tensorflow 模型可视化_带你少走弯路：强烈推荐的TensorFlow快速入门资料和翻译（可下载）...
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）
推荐资料
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：
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
- 机器学习简介
- MNIST数据集简介
1 - 简介
- Hello World(包含notebook和py源代码)。非常简单的例子，学习如何使用TensorFlow打印“hello world”。
- 基本操作(包含notebook和py源代码)。一个涵盖TensorFlow基本操作的简单示例。
- TensorFlow Eager API基础知识(包含notebook和py源代码)。开始使用TensorFlow的Eager API。
2 - 基础模型
- 线性回归(包含notebook和py源代码)。使用TensorFlow实现线性回归。
- 线性回归（eager api）(包含notebook和py源代码)。使用TensorFlow的Eager API实现线性回归。
- Logistic回归(包含notebook和py源代码)。使用TensorFlow实现Logistic回归。
- Logistic回归（eager api）(包含notebook和py源代码)。使用TensorFlow的Eager API实现Logistic回归。
- 最近邻(包含notebook和py源代码)。使用TensorFlow实现最近邻算法。
- K-Means(包含notebook和py源代码)。使用TensorFlow构建K-Means分类器。
- 随机森林(包含notebook和py源代码)。使用TensorFlow构建随机森林分类器。
- Gradient Boosted Decision Tree（GBDT）(包含notebook和py源代码)。使用TensorFlow构建梯度提升决策树（GBDT）。
- Word2Vec（词嵌入）(包含notebook和py源代码)。使用TensorFlow从Wikipedia数据构建词嵌入模型（Word2Vec）。
3 - 神经网络
- 监督学习部分
- 简单神经网络(包含notebook和py源代码)。构建一个简单的神经网络（如多层感知器）来对MNIST数字数据集进行分类。Raw TensorFlow实现。
- 简单神经网络（tf.layers / estimator api）(包含notebook和py源代码)。使用TensorFlow'layers'和'estimator'API构建一个简单的神经网络（如：Multi-layer Perceptron）来对MNIST数字数据集进行分类。
- 简单神经网络（Eager API）(包含notebook和py源代码)。使用TensorFlow Eager API构建一个简单的神经网络（如多层感知器）来对MNIST数字数据集进行分类。
- 卷积神经网络(包含notebook和py源代码)。构建卷积神经网络以对MNIST数字数据集进行分类。Raw TensorFlow实现。
- 卷积神经网络（tf.layers / estimator api）(包含notebook和py源代码)。使用TensorFlow'layers'和'estimator'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）(包含notebook和py源代码)。构建递归神经网络（LSTM）以对MNIST数字数据集进行分类。
- 双向LSTM(包含notebook和py源代码)。构建双向递归神经网络（LSTM）以对MNIST数字数据集进行分类。
- 动态LSTM(包含notebook和py源代码)。构建一个递归神经网络（LSTM），执行动态计算以对不同长度的序列进行分类。
- 无监督
- 自动编码器(包含notebook和py源代码)。构建自动编码器以将图像编码为较低维度并重新构建它。
- 变分自动编码器（(包含notebook和py源代码)。构建变分自动编码器（VAE），对噪声进行编码和生成图像。
- GAN（Generative Adversarial Networks）(包含notebook和py源代码)。构建生成对抗网络（GAN）以从噪声生成图像。
- DCGAN（Deep Convolutional Generative Adversarial Networks）(包含notebook和py源代码)。构建深度卷积生成对抗网络（DCGAN）以从噪声生成图像。
4 - 工具
- 保存和还原模型(包含notebook和py源代码)。使用TensorFlow保存和还原模型。
- Tensorboard - 图形和损失可视化(包含notebook和py源代码)。使用Tensorboard可视化计算图并绘制损失。
- Tensorboard - 高级可视化(包含notebook和py源代码)。深入了解Tensorboard;可视化变量，梯度等......
5 - 数据管理
- 构建图像数据集(包含notebook和py源代码)。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(包含notebook和py源代码)。引入TensorFlow数据集API以优化输入数据管道。
6 - 多GPU
- 多GPU的基本操作(包含notebook和py源代码)。在TensorFlow中引入多GPU的简单示例。
- 在多GPU上训练神经网络(包含notebook和py源代码)。一个清晰简单的TensorFlow实现，用于在多个GPU上训练卷积神经网络。
数据集
- 一些示例需要MNIST数据集进行训练和测试。官方网站：http://yann.lecun.com/exdb/mnist/
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 。
- 本书作者公开了配套的源代码：
https://github.com/ageron/handson-ml
- 国内一个公益组织对原版英文书进行了翻译，制作成markdown文件（md文件推荐使用typora阅读），可以在github下载：
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：
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。