种深度学习模型的基本概念以及如何使用基本的 TensorFlow。因此，我认为这对于刚接触深度学习/机器学习的开发人员来说特别有帮助。

当然，如果用来装饰就更好了。 ^_^b

购买

是的24 |教保书店|阿拉丁

推荐

作为一个研究深度学习的人，我读过相当多的原著、国内翻译和资料，但从未见过如此简洁实用地解释要点的东西。其他书籍通常停留在解释CNN模型上，而本书通过实际例子探讨了主要的深度学习模型，包括RNN、DQN和自动编码器，为学习深度学习的人提供了一个很好的方向。我强烈推荐这本书作为任何开始深度学习的人的必备书籍。

Byeong-wook Cho（Dahyeop Cho），Google韩国云工程师，《（Daeyeop Cho的服务器端）大容量架构与性能调优》一书作者

---

“人工智能是新时代的电力。”全球深度学习领域权威吴恩达博士在离开百度后曾这样表达人工智能的未来价值。这意味着人工智能不再是少数科学家的研究活动，而是成为任何人都可以在日常生活中轻松使用的技术，就像电一样。事实上，这本书很好地解释了人工智能的核心深度学习是一种任何人都可以轻松使用的电气技术。 CNN，图像识别的银弹，GAN，2016年最炙手可热的山芋，RNN，自然语言识别的代表，还有以AlphaGo为代表的谷歌Deep Mind的DQN……乍一看是一个有点难的缩写，但当你慢慢看一下本书中的示例代码，只要你跟着做，任何人都可以通过友好的解释轻松理解代表人工智能领域的技术到底是什么。读完这本书的最后一章后，我更加同意吴恩达的观点。我相信这本书对于那些想要充分利用电力的人来说将是一本很好的指南。

Park Sang-gil，Kakao 新搜索开发 TF 负责人

---

我认为我可以以一种有趣的方式进行深度学习。它既不太轻松，也不太学术化。我相信，对于那些刚接触这个领域的人来说，创建一个又一个、组织良好的代码的过程将是一个里程碑。

Seo Min-gu，Google韩国软件工程师，《使用R进行数据处理和分析实践》一书的作者

---

以简单术语建立的详细的以代码为中心的解释和基本概念！这是一本为对深度学习一无所知的开发者在深度学习的海洋中扬帆起航时提供指导的书。我想把这个推荐给我即将进入深度学习世界的妻子！

Ha Jeong-woo，Naver Clova AI 研究团队负责人

图书预览

发布 |幻灯片共享

简要说明

01 - 为什么选择 TensorFlow

• 我们讨论机器学习的基本概念以及为什么应该使用 TensorFlow。

02 - 准备

• 如何安装TensorFlow以及Jupiter介绍

03 - TensorFlow 基础

• 01 - 基本
  • 了解 TensorFlow 运算的概念以及如何执行图。
• 02 - 变量
  • 了解 TensorFlow 中占位符和变量的概念。
• 03 - 线性回归
  • 让我们创建一个简单的线性回归模型。

04 - 神经网络基础

• 01 - 分类
  • 让我们通过配置神经网络来创建一个简单的分类模型。
• 02 - 深 N.N.
  • 了解如何构建多个神经网络。
• 03 - Word2Vec
  • 我们来简单实现一下Word2Vec模型，这个模型在自然语言分析中非常重要。

05 - TensorBoard，保护程序

• 01 - 保护者
  • 了解如何保存和重用经过训练的模型。
• 02 - 张量板
  • 使用 TensorBoard 直观地检查神经网络的配置和损失值的变化。
• 03 - TensorBoard #2
  • 让我们向 TensorBoard 添加直方图。

06 - MNIST

• 01 - MNIST
  • 我们使用神经网络解决机器学习中的 MNIST（手写数字识别）问题，例如 Hello World。
• 02 - 辍学
  • 让我们使用广泛使用的 Dropout 技术来防止过度拟合。

07 - 美国有线电视新闻网

• 01 - 美国有线电视新闻网
  • 我们使用图像处理领域最著名的神经网络模型 CNN 创建更高的识别率。
• 02 - tf.层
  • 让我们使用层，这是一种高级 API，可以轻松配置神经网络。

08 - 自动编码器

• 01 - 自动编码器
  • 让我们使用自动编码器，一种代表性的无监督学习方法。

09 - 甘

• 01 - 甘氨酸
  • 我们来实现一下 2016 年最受关注的无监督学习方法 GAN。
• 02 - 甘#2
  • 让我们应用 GAN 创建一个模型，生成所需数字的手写图像。这样，诸如将黑白照片转换为彩色或为线条图着色等应用都是可能的。

10 - RNN

• 01 - MNIST
  • 了解 RNN 的基础知识，RNN 广泛应用于自然语言处理和语音处理。
• 02 - 自动完成
  • 使用对有序数据具有强大功能的 RNN 功能，我们将实现一个模型，通过提供单词的前三个字母来完成单词。
• 03 - 序列到序列
  • 我们将实现 Seq2Seq，一种用于聊天机器人、翻译和图像字幕的序列学习/生成模型。
• 聊天机器人
  • 让我们使用 Seq2Seq 模型创建一个简单的聊天机器人。

11 - 盗梦空间

让我们使用 Inception，这是 Google 开发的一种神经网络模型，非常适合图像识别。

无需自己实现神经网络模型，只需编写简单的脚本，即可立即应用具有出色识别率的程序来练习使用自己的数据。

更多信息请参阅文档 11 - Inception/README.md。

12-DQN

让我们实现 DQN，这是一种使用深度学习的强化学习，由 Google 的 DeepMind（因 AlphaGo 而闻名）开发。

它可能看起来有点复杂，但我已经尽可能地将关键部分分开，这样您就可以跟上。

有关更多信息，请参阅文档 12 - DQN/README.md。

参考

更多基础理论，请参考以下课程和知识库。

• 为大家带来的机器学习/深度学习讲座（香港科技大学 Seong-Hoon Kim 教授讲座）
• 课程练习代码（本人制作）

故障排除

• 如果使用 matplotlib 的代码在 Mac OS 上无法运行或产生错误
  • 只需创建~/.matplotlib/matplotlibrc文件并添加设置backend: TkAgg 。