知识更新非常快,需要一直学习才能跟上时代进步,举个例子:吴恩达老师在深度学习课上讲的TensorFlow使用,这个肯定是他近几年才学的,因为谷歌开源了TensorFlow也就很短的时间。
吴恩达老师以前还在用Octave教学呢,但是后来就不用那个工具了,因为:过时了!!需要学习新知识了。
本文根据群友的要求,整理了4份TensorFlow的入门资料,很负责任地说:看完这些资料,TensorFlow基本入门了,接下来碰到问题能自己查资料解决了!
(本文作者:黄海广)
1.吴恩达深度学习笔记中的TensorFlow部分
这部分可以说是一个科普入门,学完后对TensorFlow会有一定的理解,接下来会容易点(第二门课第三周第3.11节,对应笔记p247-253,笔记可以在我的github下载:github介绍)
笔记截图:
图:深度学习笔记截图2.TensorFlow2.0样例(github标星34000+)
TensorFlow推出2.0版本后,TF2.0相比于1.x版本默认使用Keras、Eager Execution、支持跨平台、简化了API等。这次更新使得TF2.0更加的接近PyTorch,一系列烦人的概念将一去不复返。推荐一位大神写的TF2.0的样例代码,推荐参考。
资源地址:
https://github.com/aymericdamien/TensorFlow-Examples
资源介绍:
本资源旨在通过示例轻松深入了解TensorFlow。 为了便于阅读,它包括notebook和带注释的源代码。
它适合想要找到关于TensorFlow的清晰简洁示例的初学者。 除了传统的“原始”TensorFlow实现,您还可以找到最新的TensorFlow API实践(例如layers,estimator,dataset, ......)。
最后更新(08/17/2019):添加新示例(TF2.0)。配置环境:
python 3.6以上,TensorFlow 1.8+
资源目录:
0 - 先决条件
1 - 简介
2 - 基础模型
3 - 神经网络
4 - 工具
5 - 数据管理
6 - 多GPU
数据集
3.《机器学习实战:基于Scikit-Learn和TensorFlow》
推荐一本机器学习和TensorFlow入门的好书:《机器学习实战:基于Scikit-Learn和TensorFlow》。
本书主要分为两部分,第一部分(第1~8章)涵盖机器学习的基础理论知识和基本算法,从线性回归到随机森林等,可以帮助你掌握Scikit-Learn的常用方法;第二部份(第9~16章)探讨深度学习和常用框架TensorFlow,手把手教你使用TensorFlow搭建和训练深度神经网络,以及卷积神经网络。
这本书受到广大机器学习爱好者的好评,可以说是机器学习入门宝书,豆瓣评分8.2。
这本书假定您有一些 Python 编程经验,并且比较熟悉 Python 的主要科学库,特别是 NumPy,Pandas 和 Matplotlib 。
https://github.com/ageron/handson-ml
https://github.com/apachecn/hands-on-ml-zh
针对国内下载速度慢,本站对两个资源进行打包,可以在百度云下载:
链接:
https://pan.baidu.com/s/1jihUZrXblxhrVA5FBGU3RQ
提取码:0xye
若被和谐请留言。
4.《python深度学习》
TensorFlow团队的Josh Gordon推荐这本书,TF2.0基于Keras。如果你是一个深度学习新手,最好从这本书入手。当然这本书里的代码需要改一下,但非常简单:
import keras -> from tensorflow import keras
《python深度学习》由Keras之父、现任Google人工智能研究员的弗朗索瓦•肖莱(François Chollet)执笔,详尽介绍了用Python和Keras进行深度学习的探索实践,包括计算机视觉、自然语言处理、产生式模型等应用。书中包含30多个代码示例,步骤讲解详细透彻。
作者在github公布了代码,代码几乎囊括了本书所有知识点。在学习完本书后,读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。但是有一个小小的遗憾:代码的解释和注释是全英文的,即使英文水平较好的朋友看起来也很吃力。
本站认为,这本书和代码是初学者入门深度学习及Keras最好的工具。
我对全部代码做了中文解释和注释,并下载了代码所需要的一些数据集(尤其是“猫狗大战”数据集),并对其中一些图像进行了本地化,代码全部测试通过。(请按照文件顺序运行,代码前后有部分关联)。
以下代码包含了全书80%左右的知识点,代码目录:
2.1: A first look at a neural network( 初识神经网络)
3.5: Classifying movie reviews(电影评论分类:二分类问题)
3.6: Classifying newswires(新闻分类:多分类问题 )
3.7: Predicting house prices(预测房价:回归问题)
4.4: Underfitting and overfitting( 过拟合与欠拟合)
5.1: Introduction to convnets(卷积神经网络简介)
5.2: Using convnets with small datasets(在小型数据集上从头开始训练一个卷积
5.3: Using a pre-trained convnet(使用预训练的卷积神经网络)
5.4: Visualizing what convnets learn(卷积神经网络的可视化)
6.1: One-hot encoding of words or characters(单词和字符的 one-hot 编码)
6.1: Using word embeddings(使用词嵌入)
6.2: Understanding RNNs(理解循环神经网络)
6.3: Advanced usage of RNNs(循环神经网络的高级用法)
6.4: Sequence processing with convnets(用卷积神经网络处理序列)
8.1: Text generation with LSTM(使用 LSTM 生成文本)
8.2: Deep dream(DeepDream)
8.3: Neural style transfer( 神经风格迁移)
8.4: Generating images with VAEs(用变分自编码器生成图像)
8.5: Introduction to GANs(生成式对抗网络简介)
中文注释与解释如图:
图:代码的中文注释与解释作者的github:
https://github.com/fchollet/deep-learning-with-python-notebooks
中文注释代码:
https://github.com/fengdu78/machine_learning_beginner/tree/master/deep-learning-with-python-notebooks
暂时想到这么多,欢迎留言补充。(黄海广)
关于本站
“机器学习初学者”公众号由是黄海广博士创建,黄博个人知乎粉丝22000+,github排名全球前110名(32000+)。本公众号致力于人工智能方向的科普性文章,为初学者提供学习路线和基础资料。原创作品有:吴恩达机器学习个人笔记、吴恩达深度学习笔记等。