TensorFlow示例
本教程旨在通过示例轻松深入TensorFlow。为了可读性，它包括笔记本和带有说明的源代码，适用于TFv1和v2
它适合那些想要找到关于TensorFlow的清晰简明示例的初学者。除了传统的“原始”TensorFlow实现之外，您还可以找到最新的TensorFlow API实践(例如layers，estimator，dataset、.)
更新(05/16/2020)：将所有默认示例移动到TF2。对于TF v1示例：check here
教程索引
0-必备条件
1-简介
- 你好，世界(notebook)。非常简单的示例，学习如何使用TensorFlow2.0+打印“hello world”
- 基本操作(notebook)。一个涵盖TensorFlow 2.0+基本操作的简单示例
2-基本型号
- 线性回归(notebook)。用TensorFlow 2.0+实现线性回归
- Logistic回归(notebook)。用TensorFlow 2.0+实现Logistic回归
- word2vec(单词嵌入)(notebook)。使用TensorFlow 2.0+从维基百科数据构建单词嵌入模型(Word2vec)
- GBDT(梯度增强决策树)(notebooks)。使用TensorFlow 2.0+实现梯度增强决策树，以使用波士顿住房数据集预测房价
3-神经网络
受监督
- 简单神经网络(notebook)。使用TensorFlow 2.0‘Layers’和‘Model’API构建一个简单的神经网络来对MNIST数字数据集进行分类
- 简单神经网络(低级)(notebook)。MNIST数字数据集分类的简单神经网络RAW实现
- 卷积神经网络(notebook)。使用TensorFlow 2.0+“Layers”和“model”API构建卷积神经网络对MNIST数字数据集进行分类
- 卷积神经网络(低级)(notebook)。卷积神经网络对MNIST数字数据集分类的原始实现
- 递归神经网络(LSTM)(notebook)。利用TensorFlow 2.0‘Layers’和‘Model’API构建递归神经网络(LSTM)对MNIST数字数据集进行分类
- 双向递归神经网络(LSTM)(notebook)。利用TensorFlow 2.0+‘Layers’和‘Model’API构建双向递归神经网络(LSTM)对MNIST数字数据集进行分类
- 动态递归神经网络(LSTM)(notebook)。使用TensorFlow 2.0+‘Layers’和‘Model’API构建一个执行动态计算的递归神经网络(LSTM)，对可变长度的序列进行分类
无人监督
4-实用程序
- 保存和恢复模型(notebook)。使用TensorFlow 2.0+保存和恢复模型
- 构建自定义图层和模块(notebook)。了解如何构建自己的层/模块并将其集成到TensorFlow 2.0+模型中
- 电路板(notebook)。使用TensorFlow 2.0+Ttensorboard跟踪和可视化神经网络计算图形、指标、权重等
5-数据管理
- 加载和解析数据(notebook)。使用TensorFlow 2.0(Numpy阵列、图像、CSV文件、自定义数据)构建高效的数据管道。
- 生成并加载TFRecords(notebook)。将数据转换为TFRecords格式，并使用TensorFlow 2.0+进行加载
- 图像变换(即图像放大)(notebook)。使用TensorFlow 2.0+应用各种图像增强技术，生成用于训练的失真图像
6-硬件
- 多GPU培训(notebook)。在CIFAR-10数据集上用多GPU训练卷积神经网络
TensorFlow v1
此处提供了TF v1的教程索引：TensorFlow v1.15 Examples或参见下面的示例列表
数据集
某些示例需要MNIST数据集来进行训练和测试。别担心，运行示例时会自动下载此数据集。MNIST是一个手写数字数据库，要快速描述该数据集，您可以查看this notebook
官网：http://yann.lecun.com/exdb/mnist/
安装
要下载所有示例，只需克隆此存储库：
git clone https://github.com/aymericdamien/TensorFlow-Examples
要运行它们，您还需要最新版本的TensorFlow。要安装它，请执行以下操作：
pip install tensorflow
或者(有GPU支持)：
pip install tensorflow_gpu
有关TensorFlow安装的更多详细信息，可以查看TensorFlow Installation Guide
TensorFlow v1示例-索引
此处提供了TF v1的教程索引：TensorFlow v1.15 Examples
0-必备条件
1-简介
- 你好，世界(notebook)(code)。学习如何使用TensorFlow打印“hello world”的非常简单的示例
- 基本操作(notebook)(code)。介绍TensorFlow基本操作的简单示例
- TensorFlow急切API基础知识(notebook)(code)。开始使用TensorFlow急切的API
2-基本型号
- 线性回归(notebook)(code)。用TensorFlow实现线性回归
- 线性回归(EAGER API)(notebook)(code)。使用TensorFlow的Eager API实现线性回归
- Logistic回归(notebook)(code)。用TensorFlow实现Logistic回归
- Logistic回归(EAGER API)(notebook)(code)。使用TensorFlow的Eager API实现Logistic回归
- 最近邻居(notebook)(code)。用TensorFlow实现最近邻算法
- K-均值(notebook)(code)。用TensorFlow构建K-Means分类器
- 随机森林(notebook)(code)。用TensorFlow构建随机森林分类器
- 梯度增强决策树(GBDT)(notebook)(code)。用TensorFlow构建梯度增强决策树(GBDT)
- word2vec(单词嵌入)(notebook)(code)。使用TensorFlow从维基百科数据构建单词嵌入模型(word2vec
3-神经网络
受监督
- 简单神经网络(notebook)(code)。建立一个简单的神经网络(也称为多层感知器)来对MNIST数字数据集进行分类。原始TensorFlow实现
- 简单神经网络(tf.layer/估计器API)(notebook)(code)。使用TensorFlow‘Layers’和‘Estiator’API构建一个简单的神经网络(也称为多层感知器)来对MNIST数字数据集进行分类
- 简单神经网络(EAGER API)(notebook)(code)。使用TensorFlow EAGER API构建简单的神经网络(也称为多层感知器)对MNIST数字数据集进行分类
- 卷积神经网络(notebook)(code)。构建卷积神经网络对MNIST数字数据集进行分类。原始TensorFlow实现
- 卷积神经网络(tf.layer/估计器API)(notebook)(code)。使用TensorFlow‘Layers’和‘Estiator’API构建卷积神经网络对MNIST数字数据集进行分类
- 递归神经网络(LSTM)(notebook)(code)。构建递归神经网络(LSTM)对MNIST数字数据集进行分类
- 双向递归神经网络(LSTM)(notebook)(code)。构建双向递归神经网络(LSTM)对MNIST数字数据集进行分类
- 动态递归神经网络(LSTM)(notebook)(code)。建立递归神经网络(LSTM)进行动态计算，对不同长度的序列进行分类
无人监督
- 自动编码器(notebook)(code)。构建一个自动编码器，将图像编码到较低的维度并重建它
- 变分自动编码器(notebook)(code)。构建一个变分自动编码器(VAE)，对噪声进行编码并生成图像
- 生成性对抗性网络(GAN)(notebook)(code)。构建生成性对抗网络(GAN)，从噪声中生成图像
- DCGAN(深度卷积生成对抗网络)(notebook)(code)。构建深度卷积生成对抗网络(DCGAN)从噪声中生成图像
4-实用程序
- 保存和恢复模型(notebook)(code)。使用TensorFlow保存和恢复模型
- Tensorboard-图形和损耗可视化(notebook)(code)。使用Tensorboard可视化计算图形并绘制损耗
- 触摸板-高级可视化(notebook)(code)。深入Tensorboard；可视化变量、渐变等
5-数据管理
- 构建图像数据集(notebook)(code)。使用TensorFlow数据队列从图像文件夹或数据集文件构建您自己的图像数据集
- TensorFlow数据集API(notebook)(code)。引入TensorFlow数据集API优化输入数据管道
- 加载和解析数据(notebook)。构建高效的数据管道(Numpy数组、图像、CSV文件、自定义数据等)
- 生成并加载TFRecords(notebook)。将数据转换为TFRecords格式，并加载
- 图像变换(即图像放大)(notebook)。应用各种图像增强技术，生成用于训练的失真图像
6-多GPU
- 多GPU上的基本操作(notebook)(code)。在TensorFlow中引入多GPU的一个简单示例
- 在多GPU上训练神经网络(notebook)(code)。一种简单明了的TensorFlow在多GPU上训练卷积神经网络的实现
更多例子
以下示例来自TFLearn，一个为TensorFlow提供简化接口的库。你可以看看，有很多examples和pre-built operations and layers
教程
- TFLearn Quickstart通过一个具体的机器学习任务学习TFLearn的基础知识。构建和训练深度神经网络分类器
示例
- TFLearn Examples使用TFLearn的大量示例集合