上手必备!不可错过的TensorFlowPyTorch和Keras样例资源
Posted AI科技大本营
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了上手必备!不可错过的TensorFlowPyTorch和Keras样例资源相关的知识,希望对你有一定的参考价值。
https://github.com/aymericdamien/TensorFlow-Examples
1、先决条件
-
机器学习简介 -
MNIST数据集简介
-
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。
-
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)。
-
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。
-
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......
-
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。
-
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。
-
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/
-
0.0: COCO API解说与简单示例 -
0.1:土炮自制扑克牌图象数据集 -
0.2:使用Pillow来进行图像处理
-
1.0:使用图像增强来进行深度学习 -
1.1:如何使用Keras函数式API进行深度学习 -
1.2:从零开始构建VGG网络来学习Keras -
1.3:使用预训练的模型来分类照片中的物体 -
1.4:使用图像增强来训练小数据集 -
1.5:使用预先训练的卷积网络模型 -
1.6:卷积网络模型学习到什么的可视化 -
1.7:构建自动编码器(Autoencoder) -
1.8:序列到序列(Seq-to-Seq)学习介绍 -
1.9: One-hot编码工具程序介绍 -
1.10:循环神经网络(RNN)介绍 -
1.11: LSTM的返回序列和返回状态之间的区别 -
1.12:用LSTM来学习英文字母表顺序
-
2.0: Julia(Chars74K)字母图像分类 -
2.1:交通标志图像分类 -
2.2:辛普森卡通图像角色分类 -
2.3:时尚服饰图像分类 -
2.4:人脸关键点辨识 -
2.5: Captcha验证码分类 -
2.6: Mnist手写图像分类(MLP) -
2.7: Mnist手写图像分类(CNN)
-
3.0: YOLO目标检测算法概念与介绍 -
3.1: YOLOv2目标检测示例 -
3.2:浣熊(Racoon)检测-YOLOv2模型训练与调整 -
3.3:浣熊(Racoon)检测-YOLOv2模型的使用 -
3.4:袋鼠(Kangaroo)检测-YOLOv2模型训练与调整 -
3.5:双手(Hands)检测-YOLOv2模型训练与调整 -
3.6:辛普森卡通图象角色(Simpson)检测-YOLOv2模型训练与调整 -
3.7: MS COCO图象检测-YOLOv2模型训练与调整
-
7.0:人脸检测- OpenCV(Haar特征分类器) -
7.1:人脸检测- MTCNN(Multi-task Cascaded Convolutional Networks) -
7.2:人脸识别-脸部检测、对齐&裁剪 -
7.3:人脸识别-人脸部特征提取&人脸分类器 -
7.4:人脸识别-转换、对齐、裁剪、特征提取与比对 -
7.5:脸部关键点检测(dlib) -
7.6:头部姿态(Head pose)估计(dlib)
-
8.0:词嵌入(word embeddings)介绍 -
8.1:使用结巴(jieba)进行中文分词 -
8.2: Word2vec词嵌入(word embeddings)的基本概念 -
8.3:使用结巴(jieba)进行歌词分析 -
8.4:使用gensim训练中文词向量(word2vec)
-
PyTorch基础知识 -
线性回归 -
Logistic回归 -
前馈神经网络
-
卷积神经网络 -
深度残差网络 -
递归神经网络 -
双向递归神经网络 -
语言模型(RNN-LM)
-
生成性对抗网络 -
变分自动编码器 -
神经风格转移 -
图像字幕(CNN-RNN)
-
PyTorch中的TensorBoard
总结
TensorFlow、Keras和PyTorch是目前深度学习的主要框架,也是入门深度学习必须掌握的三大框架,但是官方文档相对内容较多,初学者往往无从下手。本人从github里搜到三个非常不错的学习资源,并对资源目录进行翻译,强烈建议初学者下载学习,这些资源包含了大量的代码示例(含数据集),个人认为,只要把以上资源运行一次,不懂的地方查官方文档,很快就能理解和运用这三大框架。
(*本文为 AI科技大本营转载文章,转载请联系原作者)
社群福利
扫码添加小助手,回复:大会,加入2019 AI开发者大会福利群,每周一、三、五更新技术福利,还有不定期的抽奖活动~
◆
精彩推荐
◆
60+技术大咖与你相约 2019 AI ProCon!大会早鸟票已售罄,优惠票速抢进行中......2019 AI开发者大会将于9月6日-7日在北京举行,这一届AI开发者大会有哪些亮点?一线公司的大牛们都在关注什么?AI行业的风向是什么?2019 AI开发者大会,倾听大牛分享,聚焦技术实践,和万千开发者共成长。
推荐阅读
以上是关于上手必备!不可错过的TensorFlowPyTorch和Keras样例资源的主要内容,如果未能解决你的问题,请参考以下文章
直接上手!不容错过的 Visual Studio Code 十大扩展组件