本教程旨在通过示例轻松地深入TensorFlow。为了可读性，它包括笔记本和解释源代码，无论是TF v1和v2。

它适用于初学者谁想找到明确和简洁的例子张量流。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（如层、估计器、数据集等）。

layers estimator dataset

更新（08/17/2019）：添加了新的TensorFlow 2.0示例！（很快就会有更多）。

如果您使用的是旧的TensorFlow版本（0.11及以下），请看这里。

教程索引

0-先决条件

• 机器学习导论。
• MNIST数据集简介。

1-简介

• 你好世界（笔记本）（代码）。非常简单的例子来学习如何使用TensorFlow打印“hello world”。
• 基本操作（笔记本电脑）（代码）。一个简单的例子，涵盖了TensorFlow的基本操作。
• TensorFlow渴望API基础（笔记本）（代码）。开始使用TensorFlow的热切API。

2-基本模型

• 线性回归（笔记本）（代码）。用TensorFlow实现线性回归。
• 线性回归（eager api）（笔记本）（代码）。使用TensorFlow的Eager API实现线性回归。
• 逻辑回归（笔记本）（代码）。用TensorFlow实现Logistic回归。
• Logistic回归（eager-api）（笔记本）（代码）。使用TensorFlow的Eager API实现逻辑回归。
• 最近的邻居（笔记本）（代码）。利用TensorFlow实现最近邻算法。
• K-表示（笔记本）（代码）。用TensorFlow构造K-Means分类器。
• 随机林（笔记本）（代码）。用TensorFlow构造一个随机森林分类器。
• 梯度增强决策树（GBDT）（笔记本）（代码）。利用张量流建立梯度增强决策树（GBDT）。
• Word2Vec（单词嵌入）（笔记本）（代码）。使用TensorFlow从Wikipedia数据构建一个单词嵌入模型（Word2Vec）。

3-神经网络

被监督的

• 简单神经网络（笔记本）（代码）。建立一个简单的神经网络（即多层感知器）对MNIST数字集进行分类。原始TensorFlow实现。
• 简单神经网络（tf.layers/estimator-api）（笔记本电脑）（代码）。使用TensorFlow的“层”和“估计器”API构建一个简单的神经网络（即多层感知器）对MNIST数字集进行分类。
• 简单神经网络（eager api）（笔记本）（代码）。使用TensorFlow-Eager API构建一个简单的神经网络（即多层感知器）对MNIST数字集进行分类。
• 卷积神经网络（笔记本）（代码）。建立卷积神经网络对MNIST数字集进行分类。原始TensorFlow实现。
• 卷积神经网络（tf.layers/estimator-api）（笔记本）（代码）。利用TensorFlow的“层”和“估计器”API构建卷积神经网络对MNIST数字集进行分类。
• 递归神经网络（LSTM）（笔记本）（代码）。建立递归神经网络（LSTM）对MNIST数字集进行分类。
• 双向递归神经网络（LSTM）（笔记本）（代码）。建立双向递归神经网络（LSTM）对MNIST数字集进行分类。
• 动态递归神经网络（LSTM）（笔记本）（代码）。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。

无监督

• 自动编码器（笔记本电脑）（代码）。构建一个自动编码器，将图像编码到一个较低的维度并重新构造它。
• 变分自动编码器（笔记本）（代码）。建立变分自动编码器（VAE），对噪声图像进行编码和生成。
• 生成性对抗网络（笔记本）（代码）。建立生成性对抗网络（GAN）从噪声中生成图像。
• 深度卷积世代对抗网络（笔记本电脑）（代码）。建立一个深度卷积的生成对抗网络（DCGAN），从噪声中生成图像。

4-公用设施

• 保存并还原模型（笔记本）（代码）。使用TensorFlow保存和还原模型。
• 张力板-图形和损失可视化（笔记本）（代码）。使用Tensorboard可视化计算图并绘制损失。
• Tensorboard-高级可视化（笔记本）（代码）。深入到张力板；可视化变量、梯度等等。。。

5-数据管理

• 生成图像数据集（笔记本）（代码）。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（笔记本）（代码）。引入TensorFlow数据集API优化输入数据管道。
• 加载和分析数据（笔记本电脑）。构建高效的数据管道（Numpy数组、图像、CSV文件、自定义数据…）。
• 生成并加载TFRecords（笔记本）。将数据转换为TFRecords格式，并加载它们。
• 图像转换（即图像增强）（笔记本）。应用各种图像增强技术，生成失真图像进行训练。

6-多GPU

• 多GPU（笔记本电脑）（代码）上的基本操作。在TensorFlow中引入多GPU的一个简单例子。
• 在多GPU（笔记本电脑）（代码）上训练神经网络。在多个gpu上训练卷积神经网络的一种简单明了的TensorFlow实现。

TensorFlow 2.0版

TF v2的教程索引在这里提供：TensorFlow 2.0示例。

数据集

有些例子需要MNIST数据集进行训练和测试。别担心，运行examples时会自动下载此数据集。MNIST是一个手写数字的数据库，要快速描述此数据集，可以查看此笔记本。

官方网站：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，还需要最新版本的TensorFlow。要安装它：

pip install tensorflow

或（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安装指南

更多示例

以下示例来自TFLearn，它是一个为TensorFlow提供简化接口的库。你可以看看，有很多例子和预先构建的操作和层。

教程

• t学习快速入门。通过具体的机器学习任务学习TFLearn的基础知识。建立并训练一个深度神经网络分类器。

实例

• t学习示例。使用TFLearn的大量示例集合。