TensorFlow Tutorials

TensorFlow 教學課程

我們提供原始程式碼，讓您從基礎到應用一步步練習 TensorFlow。

它涵蓋了 TensorFlow 官方網站提供的指南中的大部分內容，並且比官方網站提供的原始程式碼簡潔得多，因此您將能夠輕鬆學習概念。另外，所有評論都是韓語（！）。

但由於重點是學習各種技術和模型的基本概念以及如何使用TensorFlow，而不是對理論的深入理解和準確的實現，所以請考慮到有很多實現不足的地方。

另外，如果您可以參考程式碼和註釋，以便您可以按順序理解它，而不是創建漂亮的程式碼，我將不勝感激。

要求

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

Golbin Hacker 的 3 分鐘深度學習

感謝許多人對這個儲存庫表現出興趣，我整理了註釋，添加了解釋，並出版了一本名為《Golbin Hacker 的 3 分鐘深度學習》的書（Hanbit Media，2017）。

我們沒有深入研究理論，而是專注於學習各種深度學習模型的基本概念以及如何使用基本的 TensorFlow。因此，我認為這對於剛接觸深度學習/機器學習的開發人員來說特別有幫助。

當然，如果用來裝飾就更好了。 ^_^b

購買

是的24 |教保書店|阿拉丁

推薦

作為一個研究深度學習的人，我讀過不少原著、國內翻譯和資料，但從未見過如此簡潔實用地解釋要點的。其他書籍通常只停留在解釋CNN模型上，而本書透過實際例子探討了主要的深度學習模型，包括RNN、DQN和自動編碼器，為學習深度學習的人提供了一個很好的方向。我強烈推薦這本書作為任何開始深度學習的人的必備書籍。

Byeong-wook Cho（Dahyeop Cho），Google韓國雲端工程師，《（Daeyeop Cho的伺服器端）大容量架構與效能調校》一書作者

---

“人工智慧是新時代的電力。”全球深度學習領域權威吳恩達博士在離開百度時曾這樣表達人工智慧的未來價值。這意味著人工智慧不再是少數科學家的研究活動，而是成為任何人都可以在日常生活中輕鬆使用的技術，就像電力一樣。事實上，這本書很好地解釋了人工智慧的核心深度學習是任何人都可以輕鬆使用的電氣技術。 CNN，圖像識別的銀彈，GAN，2016年最炙手可熱的山芋，RNN，自然語言識別的代表，還有以AlphaGo為代表的谷歌Deep Mind的DQN……乍一看是一個有點難的縮寫，但當你慢慢看一下本書中的範例程式碼，只要你跟著做，任何人都可以透過友善的解釋輕鬆理解代表人工智慧領域的技術到底是什麼。讀完這本書的最後一章後，我更同意吳恩達的觀點。我相信這本書對於那些想要充分利用電力的人來說將是一本很好的指南。

Park Sang-gil，Kakao 新搜尋開發 TF 負責人

---

我認為我可以以有趣的方式進行深度學習。它既不太輕鬆，也不太學術化。我相信，對於那些剛接觸這個領域的人來說，創建一個又一個、組織良好的程式碼的過程將是一個里程碑。

Seo Min-gu，Google韓國軟體工程師，《使用R進行資料處理與分析實務》一書的作者

---

以簡單術語建立的詳細的以代碼為中心的解釋和基本概念！這是一本為那些對深度學習沒有了解的開發者在深度學習的海洋中揚帆起航時的指南。我想把這個推薦給我即將進入深度學習世界的妻子！

Ha Jeong-woo，Naver Clova AI 研究團隊負責人

圖書預覽

發布 |幻燈片分享

簡要說明

01 - 為什麼選擇 TensorFlow

• 我們討論機器學習的基本概念以及為什麼應該使用 TensorFlow。

02 - 準備

• 如何安裝TensorFlow以及Jupiter介紹

03 - TensorFlow 基礎

• 01 - 基本
  • 了解 TensorFlow 運算的概念以及如何執行圖。
• 02 - 變數
  • 了解 TensorFlow 中佔位符和變數的概念。
• 03 - 線性迴歸
  • 讓我們建立一個簡單的線性迴歸模型。

04 - 神經網路基礎

• 01 - 分類
  • 讓我們透過配置神經網路來創建一個簡單的分類模型。
• 02 - 深 N.N.
  • 了解如何建構多個神經網路。
• 03 - Word2Vec
  • 讓我們來簡單實作Word2Vec模型，這個模型在自然語言分析中非常重要。

05 - TensorBoard，保護程序

• 01 - 保護者
  • 了解如何保存和重複使用經過訓練的模型。
• 02 - 張量板
  • 使用 TensorBoard 直觀地檢查神經網路的配置和損失值的變化。
• 03 - TensorBoard #2
  • 讓我們在 TensorBoard 上新增直方圖。

06 - MNIST

• 01 - MNIST
  • 我們使用神經網路解決機器學習中的 MNIST（手寫數字辨識）問題，例如 Hello World。
• 02 - 輟學
  • 讓我們使用廣泛使用的 Dropout 技術來防止過度擬合。

07 - 美國有線電視新聞網

• 01 - 美國有線電視新聞網
  • 我們使用影像處理領域最著名的神經網路模型 CNN 創建更高的辨識率。
• 02 - tf.層
  • 讓我們使用層，這是一種高級 API，可以輕鬆配置神經網路。

08 - 自動編碼器

• 01 - 自動編碼器
  • 讓我們使用自動編碼器，一種代表性的無監督學習方法。

09 - 甘

• 01 - 甘氨酸
  • 我們來實現一下 2016 年最受關注的無監督學習方法 GAN。
• 02 - 甘#2
  • 讓我們應用 GAN 創建一個模型，產生所需數字的手寫圖像。這樣，諸如將黑白照片轉換為彩色或為線條圖著色等應用都是可能的。

10 - RNN

• 01 - MNIST
  • 了解 RNN 的基礎知識，RNN 廣泛應用於自然語言處理和語音處理。
• 02 - 自動完成
  • 使用對有序資料具有強大功能的 RNN 功能，我們將實現一個模型，透過提供單字的前三個字母來完成單字。
• 03 - 序列到序列
  • 我們將實作 Seq2Seq，一種用於聊天機器人、翻譯和影像字幕的序列學習/生成模型。
• 聊天機器人
  • 讓我們使用 Seq2Seq 模型來建立一個簡單的聊天機器人。

11 - 盜夢空間

讓我們使用 Inception，這是 Google 開發的神經網路模型，非常適合影像辨識。

無需自行實作神經網路模型，只需編寫簡單的腳本，即可立即應用具有出色識別率的程式來練習使用自己的資料。

更多資訊請參閱文件 11 - Inception/README.md。

12-DQN

讓我們實現 DQN，這是一種使用深度學習的強化學習，由 Google 的 DeepMind（因 AlphaGo 而聞名）開發。

它可能看起來有點複雜，但我已經盡可能地分離了關鍵部分，這樣您就可以跟上。

有關更多信息，請參閱文檔 12 - DQN/README.md。

參考

更多基礎理論請參考以下課程和資料庫。

• 為大家帶來的機器學習/深度學習講座（香港科技大學 Seong-Hoon Kim 教授講座）
• 課程練習程式碼（本人製作）

故障排除

• 如果使用 matplotlib 的程式碼在 Mac OS 上無法運作或產生錯誤
  • 只需建立~/.matplotlib/matplotlibrc檔案並新增設定backend: TkAgg 。