知識更新非常快，需要一直學(xué)習(xí)才能跟上時代進步，舉個例子：吳恩達老師在深度學(xué)習(xí)課上講的TensorFlow使用，這個肯定是他近幾年才學(xué)的，因為谷歌開源了TensorFlow也就很短的時間。

吳恩達老師以前還在用Octave教學(xué)呢，但是后來就不用那個工具了，因為：過時了！！需要學(xué)習(xí)新知識了。

本文根據(jù)群友的要求，整理了4份TensorFlow的入門資料，很負責(zé)任地說：看完這些資料，TensorFlow基本入門了，接下來碰到問題能自己查資料解決了！

（本文作者：黃海廣）

推薦資料

1.吳恩達深度學(xué)習(xí)筆記中的TensorFlow部分

這部分可以說是一個科普入門，學(xué)完后對TensorFlow會有一定的理解，接下來會容易點（第二門課第三周第3.11節(jié)，對應(yīng)筆記p247-253，筆記可以在我的github下載：github介紹）

筆記截圖：

圖：深度學(xué)習(xí)筆記截圖

2.TensorFlow2.0樣例（github標(biāo)星34000+）

TensorFlow推出2.0版本后，TF2.0相比于1.x版本默認使用Keras、Eager Execution、支持跨平臺、簡化了API等。這次更新使得TF2.0更加的接近PyTorch，一系列煩人的概念將一去不復(fù)返。推薦一位大神寫的TF2.0的樣例代碼，推薦參考。

資源地址：

https://github.com/aymericdamien/TensorFlow-Examples

資源介紹：

本資源旨在通過示例輕松深入了解TensorFlow。?為了便于閱讀，它包括notebook和帶注釋的源代碼。

它適合想要找到關(guān)于TensorFlow的清晰簡潔示例的初學(xué)者。?除了傳統(tǒng)的“原始”TensorFlow實現(xiàn)，您還可以找到最新的TensorFlow API實踐（例如layers,estimator,dataset, ......）。

最后更新(08/17/2019)：添加新示例（TF2.0）。

配置環(huán)境：

python 3.6以上，TensorFlow 1.8+

資源目錄：

0 ?- 先決條件

• 機器學(xué)習(xí)簡介

• MNIST數(shù)據(jù)集簡介

1 ?- 簡介

• Hello World(包含notebook和py源代碼)。非常簡單的例子，學(xué)習(xí)如何使用TensorFlow打印“hello world”。

• 基本操作(包含notebook和py源代碼)。一個涵蓋TensorFlow基本操作的簡單示例。

• TensorFlow Eager API基礎(chǔ)知識(包含notebook和py源代碼)。開始使用TensorFlow的Eager API。

2 ?- 基礎(chǔ)模型

• 線性回歸(包含notebook和py源代碼)。使用TensorFlow實現(xiàn)線性回歸。

• 線性回歸（eager api）(包含notebook和py源代碼)。使用TensorFlow的Eager API實現(xiàn)線性回歸。

• Logistic回歸(包含notebook和py源代碼)。使用TensorFlow實現(xiàn)Logistic回歸。

• Logistic回歸（eager api）(包含notebook和py源代碼)。使用TensorFlow的Eager API實現(xiàn)Logistic回歸。

• 最近鄰(包含notebook和py源代碼)。使用TensorFlow實現(xiàn)最近鄰算法。

• K-Means(包含notebook和py源代碼)。使用TensorFlow構(gòu)建K-Means分類器。

• 隨機森林(包含notebook和py源代碼)。使用TensorFlow構(gòu)建隨機森林分類器。

• Gradient Boosted Decision Tree（GBDT）(包含notebook和py源代碼)。使用TensorFlow構(gòu)建梯度提升決策樹（GBDT）。

• Word2Vec（詞嵌入）(包含notebook和py源代碼)。使用TensorFlow從Wikipedia數(shù)據(jù)構(gòu)建詞嵌入模型（Word2Vec）。

3 ?- 神經(jīng)網(wǎng)絡(luò)

• 監(jiān)督學(xué)習(xí)部分

• 簡單神經(jīng)網(wǎng)絡(luò)(包含notebook和py源代碼)。構(gòu)建一個簡單的神經(jīng)網(wǎng)絡(luò)（如多層感知器）來對MNIST數(shù)字?jǐn)?shù)據(jù)集進行分類。Raw TensorFlow實現(xiàn)。

• 簡單神經(jīng)網(wǎng)絡(luò)（tf.layers / estimator api）(包含notebook和py源代碼)。使用TensorFlow'layers'和'estimator'API構(gòu)建一個簡單的神經(jīng)網(wǎng)絡(luò)（如：Multi-layer Perceptron）來對MNIST數(shù)字?jǐn)?shù)據(jù)集進行分類。

• 簡單神經(jīng)網(wǎng)絡(luò)（Eager API）(包含notebook和py源代碼)。使用TensorFlow Eager API構(gòu)建一個簡單的神經(jīng)網(wǎng)絡(luò)（如多層感知器）來對MNIST數(shù)字?jǐn)?shù)據(jù)集進行分類。

• 卷積神經(jīng)網(wǎng)絡(luò)(包含notebook和py源代碼)。構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)以對MNIST數(shù)字?jǐn)?shù)據(jù)集進行分類。Raw TensorFlow實現(xiàn)。

• 卷積神經(jīng)網(wǎng)絡(luò)（tf.layers / estimator api）(包含notebook和py源代碼)。使用TensorFlow'layers'和'estimator'API構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，對MNIST數(shù)字?jǐn)?shù)據(jù)集進行分類。

• 遞歸神經(jīng)網(wǎng)絡(luò)（LSTM）(包含notebook和py源代碼)。構(gòu)建遞歸神經(jīng)網(wǎng)絡(luò)（LSTM）以對MNIST數(shù)字?jǐn)?shù)據(jù)集進行分類。

• 雙向LSTM(包含notebook和py源代碼)。構(gòu)建雙向遞歸神經(jīng)網(wǎng)絡(luò)（LSTM）以對MNIST數(shù)字?jǐn)?shù)據(jù)集進行分類。

• 動態(tài)LSTM(包含notebook和py源代碼)。構(gòu)建一個遞歸神經(jīng)網(wǎng)絡(luò)（LSTM），執(zhí)行動態(tài)計算以對不同長度的序列進行分類。

• 無監(jiān)督

• 自動編碼器(包含notebook和py源代碼)。構(gòu)建自動編碼器以將圖像編碼為較低維度并重新構(gòu)建它。

• 變分自動編碼器（(包含notebook和py源代碼)。構(gòu)建變分自動編碼器（VAE），對噪聲進行編碼和生成圖像。

• GAN（Generative Adversarial Networks）(包含notebook和py源代碼)。構(gòu)建生成對抗網(wǎng)絡(luò)（GAN）以從噪聲生成圖像。

• DCGAN（Deep Convolutional Generative Adversarial Networks）(包含notebook和py源代碼)。構(gòu)建深度卷積生成對抗網(wǎng)絡(luò)（DCGAN）以從噪聲生成圖像。

4 ?- 工具

• 保存和還原模型(包含notebook和py源代碼)。使用TensorFlow保存和還原模型。

• Tensorboard ?- 圖形和損失可視化(包含notebook和py源代碼)。使用Tensorboard可視化計算圖并繪制損失。

• Tensorboard ?- 高級可視化(包含notebook和py源代碼)。深入了解Tensorboard;可視化變量，梯度等......

5 ?- 數(shù)據(jù)管理

• 構(gòu)建圖像數(shù)據(jù)集(包含notebook和py源代碼)。使用TensorFlow數(shù)據(jù)隊列，從圖像文件夾或數(shù)據(jù)集文件構(gòu)建您自己的圖像數(shù)據(jù)集。

• TensorFlow數(shù)據(jù)集API(包含notebook和py源代碼)。引入TensorFlow數(shù)據(jù)集API以優(yōu)化輸入數(shù)據(jù)管道。

6 ?- 多GPU

• 多GPU的基本操作(包含notebook和py源代碼)。在TensorFlow中引入多GPU的簡單示例。

• 在多GPU上訓(xùn)練神經(jīng)網(wǎng)絡(luò)(包含notebook和py源代碼)。一個清晰簡單的TensorFlow實現(xiàn)，用于在多個GPU上訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)。

數(shù)據(jù)集

• 一些示例需要MNIST數(shù)據(jù)集進行訓(xùn)練和測試。官方網(wǎng)站：http://yann.lecun.com/exdb/mnist/

3.《機器學(xué)習(xí)實戰(zhàn)：基于Scikit-Learn和TensorFlow》

推薦一本機器學(xué)習(xí)和TensorFlow入門的好書：《機器學(xué)習(xí)實戰(zhàn)：基于Scikit-Learn和TensorFlow》。

本書主要分為兩部分，第一部分（第1~8章）涵蓋機器學(xué)習(xí)的基礎(chǔ)理論知識和基本算法，從線性回歸到隨機森林等，可以幫助你掌握Scikit-Learn的常用方法；第二部份（第9~16章）探討深度學(xué)習(xí)和常用框架TensorFlow，手把手教你使用TensorFlow搭建和訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，以及卷積神經(jīng)網(wǎng)絡(luò)。

這本書受到廣大機器學(xué)習(xí)愛好者的好評，可以說是機器學(xué)習(xí)入門寶書，豆瓣評分8.2。

這本書假定您有一些 Python 編程經(jīng)驗，并且比較熟悉 Python 的主要科學(xué)庫，特別是 NumPy，Pandas 和 Matplotlib 。

• 本書作者公開了配套的源代碼：

https://github.com/ageron/handson-ml

• 國內(nèi)一個公益組織對原版英文書進行了翻譯，制作成markdown文件（md文件推薦使用typora閱讀），可以在github下載：

https://github.com/apachecn/hands-on-ml-zh

針對國內(nèi)下載速度慢，本站對兩個資源進行打包，可以在百度云下載：

鏈接：

https://pan.baidu.com/s/1jihUZrXblxhrVA5FBGU3RQ

提取碼：0xye

若被和諧請留言。

4.《python深度學(xué)習(xí)》

TensorFlow團隊的Josh Gordon推薦這本書，TF2.0基于Keras。如果你是一個深度學(xué)習(xí)新手，最好從這本書入手。當(dāng)然這本書里的代碼需要改一下，但非常簡單：

import?keras -> from?tensorflow import?keras

《python深度學(xué)習(xí)》由Keras之父、現(xiàn)任Google人工智能研究員的弗朗索瓦?肖萊（Franc?ois Chollet）執(zhí)筆，詳盡介紹了用Python和Keras進行深度學(xué)習(xí)的探索實踐，包括計算機視覺、自然語言處理、產(chǎn)生式模型等應(yīng)用。書中包含30多個代碼示例，步驟講解詳細透徹。

作者在github公布了代碼，代碼幾乎囊括了本書所有知識點。在學(xué)習(xí)完本書后，讀者將具備搭建自己的深度學(xué)習(xí)環(huán)境、建立圖像識別模型、生成圖像和文字等能力。但是有一個小小的遺憾：代碼的解釋和注釋是全英文的，即使英文水平較好的朋友看起來也很吃力。

本站認為，這本書和代碼是初學(xué)者入門深度學(xué)習(xí)及Keras最好的工具。

我對全部代碼做了中文解釋和注釋，并下載了代碼所需要的一些數(shù)據(jù)集（尤其是“貓狗大戰(zhàn)”數(shù)據(jù)集），并對其中一些圖像進行了本地化，代碼全部測試通過。（請按照文件順序運行，代碼前后有部分關(guān)聯(lián)）。

以下代碼包含了全書80%左右的知識點，代碼目錄：

2.1: A first look at a neural network（ 初識神經(jīng)網(wǎng)絡(luò)）

3.5: Classifying movie reviews（電影評論分類：二分類問題）

3.6: Classifying newswires（新聞分類：多分類問題 ）

3.7: Predicting house prices（預(yù)測房價：回歸問題）

4.4: Underfitting and overfitting（ 過擬合與欠擬合）

5.1: Introduction to convnets（卷積神經(jīng)網(wǎng)絡(luò)簡介）

5.2: Using convnets with small datasets（在小型數(shù)據(jù)集上從頭開始訓(xùn)練一個卷積

5.3: Using a pre-trained convnet（使用預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)）

5.4: Visualizing what convnets learn（卷積神經(jīng)網(wǎng)絡(luò)的可視化）

6.1: One-hot encoding of words or characters（單詞和字符的 one-hot 編碼）

6.1: Using word embeddings（使用詞嵌入）

6.2: Understanding RNNs（理解循環(huán)神經(jīng)網(wǎng)絡(luò)）

6.3: Advanced usage of RNNs（循環(huán)神經(jīng)網(wǎng)絡(luò)的高級用法）

6.4: Sequence processing with convnets（用卷積神經(jīng)網(wǎng)絡(luò)處理序列）

8.1: Text generation with LSTM（使用 LSTM 生成文本）

8.2: Deep dream（DeepDream）

8.3: Neural style transfer（ 神經(jīng)風(fēng)格遷移）

8.4: Generating images with VAEs（用變分自編碼器生成圖像）

8.5: Introduction to GANs（生成式對抗網(wǎng)絡(luò)簡介）

中文注釋與解釋如圖：

圖：代碼的中文注釋與解釋

作者的github：

https://github.com/fchollet/deep-learning-with-python-notebooks

中文注釋代碼：

https://github.com/fengdu78/machine_learning_beginner/tree/master/deep-learning-with-python-notebooks

暫時想到這么多，歡迎留言補充。（黃海廣）

機器學(xué)習(xí)初學(xué)者

黃海廣博士創(chuàng)建的公眾號，黃海廣博士個人知乎粉絲21000+，github排名全球前120名（30000+）。本公眾號致力于人工智能方向的科普性文章，為初學(xué)者提供學(xué)習(xí)路線和基礎(chǔ)資料。原創(chuàng)作品有：吳恩達機器學(xué)習(xí)個人筆記、吳恩達深度學(xué)習(xí)筆記等。

往期精彩回顧

• 那些年做的學(xué)術(shù)公益-你不是一個人在戰(zhàn)斗

• 良心推薦：機器學(xué)習(xí)入門資料匯總及學(xué)習(xí)建議
  

• 吳恩達機器學(xué)習(xí)課程筆記及資源（github標(biāo)星12000+，提供百度云鏡像）

• 吳恩達深度學(xué)習(xí)筆記及視頻等資源（github標(biāo)星8500+，提供百度云鏡像）

• 《統(tǒng)計學(xué)習(xí)方法》的python代碼實現(xiàn)（github標(biāo)星7200+）
  

• 精心整理和翻譯的機器學(xué)習(xí)的相關(guān)數(shù)學(xué)資料

• 首發(fā)：深度學(xué)習(xí)入門寶典-《python深度學(xué)習(xí)》原文代碼中文注釋版及電子書

• 圖解word2vec(原文翻譯)
  

備注：加入本站微信群或者qq群，請回復(fù)“加群”

加入知識星球（4100+用戶，ID：92416895），請回復(fù)“知識星球”

總結(jié)

以上是生活随笔為你收集整理的带你少走弯路：强烈推荐的TensorFlow快速入门资料和翻译（可下载）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。