notas de estudio TensorFlow (x) - Resumen del Proyecto Práctica

Plomo: Este artículo es TensorFlow máquina populares algoritmos de aprendizaje para alcanzar meta de recaudación tutorial es hacer que el lector fácilmente a través de una comprensión clara y concisa del caso TensorFlow. Estos casos adecuados para los principiantes que quieren lograr algunos casos TensorFlow. La guía contiene que comprende además una etiqueta con las notas y anotaciones.

El primer paso: Guía Tutorial para principiantes TF

 

1: principiantes tf necesitan entender Antes de comenzar

 

• aprendizaje automático notas introductorias:

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/0_Prerequisite/ml_introduction.ipynb

• MNIST notas de entrada de datos

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/0_Prerequisite/mnist_dataset_intro.ipynb

 

2: principiantes TF necesitan saber de inicio rápido

 

• Hola Mundo

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/1_Introduction/helloworld.ipynb

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/1_Introduction/helloworld.py

 

• Operaciones básicas

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/1_Introduction/basic_operations.ipynb

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/1_Introduction/basic_operations.py

 

3: principiantes tf necesidad de dominar el modelo básico

 

• vecino más cercano:

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/2_BasicModels/nearest_neighbor.ipynb

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/2_BasicModels/nearest_neighbor.py

 

• Regresión lineal:

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/2_BasicModels/linear_regression.ipynb

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/2_BasicModels/linear_regression.py

 

• La regresión logística:

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/2_BasicModels/logistic_regression.ipynb

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/2_BasicModels/logistic_regression.py

 

4: principiantes tf necesidad de intentar red neuronal

 

• Perceptrón multicapa:

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/3_NeuralNetworks/multilayer_perceptron.ipynb

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/3_NeuralNetworks/multilayer_perceptron.py

 

• red neuronal de convolución:

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/3_NeuralNetworks/convolutional_network.ipynb

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/3_NeuralNetworks/convolutional_network.py

 

• Red neuronal recurrente (LSTM):

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/3_NeuralNetworks/recurrent_network.ipynb

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/3_NeuralNetworks/recurrent_network.py

 

• Bidireccional red neuronal recurrente (LSTM):

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/3_NeuralNetworks/bidirectional_rnn.ipynb

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/3_NeuralNetworks/bidirectional_rnn.py

 

• Dinámica recurrente Redes Neuronales (LSTM)

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/3_NeuralNetworks/dynamic_rnn.py

 

• Desde el codificador

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/3_NeuralNetworks/autoencoder.ipynb

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/3_NeuralNetworks/autoencoder.py

 

5: un enfoque práctico tf principiantes necesitan estar en Competente

 

• Guardar y restaurar el modelo

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/4_Utils/save_restore_model.ipynb

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/4_Utils/save_restore_model.py

 

• La figura pérdida visual y

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/4_Utils/tensorboard_basic.ipynb

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/4_Utils/tensorboard_basic.py

 

• Tensorboard-- Visualización Avanzada

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/4_Utils/tensorboard_advanced.py

 

5: t multi-GPU funcionamiento básico f principiantes necesitan entender las

 

• Funciones básicas de multi-GPU

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/5_MultiGPU/multigpu_basics.ipynb

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/5_MultiGPU/multigpu_basics.py

 

6: Caso conjuntos de datos necesarios

 

Algunos casos necesitan una formación MNIST y pruebas de los conjuntos de datos. Al ejecutar estos casos, los conjuntos de datos se descargan automáticamente (utilizando input_data.py).

MNIST conjuntos de datos Notas : https: //github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/0_Prerequisite/mnist_dataset_intro.ipynb

Página oficial: http: //yann.lecun.com/exdb/mnist/

 

Etapa Dos A TF novato cuasi cada tipo de preparación de los casos, los modelos y conjuntos de datos

 

Llegar a conocer: TFLearn  TensorFlow

El siguiente ejemplo de TFLearn, que proporciona una TensorFlow biblioteca de interfaz simplificado. Hay muchos ejemplos y capas operacionales y pre-construidos.

Tutorial : TFLearn de inicio rápido. Aprender base TFLearn por unas tareas específicas de aprendizaje automático. Desarrollar y entrenar a una profundidad clasificador de red neuronal.

TFLearn dirección: https: //github.com/tflearn/tflearn

Ejemplo: https: //github.com/tflearn/tflearn/tree/master/examples

La construcción y operación de la pre-capa de: http: //tflearn.org/doc_index/#api

Nota: https: //github.com/tflearn/tflearn/blob/master/tutorials/intro/quickstart.md

 

El modelo de base y datos de conjunto

 

• La regresión lineal, regresión lineal consigue utilizando TFLearn

https://github.com/tflearn/tflearn/blob/master/examples/basics/linear_regression.py

• Los operadores lógicos. TFLearn implementado usando operadores lógicos

https://github.com/tflearn/tflearn/blob/master/examples/basics/logical.py

• retención de peso. Guardar y restaurar un modelo

https://github.com/tflearn/tflearn/blob/master/examples/basics/weights_persistence.py

• La puesta a punto. En una nueva tarea de poner a punto un modelo de pre-formados

https://github.com/tflearn/tflearn/blob/master/examples/basics/finetuning.py

• Uso HDF5. El procesamiento de grandes conjuntos de datos utilizando HDF5

https://github.com/tflearn/tflearn/blob/master/examples/basics/use_hdf5.py

• Uso DASK. El procesamiento de grandes conjuntos de datos utilizando DASK

https://github.com/tflearn/tflearn/blob/master/examples/basics/use_dask.py

 

modelo de Visión por Computador y conjunto de datos

 

• Perceptrón multicapa. Multicapa para MNIST tarea de clasificación de la percepción para lograr

https://github.com/tflearn/tflearn/blob/master/examples/images/dnn.py

• Convolución de red (MNIST). Un tipo de red neuronal de convolución para la clasificación de conjuntos de datos alcanza MNIST

https://github.com/tflearn/tflearn/blob/master/examples/images/convnet_mnist.py

• red de convolución (CIFAR-10). Un tipo de red neuronal de convolución para la clasificación CIFAR-10 conjuntos de datos para lograr

https://github.com/tflearn/tflearn/blob/master/examples/images/convnet_cifar10.py

• La red de redes. Red para la clasificación de los conjuntos de datos CIFAR-10 implementado en la red

https://github.com/tflearn/tflearn/blob/master/examples/images/network_in_network.py

• Alexnet. El Alexnet aplica Oxford Flores 17 tareas de clasificación

https://github.com/tflearn/tflearn/blob/master/examples/images/alexnet.py

• VGGNet. El VGGNet aplica Oxford Flores 17 tareas de clasificación

https://github.com/tflearn/tflearn/blob/master/examples/images/vgg_network.py

• VGGNet ajuste fino (Fast Formación). Utilice una red VGG pre-formados y limitados a sus propios datos, con el fin de conseguir una formación rápida

https://github.com/tflearn/tflearn/blob/master/examples/images/vgg_network_finetuning.py

• Píxeles RNN. imagen clasificación de uso RNN (píxeles en secuencia)

https://github.com/tflearn/tflearn/blob/master/examples/images/rnn_pixels.py

• Red de Carreteras. Carretera de red utilizada para conjuntos de datos para lograr Clasificar MNIST

https://github.com/tflearn/tflearn/blob/master/examples/images/highway_dnn.py

• Carretera red de convolución. Carretera convolucional de red para la clasificación de conjuntos de datos para lograr MNIST

https://github.com/tflearn/tflearn/blob/master/examples/images/convnet_highway_mnist.py

• Residual de red (MNIST). Aplicado a la MNIST tarea de clasificación a los cuellos de botella residuales (cuello de botella de la red residual)

https://github.com/tflearn/tflearn/blob/master/examples/images/residual_network_mnist.py

• Residual de red (CIFAR-10). CIFAR-10 utilizado en la tarea de clasificación de una red residual

https://github.com/tflearn/tflearn/blob/master/examples/images/residual_network_cifar10.py

• Google Inception (v3). Oxford Flores 17 se aplica a la tarea de clasificación de la red v3 Google Inception

https://github.com/tflearn/tflearn/blob/master/examples/images/googlenet.py

• Desde el codificador. MNIST para los dígitos escritos a mano desde el codificador

https://github.com/tflearn/tflearn/blob/master/examples/images/autoencoder.py

 

los modelos de procesamiento de lenguaje natural y conjuntos de datos

 

• Red neuronal recurrente (LSTM), LSTM aplicarse a cualquier conjunto de datos de clasificación emoción IMDB

https://github.com/tflearn/tflearn/blob/master/examples/nlp/lstm.py

• Bidireccional RNN (LSTM), será un LSTM bidireccional aplica a IMDB tarea sentimiento clasificación de conjunto de datos:

https://github.com/tflearn/tflearn/blob/master/examples/nlp/bidirectional_lstm.py

• Dinámica RNN (LSTM), datos de texto dinámico LSTM longitud variable establece desde IMDB Categoría:

https://github.com/tflearn/tflearn/blob/master/examples/nlp/dynamic_lstm.py

• Ciudad de generación de nombres, una nueva generación de ciudades estadounidenses usan la red LSTM nombre:

https://github.com/tflearn/tflearn/blob/master/examples/nlp/lstm_generator_cityname.py

• Shakespeare generación manuscrito, una nueva generación de utilización manuscrito red LSTM Shakespeare:

https://github.com/tflearn/tflearn/blob/master/examples/nlp/lstm_generator_shakespeare.py

• Seq2seq, ejemplo la enseñanza de la red de ciclo seq2seq:

https://github.com/tflearn/tflearn/blob/master/examples/nlp/seq2seq_ example.py

• CNN Seq, utilice un datos convolución 1-D a partir de una secuencia de clasificación emocional centralizado IMDB red de palabras

https://github.com/tflearn/tflearn/blob/master/examples/nlp/cnn_sentence_classification.py

 

Historias aprendizaje por refuerzo

 

• Atari Pacman 1 paso Q-Learning, utilice el paso 1-Q-learning para enseñar a una máquina para jugar juegos de Atari:

https://github.com/tflearn/tflearn/blob/master/examples/reinforcement_learning/atari_1step_qlearning.py

 

Paso tres: Otros aspectos de la preparación para el novato del TF

 

• Recomendador-ancha y profunda red, ejemplos enseñanza sistema de recomendación amplia y profunda de la red:

https://github.com/tflearn/tflearn/blob/master/examples/others/recommender_wide_and_deep.py

• Clasificación espiral de problemas, TFLearn Stanford CS231n espiral problema de clasificación de realización:

https://github.com/tflearn/tflearn/blob/master/examples/notebooks/spiral.ipynb

• Capas, una capa con TensorFlow TFLearn:

https://github.com/tflearn/tflearn/blob/master/examples/extending_tensorflow/layers.py

• Instructor, entrenamiento formación de clase utilizando cualquier TFLearn TensorFlow mapa:

https://github.com/tflearn/tflearn/blob/master/examples/extending_tensorflow/layers.py

• Bulit-en Operaciones, así como la utilización TensorFlow usando TFLearn incorporada:

https://github.com/tflearn/tflearn/blob/master/examples/extending_tensorflow/builtin_ops.py

• Resúmenes, junto con TensorFlow resumidores uso TFLearn:

https://github.com/tflearn/tflearn/blob/master/examples/extending_tensorflow/summaries.py

• Variables, junto con las variables TensorFlow uso TFLearn:

https://github.com/tflearn/tflearn/blob/master/examples/extending_tensorflow/variables.py

 

De código abierto biblioteca de software TensorFlow tutorial más completo y una lista de elementos 

 TensorFlow es una biblioteca de software de código abierto para el flujo de datos gráfico usando el cálculo numérico. En otras palabras, es la mejor forma de modelo de aprendizaje profundidad de construcción. En este artículo se compiló un excelente y una lista de artículos relacionados con TensorFlow tutorial.

En primer lugar, el tutorial 

TensorFlow el Tutorial  1 - desde la aplicación TensorFlow a más interesante básica 

TensorFlow el Tutorial  2 - Google TensorFlow basado  marco de la profundidad del perfil de aprendizaje, estos tutoriales son Newmu de Theano directos puerto 

Ejemplos TensorFlow  - a tutoriales y principiantes TensorFlow código de ejemplo  

de Sungjoon TensorFlow -101  - escritura usando Jupyter Notebook tutorial de Python TensorFlow 

TensorFlow de Terry del Um Ejercicios  - volver a crear los ejemplos de código de otra TensorFlow 

Instalación TensorFlow en la frambuesa Pi 3  - TensorFlow vienen en compilaciones de frambuesa y se ejecuta correctamente 

Clasificación en la serie temporal  - utilizados en TensorFlow los datos del sensor del teléfono LSTM recurrente clasificación de la red neuronal 

En segundo lugar, el modelo / artículo 

Show, Asistir and Tell - basado en el mecanismo de enfoque generador de imágenes de subtítulos (mecanismo de enfoque "Mecanismo de Atención" es uno de los puntos calientes actuales profunda de aprendizaje de vanguardia, puede enfocar de forma individual en diferentes partes de la entrada y teniendo en cuenta una serie de comprensión) 

Neural Estilo  - Neural Estilo realización (Neural estilo es dejar que la máquina de imitar el estilo de pintura ha sido pintar un cuadro del algoritmo de re-elaboración) 

Bastante Tensor  - constructor Bastante Tensor proporciona un avanzado  API  
estilo Neural  - estilo Neural lograr 

TensorFlow notas del Libro Blanco  - notas y anotada en el Libro Blanco TensorFlow sumarias, y SVG  gráficos y documentos enlaces 

NeuralArt  - para lograr el estilo artístico de los algoritmos nervioso 

utilizar TensorFlow y PyGame para fortalecer la profundidad del aprendizaje de tenis de mesa  
generativo un uso TensorFlow escritura demo  - tratar de implementar Alex Graves documentos escritos a mano porción generado aleatoriamente 

neuronal máquina de Turing en TensorFlow  - nervio TensorFlow máquina de Turing para lograr 

escenas GoogleNet convolucional red neuronal Grupos película de  Ajuste- En función del objeto, que muestra la ubicación y otros contenidos para buscar, filtrar y vídeo Descripción 

de los nervios de la máquina - Search.com la al Los escritos de Shakespeare y un uso de TensorFlow Inglés entre lo moderno  - monolingüe traducción, desde Shakespeare a Inglés moderno, y viceversa 

Chatbot  - "un nervio modelo de conversación "aplicación 

Colornet - neuronal de la red a las imágenes en escala de grises Colorear  - por la red neuronal a una imagen en escala de grises de color 

con la atención de los nervios del generador Leyenda  - imagen comprender Tensorflow lograr 

Weakly_detector  -" característica aprendizaje profundo para distinguir localizada "para lograr TensorFlow 

redes Dynamic Capacity  - "red de capacidad dinámica" para lograr 

la HMM en TensorFlow  - Viterbi HMM y hacia adelante / hacia atrás algoritmo de 

DeepOSM  - red neuronal TensorFlow usando OpenStreetMap características y la formación de imágenes de satélite 

DQN-tensorflow  - uso TensorFlow logra DeepMind por OpenAI gimnasia de " por la profundidad de los niveles de aprendizaje por refuerzo de control humano " 

Red de Carreteras - "entrenamiento de la red de profundidad", el TensorFlow lograr 

Sentencia Clasificación con CNN  - TensorFlow lograr "sentencia convolución clasificación de la red neuronal" 

Terminar las Redes To-End-Memory  - Memorias de extremo a extremo 

de caracteres-Aware modelos neuronales del idioma  - la percepción de los personajes del nervio TensorFlow modelo de lenguaje para lograr 

YOLO TensorFlow ++  - TensorFlow realización de "YOLO: detección de objetos en tiempo real" entrenamiento funcional y el apoyo en los dispositivos móviles que funcionan en tiempo real 

WaveNet  - WaveNet generar arquitectura de red neuronal TensorFlow logra para la generación de audio 

mnemotécnico Descenso método,  - método de descenso de mnemónico: proceso de reproducción se aplica al extremo alineado a extremo