导语: 本文是TensorFlow实现流行机器学习算法的教程汇集，目标是让读者可以轻松通过清晰简明的案例深入了解 TensorFlow。这些案例适合那些想要实现一些 TensorFlow 案例的初学者。本教程包含还包含笔记和带有注解的代码。
第一步：给TF新手的教程指南
1：tf初学者需要明白的入门准备
- 机器学习入门笔记：
- MNIST 数据集入门笔记
2：tf初学者需要了解的入门基础
- Hello World
- 基本操作
3：tf初学者需要掌握的基本模型
- 最近邻：
- 线性回归：
- Logistic 回归：
4：tf初学者需要尝试的神经网络
- 多层感知器：
- 卷积神经网络：
- 循环神经网络（LSTM）：
- 双向循环神经网络（LSTM）：
- 动态循环神经网络（LSTM）
- 自编码器
5：tf初学者需要精通的实用技术
- 保存和恢复模型
- 图和损失可视化
- Tensorboard——高级可视化
6：tf初学者需要的懂得的多GPU基本操作
- 多 GPU 上的基本操作
7：案例需要的数据集
有一些案例需要 MNIST 数据集进行训练和测试。运行这些案例时，该数据集会被自动下载下来（使用 input_data.py）。
MNIST数据集笔记：aymericdamien/TensorFlow-Examples
官方网站： MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burges
第二步：为TF新手准备的各个类型的案例、模型和数据集
初步了解：TFLearn TensorFlow
接下来的示例来自TFLearn，这是一个为 TensorFlow 提供了简化的接口的库。里面有很多示例和预构建的运算和层。
使用教程：
TFLearn 快速入门。通过一个具体的机器学习任务学习 TFLearn 基础。开发和训练一个深度神经网络分类器。
TFLearn地址：tflearn/tflearn
预构建的运算和层：Index - TFLearn
基础模型以及数据集
- 线性回归，使用 TFLearn 实现线性回归
- 逻辑运算符。使用 TFLearn 实现逻辑运算符
- 权重保持。保存和还原一个模型
- 微调。在一个新任务上微调一个预训练的模型
- 使用 HDF5。使用 HDF5 处理大型数据集
- 使用 DASK。使用 DASK 处理大型数据集
计算机视觉模型及数据集
- 多层感知器。一种用于 MNIST 分类任务的多层感知实现
- 卷积网络（MNIST）。用于分类 MNIST 数据集的一种卷积神经网络实现
- 卷积网络（CIFAR-10）。用于分类 CIFAR-10 数据集的一种卷积神经网络实现
- 网络中的网络。用于分类 CIFAR-10 数据集的 Network in Network 实现
- Alexnet。将 Alexnet 应用于 Oxford Flowers 17 分类任务
- VGGNet。将 VGGNet 应用于 Oxford Flowers 17 分类任务
- VGGNet Finetuning (Fast Training)。使用一个预训练的 VGG 网络并将其约束到你自己的数据上，以便实现快速训练
- RNN Pixels。使用 RNN（在像素的序列上）分类图像
- Highway Network。用于分类 MNIST 数据集的 Highway Network 实现
- Highway Convolutional Network。用于分类 MNIST 数据集的 Highway Convolutional Network 实现
- Residual Network (MNIST) 。应用于 MNIST 分类任务的一种瓶颈残差网络（bottleneck residual network）
- Residual Network (CIFAR-10)。应用于 CIFAR-10 分类任务的一种残差网络
- Google Inception（v3）。应用于 Oxford Flowers 17 分类任务的谷歌 Inception v3 网络
- 自编码器。用于 MNIST 手写数字的自编码器
自然语言处理模型及数据集
- 循环神经网络（LSTM），应用 LSTM 到 IMDB 情感数据集分类任
- 双向 RNN（LSTM），将一个双向 LSTM 应用到 IMDB 情感数据集分类任务：
- 动态 RNN（LSTM），利用动态 LSTM 从 IMDB 数据集分类可变长度文本：
- 城市名称生成，使用 LSTM 网络生成新的美国城市名：
- 莎士比亚手稿生成，使用 LSTM 网络生成新的莎士比亚手稿：
- Seq2seq，seq2seq 循环网络的教学示例：
- CNN Seq，应用一个 1-D 卷积网络从 IMDB 情感数据集中分类词序列
强化学习案例
- Atari Pacman 1-step Q-Learning，使用 1-step Q-learning 教一台机器玩 Atari 游戏：
第三步：为TF新手准备的其他方面内容
- Recommender-Wide&Deep Network，推荐系统中 wide & deep 网络的教学示例：
- Spiral Classification Problem，对斯坦福 CS231n spiral 分类难题的 TFLearn 实现：
- 与 TensorFlow 一起使用 TFLearn 层：
- 训练器，使用 TFLearn 训练器类训练任何 TensorFlow 图：
- Bulit-in Ops，连同 TensorFlow 使用 TFLearn built-in 操作：
- Summaries，连同 TensorFlow 使用 TFLearn summarizers：
- Variables，连同 TensorFlow 使用 TFLearn Variables：
文中提供的网页链接，均来自于网络，如有问题，请站内告知。
转载请先获得作者 BigQuant 同意！
