精通 TensorFlow 1.x
Introduction
TensorFlow 101
什么是 TensorFlow？
TensorFlow 核心
代码预热 - Hello TensorFlow
张量
常量
操作
占位符
从 Python 对象创建张量
变量
从库函数生成的张量
使用相同的值填充张量元素
用序列填充张量元素
使用随机分布填充张量元素
使用tf.get_variable()获取变量
数据流图或计算图
执行顺序和延迟加载
跨计算设备执行图 - CPU 和 GPU
将图节点放置在特定的计算设备上
简单放置
动态展示位置
软放置
GPU 内存处理
多个图
TensorBoard
TensorBoard 最小的例子
TensorBoard 详情
总结
TensorFlow 的高级库
TF Estimator - 以前的 TF 学习
TF Slim
TFLearn
创建 TFLearn 层
TFLearn 核心层
TFLearn 卷积层
TFLearn 循环层
TFLearn 正则化层
TFLearn 嵌入层
TFLearn 合并层
TFLearn 估计层
创建 TFLearn 模型
TFLearn 模型的类型
训练 TFLearn 模型
使用 TFLearn 模型
PrettyTensor
Sonnet
总结
Keras 101
安装 Keras
Keras 中的神经网络模型
在 Keras 建立模型的工作流程
创建 Keras 模型
用于创建 Keras 模型的顺序 API
用于创建 Keras 模型的函数式 API
Keras 层
Keras 核心层
Keras 卷积层
Keras 池化层
Keras 本地连接层
Keras 循环层
Keras 嵌入层
Keras 合并层
Keras 高级激活层
Keras 正则化层
Keras 噪音层
将层添加到 Keras 模型
用于将层添加到 Keras 模型的顺序 API
用于向 Keras 模型添加层的函数式 API
编译 Keras 模型
训练 Keras 模型
使用 Keras 模型进行预测
Keras 的附加模块
MNIST 数据集的 Keras 序列模型示例
总结
使用 TensorFlow 进行经典机器学习
简单的线性回归
数据准备
构建一个简单的回归模型
定义输入，参数和其他变量
定义模型
定义损失函数
定义优化器函数
训练模型
使用训练的模型进行预测
多元回归
正则化回归
套索正则化
岭正则化
ElasticNet 正则化
使用逻辑回归进行分类
二分类的逻辑回归
多类分类的逻辑回归
二分类
多类分类
总结
使用 TensorFlow 和 Keras 的神经网络和 MLP
感知机
多层感知机
用于图像分类的 MLP
用于 MNIST 分类的基于 TensorFlow 的 MLP
用于 MNIST 分类的基于 Keras 的 MLP
用于 MNIST 分类的基于 TFLearn 的 MLP
使用 TensorFlow，Keras 和 TFLearn 的 MLP 总结
用于时间序列回归的 MLP
总结
使用 TensorFlow 和 Keras 的 RNN
简单循环神经网络
RNN 变种
LSTM 网络
GRU 网络
TensorFlow RNN
TensorFlow RNN 单元类
TensorFlow RNN 模型构建类
TensorFlow RNN 单元包装器类
适用于 RNN 的 Keras
RNN 的应用领域
用于 MNIST 数据的 Keras 中的 RNN
总结
使用 TensorFlow 和 Keras 的时间序列数据的 RNN
航空公司乘客数据集
加载 airpass 数据集
可视化 airpass 数据集
使用 TensorFlow RNN 模型预处理数据集
TensorFlow 中的简单 RNN
TensorFlow 中的 LSTM
TensorFlow 中的 GRU
使用 Keras RNN 模型预处理数据集
使用 Keras 的简单 RNN
使用 Keras 的 LSTM
使用 Keras 的 GRU
总结
使用 TensorFlow 和 Keras 的文本数据的 RNN
词向量表示
为 word2vec 模型准备数据
加载和准备 PTB 数据集
加载和准备 text8 数据集
准备小验证集
使用 TensorFlow 的 skip-gram 模型
使用 t-SNE 可视化单词嵌入
keras 的 skip-gram 模型
使用 TensorFlow 和 Keras 中的 RNN 模型生成文本
TensorFlow 中的 LSTM 文本生成
Keras 中的 LSTM 文本生成
总结
使用 TensorFlow 和 Keras 的 CNN
理解卷积
了解池化
CNN 架构模式 - LeNet
用于 MNIST 数据的 LeNet
使用 TensorFlow 的用于 MNIST 的 LeNet CNN
使用 Keras 的用于 MNIST 的 LeNet CNN
用于 CIFAR10 数据的 LeNet
使用 TensorFlow 的用于 CIFAR10 的 ConvNets
使用 Keras 的用于 CIFAR10 的 ConvNets
总结
使用 TensorFlow 和 Keras 的自编码器
自编码器类型
TensorFlow 中的栈式自编码器
Keras 中的栈式自编码器
TensorFlow 中的去噪自编码器
Keras 中的去噪自编码器
TensorFlow 中的变分自编码器
Keras 中的变分自编码器
总结
TF 服务：生产中的 TensorFlow 模型
在 TensorFlow 中保存和恢复模型
使用保护程序类保存和恢复所有图变量
使用保护程序类保存和恢复所选变量
保存和恢复 Keras 模型
TensorFlow 服务
安装 TF 服务
保存 TF 服务的模型
提供 TF 服务模型
在 Docker 容器中提供 TF 服务
安装 Docker
为 TF 服务构建 Docker 镜像
在 Docker 容器中提供模型
Kubernetes 中的 TensorFlow 服务
安装 Kubernetes
将 Docker 镜像上传到 dockerhub
在 Kubernetes 部署
总结
迁移学习和预训练模型
ImageNet 数据集
再训练或微调模型
COCO 动物数据集和预处理图像
TensorFlow 中的 VGG16
使用 TensorFlow 中预训练的 VGG16 进行图像分类
TensorFlow 中的图像预处理，用于预训练的 VGG16
使用 TensorFlow 中的再训练的 VGG16 进行图像分类
Keras 的 VGG16
使用 Keras 中预训练的 VGG16 进行图像分类
使用 Keras 中再训练的 VGG16 进行图像分类
TensorFlow 中的 Inception v3
使用 TensorFlow 中的 Inception v3 进行图像分类
使用 TensorFlow 中的再训练的 Inception v3 进行图像分类
总结
深度强化学习
OpenAI Gym 101
将简单的策略应用于 cartpole 游戏
强化学习 101
Q 函数（在模型不可用时学习优化）
RL 算法的探索与开发
V 函数（模型可用时学习优化）
强化学习技巧
强化学习的朴素神经网络策略
实现 Q-Learning
Q-Learning 的初始化和离散化
使用 Q-Table 进行 Q-Learning
Q-Network 或深 Q 网络（DQN）的 Q-Learning
总结
生成性对抗网络
生成性对抗网络 101
建立和训练 GAN 的最佳实践
使用 TensorFlow 的简单的 GAN
使用 Keras 的简单的 GAN
使用 TensorFlow 和 Keras 的深度卷积 GAN
总结
使用 TensorFlow 集群的分布式模型
分布式执行策略
TensorFlow 集群
定义集群规范
创建服务器实例
定义服务器和设备之间的参数和操作
定义并训练图以进行异步更新
定义并训练图以进行同步更新
总结
移动和嵌入式平台上的 TensorFlow 模型
移动平台上的 TensorFlow
Android 应用中的 TF Mobile
Android 上的 TF Mobile 演示
iOS 应用中的 TF Mobile
iOS 上的 TF Mobile 演示
TensorFlow Lite
Android 上的 TF Lite 演示
iOS 上的 TF Lite 演示
总结
R 中的 TensorFlow 和 Keras
在 R 中安装 TensorFlow 和 Keras 软件包
R 中的 TF 核心 API
R 中的 TF 估计器 API
R 中的 Keras API
R 中的 TensorBoard
R 中的 tfruns 包
总结
调试 TensorFlow 模型
使用tf.Session.run()获取张量值
使用tf.Print()打印张量值
用tf.Assert()断言条件
使用 TensorFlow 调试器（tfdbg）进行调试
总结
张量处理单元
Powered by
GitBook
定义模型
定义模型
接下来，我们将模型定义为
x_tensor × w + b
：
model = tf.matmul(x_tensor, w) + b
results matching "
"
No results matching "
"