w88优德_w88体育_w88优德官网

糖醋鱼块,上手必备!不行错失的TensorFlow、PyTorch和Keras样例资源-w88优德

admin6天前283浏览量

作者 | 黄海广

来历 | 机器学习初学者(ID: ai-start-com)

TensorFlow、Keras和PyTorch是现在深度学习的首要结构,也是入门深度学习有必要把握的三大结构,可是官方文档相对内容较多,初学者往往无从下手。自己从github里搜到三个十分不错的学习资源,并对资源目录进行翻译,强烈主张初学者下载学习,这些资源包括了很多的代码示例(含数据集),个人认为,只要把以上资源运转一次,不明白的当地查官方文档,很快就能了解和运用这三大结构。

一、TensorFlow

资源地址:

https://github.com/aymericdamien/TensorFlow-Examples

资源介绍:

本资源旨在经过示例轻松深化了解TensorFlow。为了便于阅览,它包括notebook和带注释的源代码。

它合适想要找到关于TensorFlow的明晰简练示例的初学者。除了传统的“原始”TensorFlow完成,您还能够找到最新的TensorFlow API实践(例如layers,estimator,dataset, ......)。

最终更新(07/25/2018):增加新示例(GBDT,Word2Vec)和 TF1.9兼容性(TF v1.9 +引荐)。

装备环境:

python 3.6以上,TensorFlow 1.8+(编者注:Tensorflow在windows上不支持python3.7)

资源目录:

1、先决条件

  • 机器学习简介

  • MNIST数据集简介

机器学习简介

MNIST数据集简介

2、简介

  • Hello World(包括notebook和py源代码)。十分简略的比如,学习怎么运用TensorFlow打印“hello world”。

  • 根本操作(包括notebook和py源代码)。一个包括TensorFlow根本操作的简略示例。

  • TensorFlow Eager API根底知识(包括notebook和py源代码)。开端运用TensorFlow的Eager API。

Hello World(包括notebook和py源代码)。十分简略的比如,学习怎么运用TensorFlow打印“hello world”。

根本操作(包括notebook和py源代码)。一个包括TensorFlow根本操作的简略示例。

3、根底模型

  • 线性回归(包括notebook和py源代码)。运用TensorFlow完成线性回归。

  • 线性回归(eager api)(包括notebook和py源代码)。运用TensorFlow的Eager API完成线性回归。

  • Logistic回归(包括notebook和py源代码)。运用TensorFlow完成Logistic回归。

  • Logistic回归(eager api)(包括notebook和py源代码)。运用TensorFlow的Eager API完成Logistic回归。

  • 最近邻(包括notebook和py源代码)。运用TensorFlow完成最近邻算法。

  • K-Means(包括notebook和py源代码)。运用TensorFlow构建K-Means分类器。

  • 随机森林(包括notebook和py源代码)。运用TensorFlow构建随机森林分类器。

  • Gradient Boosted Decision Tree(GBDT)(包括notebook和py源代码)。运用TensorFlow构建梯度提高决策树(GBDT)。

  • Word2Vec(词嵌入)(包括notebook和py源代码)。运用TensorFlow从Wikipedia数据构建词嵌入模型(Word2Vec)。

线性回归(包括notebook和py源代码)。运用TensorFlow完成线性回归。

线性回归(eager api)(包括notebook和py源代码)。运用TensorFlow的Eager API完成线性回归。

Logistic回归(包括notebook和py源代码)。运用TensorFlow完成Logistic回归。

Logistic回归(eager api)(包括notebook和py源代码)。运用TensorFlow的Eager API完成Logistic回归。

最近邻(包括notebook和py源代码)。运用TensorFlow完成最近邻算法。

K-Means(包括notebook和py源代码)。运用TensorFlow构建K-Means分类器。

随机森林(包括notebook和py源代码)。运用TensorFlow构建随机森林分类器。

Gradient Boosted Decision Tree(GBDT)(包括notebook和py源代码)。运用TensorFlow构建梯度提高决策树(GBDT)。

Word2Vec(词嵌入)(包括notebook和py源代码)。运用TensorFlow从Wikipedia数据构建词嵌入模型(Word2Vec)。

4、神经网络

  • 监督学习部分

监督学习部分

  • 简略神经网络(包括notebook和py源代码)。构建一个简略的神经网络(如多层感知器)来对MNIST数字数据集进行分类。Raw TensorFlow完成。

  • 简略神经网络(tf.layers / estimator api)(包括notebook和py源代码)。运用TensorFlow'layers'和'estimator'API构建一个简略的神经网络(如:Multi-layer Perceptron)来对MNIST数字数据集进行分类。

  • 简略神经网络(Eager API)(包括notebook和py源代码)。运用TensorFlow Eager API构建一个简略的神经网络(如多层感知器)来对MNIST数字数据集进行分类。

  • 卷积神经网络(包括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完成。

  • 卷积神经网络(tf.layers / estimator api)(包括notebook和py源代码)。运用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)(包括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(包括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(包括notebook和py源代码)。构建一个递归神经网络(LSTM),履行动态核算以对不同长度的序列进行分类。

简略神经网络(包括notebook和py源代码)。构建一个简略的神经网络(如多层感知器)来对MNIST数字数据集进行分类。Raw TensorFlow完成。

简略神经网络(tf.layers / estimator api)(包括notebook和py源代码)。运用TensorFlow'layers'和'estimator'API构建一个简略的神经网络(如:Multi-layer Perceptron)来对MNIST数字数据集进行分类。

简略神经网络(Eager API)(包括notebook和py源代码)。运用TensorFlow Eager API构建一个简略的神经网络(如多层感知器)来对MNIST数字数据集进行分类。

卷积神经网络(包括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完成。

卷积神经网络(tf.layers / estimator api)(包括notebook和py源代码)。运用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)(包括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(包括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(包括notebook和py源代码)。构建一个递归神经网络(LSTM),履行动态核算以对不同长度的序列进行分类。

  • 无监督

无监督

  • 主动编码器(包括notebook和py源代码)。构建主动编码器以将图画编码为较低维度并从头构建它。

  • 变分主动编码器((包括notebook和py源代码)。构建变分主动编码器(VAE),对噪声进行编码和生成图画。

  • GAN(Generative Adversarial Networks)(包括notebook和py源代码)。构建生成对立网络(GAN)以从噪声生成图画。

  • DCGAN(Deep Convolutional Generative Adversarial Networks)(包括notebook和py源代码)。构建深度卷积生成对立网络(DCGAN)以从噪声生成图画。

主动编码器(包括notebook和py源代码)。构建主动编码器以将图画编码为较低维度并从头构建它。

变分主动编码器((包括notebook和py源代码)。构建变分主动编码器(VAE),对噪声进行编码和生成图画。

GAN(Generative Adversarial Networks)(包括notebook和py源代码)。构建生成对立网络(GAN)以从噪声生成图画。

DCGAN(Deep Convolutional Generative Adversarial Networks)(包括notebook和py源代码)。构建深度卷积生成对立网络(DCGAN)以从噪声生成图画。

5、东西

  • 保存和复原模型(包括notebook和py源代码)。运用TensorFlow保存和复原模型。

  • Tensorboard - 图形和丢失可视化(包括notebook和py源代码)。运用Tensorboard可视化核算图并制作丢失。

  • Tensorboard - 高档可视化(包括notebook和py源代码)。深化了解Tensorboard;可视化变量,梯度等......

保存和复原模型(包括notebook和py源代码)。运用TensorFlow保存和复原模型。

Tensorboard - 图形和丢失可视化(包括notebook和py源代码)。运用Tensorboard可视化核算图并制作丢失。

Tensorboard - 高档可视化(包括notebook和py源代码)。深化了解Tensorboard;可视化变量,梯度等......

6、数据管理

  • 构建图画数据集(包括notebook和py源代码)。运用TensorFlow数据行列,从图画文件夹或数据集文件构建您自己的图画数据集。

  • TensorFlow数据集API(包括notebook和py源代码)。引进TensorFlow数据集API以优化输入数据管道。

构建图画数据集(包括notebook和py源代码)。运用TensorFlow数据行列,从图画文件夹或数据集文件构建您自己的图画数据集。

TensorFlow数据集API(包括notebook和py源代码)。引进TensorFlow数据集API以优化输入数据管道。

7、多GPU

  • 多GPU的根本操作(包括notebook和py源代码)。在TensorFlow中引进多GPU的简略示例。

  • 在多GPU上操练神经网络(包括notebook和py源代码)。一个明晰简略的TensorFlow完成,用于在多个GPU上操练卷积神经网络。

多GPU的根本操作(包括notebook和py源代码)。在TensorFlow中引进多GPU的简略示例。

在多GPU上操练神经网络(包括notebook和py源代码)。一个明晰简略的TensorFlow完成,用于在多个GPU上操练卷积神经网络。

数据集

  • 一些示例需求MNIST数据集进行操练和测验。

    官方网站:http://yann.lecun.com/exdb/mnist/

一些示例需求MNIST数据集进行操练和测验。

官方网站:http://yann.lecun.com/exdb/mnist/

二、Keras

资源地址:

https://github.com/erhwenkuo/deep-learning-with-keras-notebooks

资源介绍:

这个github的repository首要是ErhWen Kuo在学习Keras的一些记载及操练。期望在学习过程中发现到一些好的信息与示例也能够对想要学习运用Keras来解决问题的同学带来协助。这些notebooks首要是运用Python 3.6与Keras 2.1.1版别跑在一台装备Nivida 1080Ti的Windows 10的机台所发生的成果,但有些部份会参杂一些Tensorflow与其它的函式库的介绍。

装备环境:

python 3.6以上,Keras 2.1.1

资源目录:

1、图象数据集/东西介绍

  • 0.0: COCO API说明与简略示例

  • 0.1:土炮克己扑克牌图象数据集

  • 0.2:运用Pillow来进行图画处理

0.0: COCO API说明与简略示例

0.1:土炮克己扑克牌图象数据集

0.2:运用Pillow来进行图画处理

2、Keras API示例

  • 1.0:运用图画增强来进行深度学习

  • 1.1:怎么运用Keras函数式API进行深度学习

  • 1.2:从零开端构建VGG网络来学习Keras

  • 1.3:运用预操练的模型来分类照片中的物体

  • 1.4:运用图画增强来操练小数据集

  • 1.5:运用预先操练的卷积网络模型

  • 1.6:卷积网络模型学习到什么的可视化

  • 1.7:构建主动编码器(Autoencoder)

  • 1.8:序列到序列(Seq-to-Seq)学习介绍

  • 1.9: One-hot编码东西程序介绍

  • 1.10:循环神经网络(RNN)介绍

  • 1.11: LSTM的回来序列和回来状况之间的差异

  • 1.12:用LSTM来学习英文字母表次序

1.0:运用图画增强来进行深度学习

1.1:怎么运用Keras函数式API进行深度学习

1.2:从零开端构建VGG网络来学习Keras

1.3:运用预操练的模型来分类照片中的物体

1.4:运用图画增强来操练小数据集

1.5:运用预先操练的卷积网络模型

1.6:卷积网络模型学习到什么的可视化

1.7:构建主动编码器(Autoencoder)

1.8:序列到序列(Seq-to-Seq)学习介绍

1.9: One-hot编码东西程序介绍

1.10:循环神经网络(RNN)介绍

1.11: LSTM的回来序列和回来状况之间的差异

1.12:用LSTM来学习英文字母表次序

3、图画分类(Image Classification)

  • 2.0: Julia(Chars74K)字母图画分类

  • 2.1:交通标志图画分类

  • 2.2:辛普森卡通图画人物分类

  • 2.3:时尚服饰图画分类

  • 2.4:人脸要害点辨识

  • 2.5: Captcha验证码分类

  • 2.6: Mnist手写图画分类(MLP)

  • 2.7: Mnist手写图画分类(CNN)

2.0: Julia(Chars74K)字母图画分类

2.1:交通标志图画分类

2.2:辛普森卡通图画人物分类

2.3:时尚服饰图画分类

2.4:人脸要害点辨识

2.5: Captcha验证码分类

2.6: Mnist手写图画分类(MLP)

2.7: Mnist手写图画分类(CNN)

3.方针检测(Object Recognition)

  • 3.0: YOLO方针检测算法概念与介绍

  • 3.1: YOLOv2方针检测示例

  • 3.2:浣熊(Racoon)检测-YOLOv2模型操练与调整

  • 3.3:浣熊(Racoon)检测-YOLOv2模型的运用

  • 3.4:袋鼠(Kangaroo)检测-YOLOv2模型操练与调整

  • 3.5:双手(Hands)检测-YOLOv2模型操练与调整

  • 3.6:辛普森卡通图象人物(Simpson)检测-YOLOv2模型操练与调整

  • 3.7: MS COCO图象检测-YOLOv2模型操练与调整

3.0: YOLO方针检测算法概念与介绍

3.1: YOLOv2方针检测示例

3.2:浣熊(Racoon)检测-YOLOv2模型操练与调整

3.3:浣熊(Racoon)检测-YOLOv2模型的运用

3.4:袋鼠(Kangaroo)检测-YOLOv2模型操练与调整

3.5:双手(Hands)检测-YOLOv2模型操练与调整

3.6:辛普森卡通图象人物(Simpson)检测-YOLOv2模型操练与调整

3.7: MS COCO图象检测-YOLOv2模型操练与调整

4.物体切割(Object Segmentation)

5.要害点检测(Keypoint Detection)

6.图象标题(Image Caption)

7.人脸检测辨认(Face Detection/Recognition)

  • 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:人脸辨认-脸部检测、对齐&裁剪

  • 7.3:人脸辨认-人脸部特征提取&人脸分类器

  • 7.4:人脸辨认-转化、对齐、裁剪、特征提取与比对

  • 7.5:脸部要害点检测(dlib)

  • 7.6:头部姿势(Head pose)估量(dlib)

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:人脸辨认-脸部检测、对齐&裁剪

7.3:人脸辨认-人脸部特征提取&人脸分类器

7.4:人脸辨认-转化、对齐、裁剪、特征提取与比对

7.5:脸部要害点检测(dlib)

7.6:头部姿势(Head pose)估量(dlib)

8.自然言语处理(Natural Language Processing)

  • 8.0:词嵌入(word embeddings)介绍

  • 8.1:运用结巴(jieba)进行中文分词

  • 8.2: Word2vec词嵌入(word embeddings)的根本概念

  • 8.3:运用结巴(jieba)进行歌词剖析

  • 8.4:运用gensim操练中文词向量(word2vec)

8.0:词嵌入(word embeddings)介绍

8.1:运用结巴(jieba)进行中文分词

8.2: Word2vec词嵌入(word embeddings)的根本概念

8.3:运用结巴(jieba)进行歌词剖析

8.4:运用gensim操练中文词向量(word2vec)

三、PyTorch

资源地址:

https://github.com/yunjey/pytorch-tutorial

资源介绍:

这个资源为深度学习研究人员供给了学习PyTorch的教程代码大多数模型都运用少于30行代码完成。在开端本教程之前,主张先看完PyTorch官方教程。

装备环境:

python 2.7或许3.5以上,PyTorch 0.4

资源目录:

1、根底知识

  • PyTorch根底知识

  • 线性回归

  • Logistic回归

  • 前馈神经网络

PyTorch根底知识

线性回归

Logistic回归

前馈神经网络

2、中级

  • 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

  • 言语模型(RNN-LM)

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

言语模型(RNN-LM)

3、高档

  • 生成性对立网络

  • 变分主动编码器

  • 神经风格搬运

  • 图画字幕(CNN-RNN)

生成性对立网络

变分主动编码器

神经风格搬运

图画字幕(CNN-RNN)

4、东西

  • PyTorch中的TensorBoard

PyTorch中的TensorBoard

总结

TensorFlowKerasPyTorch是现在深度学习的首要结构,也是入门深度学习有必要把握的三大结构,可是官方文档相对内容较多,初学者往往无从下手。自己从github里搜到三个十分不错的学习资源,并对资源目录进行翻译,强烈主张初学者下载学习,这些资源包括了很多的代码示例(含数据集),个人认为,只要把以上资源运转一次,不明白的当地查官方文档,很快就能了解和运用这三大结构。