TensorFlow、Keras和Pytorch是目前深度學(xué)習(xí)的主要框架，也是入門深度學(xué)習(xí)必須掌握的三大框架，但是官方文檔相對內(nèi)容較多，初學(xué)者往往無從下手。本人從github里搜到三個(gè)非常不錯(cuò)的學(xué)習(xí)資源，并對資源目錄進(jìn)行翻譯，強(qiáng)烈建議初學(xué)者下載學(xué)習(xí)，這些資源包含了大量的代碼示例（含數(shù)據(jù)集），個(gè)人認(rèn)為，只要把以上資源運(yùn)行一次，不懂的地方查官方文檔，很快就能理解和運(yùn)用這三大框架。

一、TensorFlow

資源地址：

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

資源介紹：

本資源旨在通過示例輕松深入了解TensorFlow。 為了便于閱讀，它包括notebook和帶注釋的源代碼。

它適合想要找到關(guān)于TensorFlow的清晰簡潔示例的初學(xué)者。 除了傳統(tǒng)的“原始”TensorFlow實(shí)現(xiàn)，您還可以找到最新的TensorFlow API實(shí)踐（例如layers,estimator,dataset, ......）。

最后更新（07/25/2018）：添加新示例（GBDT，Word2Vec）和 TF1.9兼容性！ （TF v1.9 +推薦）。

配置環(huán)境：

python 3.6以上，TensorFlow 1.8+

資源目錄：

0 ?- 先決條件

• 機(jī)器學(xué)習(xí)簡介

• MNIST數(shù)據(jù)集簡介

1 ?- 簡介

• Hello World(包含notebook和py源代碼)。非常簡單的例子，學(xué)習(xí)如何使用TensorFlow打印“hello world”。

• 基本操作(包含notebook和py源代碼)。一個(gè)涵蓋TensorFlow基本操作的簡單示例。

• TensorFlow Eager API基礎(chǔ)知識(shí)(包含notebook和py源代碼)。開始使用TensorFlow的Eager API。

2 ?- 基礎(chǔ)模型

• 線性回歸(包含notebook和py源代碼)。使用TensorFlow實(shí)現(xiàn)線性回歸。

• 線性回歸（eager api）(包含notebook和py源代碼)。使用TensorFlow的Eager API實(shí)現(xiàn)線性回歸。

• Logistic回歸(包含notebook和py源代碼)。使用TensorFlow實(shí)現(xiàn)Logistic回歸。

• Logistic回歸（eager api）(包含notebook和py源代碼)。使用TensorFlow的Eager API實(shí)現(xiàn)Logistic回歸。

• 最近鄰(包含notebook和py源代碼)。使用TensorFlow實(shí)現(xiàn)最近鄰算法。

• K-Means(包含notebook和py源代碼)。使用TensorFlow構(gòu)建K-Means分類器。

• 隨機(jī)森林(包含notebook和py源代碼)。使用TensorFlow構(gòu)建隨機(jī)森林分類器。

• Gradient Boosted Decision Tree（GBDT）(包含notebook和py源代碼)。使用TensorFlow構(gòu)建梯度提升決策樹（GBDT）。

• Word2Vec（詞嵌入）(包含notebook和py源代碼)。使用TensorFlow從Wikipedia數(shù)據(jù)構(gòu)建詞嵌入模型（Word2Vec）。

3 ?- 神經(jīng)網(wǎng)絡(luò)

• 監(jiān)督學(xué)習(xí)部分

• 簡單神經(jīng)網(wǎng)絡(luò)(包含notebook和py源代碼)。構(gòu)建一個(gè)簡單的神經(jīng)網(wǎng)絡(luò)（如多層感知器）來對MNIST數(shù)字?jǐn)?shù)據(jù)集進(jìn)行分類。 Raw TensorFlow實(shí)現(xiàn)。

• 簡單神經(jīng)網(wǎng)絡(luò)（tf.layers / estimator api）(包含notebook和py源代碼)。使用TensorFlow'layers'和'estimator'API構(gòu)建一個(gè)簡單的神經(jīng)網(wǎng)絡(luò)（如：Multi-layer Perceptron）來對MNIST數(shù)字?jǐn)?shù)據(jù)集進(jìn)行分類。

• 簡單神經(jīng)網(wǎng)絡(luò)（Eager API）(包含notebook和py源代碼)。使用TensorFlow Eager API構(gòu)建一個(gè)簡單的神經(jīng)網(wǎng)絡(luò)（如多層感知器）來對MNIST數(shù)字?jǐn)?shù)據(jù)集進(jìn)行分類。

• 卷積神經(jīng)網(wǎng)絡(luò)(包含notebook和py源代碼)。構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)以對MNIST數(shù)字?jǐn)?shù)據(jù)集進(jìn)行分類。 Raw TensorFlow實(shí)現(xiàn)。

• 卷積神經(jīng)網(wǎng)絡(luò)（tf.layers / estimator api）(包含notebook和py源代碼)。使用TensorFlow'layers'和'estimator'API構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，對MNIST數(shù)字?jǐn)?shù)據(jù)集進(jìn)行分類。

• 遞歸神經(jīng)網(wǎng)絡(luò)（LSTM）(包含notebook和py源代碼)。構(gòu)建遞歸神經(jīng)網(wǎng)絡(luò)（LSTM）以對MNIST數(shù)字?jǐn)?shù)據(jù)集進(jìn)行分類。

• 雙向LSTM(包含notebook和py源代碼)。構(gòu)建雙向遞歸神經(jīng)網(wǎng)絡(luò)（LSTM）以對MNIST數(shù)字?jǐn)?shù)據(jù)集進(jìn)行分類。

• 動(dòng)態(tài)LSTM(包含notebook和py源代碼)。構(gòu)建一個(gè)遞歸神經(jīng)網(wǎng)絡(luò)（LSTM），執(zhí)行動(dòng)態(tài)計(jì)算以對不同長度的序列進(jìn)行分類。

• 無監(jiān)督

• 自動(dòng)編碼器(包含notebook和py源代碼)。構(gòu)建自動(dòng)編碼器以將圖像編碼為較低維度并重新構(gòu)建它。

• 變分自動(dòng)編碼器（(包含notebook和py源代碼)。構(gòu)建變分自動(dòng)編碼器（VAE），對噪聲進(jìn)行編碼和生成圖像。

• GAN（Generative Adversarial Networks）(包含notebook和py源代碼)。構(gòu)建生成對抗網(wǎng)絡(luò)（GAN）以從噪聲生成圖像。

• DCGAN（Deep Convolutional Generative Adversarial Networks）(包含notebook和py源代碼)。構(gòu)建深度卷積生成對抗網(wǎng)絡(luò)（DCGAN）以從噪聲生成圖像。

4 ?- 工具

• 保存和還原模型(包含notebook和py源代碼)。使用TensorFlow保存和還原模型。

• Tensorboard ?- 圖形和損失可視化(包含notebook和py源代碼)。使用Tensorboard可視化計(jì)算圖并繪制損失。

• Tensorboard ?- 高級(jí)可視化(包含notebook和py源代碼)。深入了解Tensorboard;可視化變量，梯度等......

5 ?- 數(shù)據(jù)管理

• 構(gòu)建圖像數(shù)據(jù)集(包含notebook和py源代碼)。使用TensorFlow數(shù)據(jù)隊(duì)列，從圖像文件夾或數(shù)據(jù)集文件構(gòu)建您自己的圖像數(shù)據(jù)集。

• TensorFlow數(shù)據(jù)集API(包含notebook和py源代碼)。引入TensorFlow數(shù)據(jù)集API以優(yōu)化輸入數(shù)據(jù)管道。

6 ?- 多GPU

• 多GPU的基本操作(包含notebook和py源代碼)。在TensorFlow中引入多GPU的簡單示例。

• 在多GPU上訓(xùn)練神經(jīng)網(wǎng)絡(luò)(包含notebook和py源代碼)。一個(gè)清晰簡單的TensorFlow實(shí)現(xiàn)，用于在多個(gè)GPU上訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)。

數(shù)據(jù)集

• 一些示例需要MNIST數(shù)據(jù)集進(jìn)行訓(xùn)練和測試。官方網(wǎng)站：http://yann.lecun.com/exdb/mnist/

二、Keras

資源地址：

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

資源介紹：

這個(gè)github的repository主要是ErhWen Kuo在學(xué)習(xí)Keras的一些記錄及練習(xí)。希望在學(xué)習(xí)過程中發(fā)現(xiàn)到一些好的信息與示例也可以對想要學(xué)習(xí)使用Keras來解決問題的同學(xué)帶來幫助。這些notebooks主要是使用Python 3.6與Keras 2.1.1版本跑在一臺(tái)配置Nivida 1080Ti的Windows 10的機(jī)臺(tái)所產(chǎn)生的結(jié)果，但有些部份會(huì)參雜一些Tensorflow與其它的函式庫的介紹。

配置環(huán)境：

python 3.6以上，Keras 2.1.1

資源目錄：

0.圖象數(shù)據(jù)集/工具介紹

• 0.0: COCO API解說與簡單示例

• 0.1:土炮自制撲克牌圖象數(shù)據(jù)集

• 0.2:使用Pillow來進(jìn)行圖像處理

1.Keras API示例

• 1.0:使用圖像增強(qiáng)來進(jìn)行深度學(xué)習(xí)

• 1.1:如何使用Keras函數(shù)式API進(jìn)行深度學(xué)習(xí)

• 1.2:從零開始構(gòu)建VGG網(wǎng)絡(luò)來學(xué)習(xí)Keras

• 1.3:使用預(yù)訓(xùn)練的模型來分類照片中的物體

• 1.4:使用圖像增強(qiáng)來訓(xùn)練小數(shù)據(jù)集

• 1.5:使用預(yù)先訓(xùn)練的卷積網(wǎng)絡(luò)模型

• 1.6:卷積網(wǎng)絡(luò)模型學(xué)習(xí)到什么的可視化

• 1.7:構(gòu)建自動(dòng)編碼器（Autoencoder）

• 1.8:序列到序列（Seq-to-Seq）學(xué)習(xí)介紹

• 1.9: One-hot編碼工具程序介紹

• 1.10:循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）介紹

• 1.11: LSTM的返回序列和返回狀態(tài)之間的區(qū)別

• 1.12:用LSTM來學(xué)習(xí)英文字母表順序

2.圖像分類（Image Classification）

• 2.0: Julia（Chars74K）字母圖像分類

• 2.1:交通標(biāo)志圖像分類

• 2.2:辛普森卡通圖像角色分類

• 2.3:時(shí)尚服飾圖像分類

• 2.4:人臉關(guān)鍵點(diǎn)辨識(shí)

• 2.5: Captcha驗(yàn)證碼分類

• 2.6: Mnist手寫圖像分類（MLP）

• 2.7: Mnist手寫圖像分類（CNN）

3.目標(biāo)檢測（Object Recognition）

• 3.0: YOLO目標(biāo)檢測算法概念與介紹

• 3.1: YOLOv2目標(biāo)檢測示例

• 3.2:浣熊（Racoon）檢測-YOLOv2模型訓(xùn)練與調(diào)整

• 3.3:浣熊（Racoon）檢測-YOLOv2模型的使用

• 3.4:袋鼠（Kangaroo）檢測-YOLOv2模型訓(xùn)練與調(diào)整

• 3.5:雙手（Hands）檢測-YOLOv2模型訓(xùn)練與調(diào)整

• 3.6:辛普森卡通圖象角色（Simpson）檢測-YOLOv2模型訓(xùn)練與調(diào)整

• 3.7: MS COCO圖象檢測-YOLOv2模型訓(xùn)練與調(diào)整

4.物體分割（Object Segmentation）

5.關(guān)鍵點(diǎn)檢測（Keypoint Detection）

6.圖象標(biāo)題（Image Caption）

7.人臉檢測識(shí)別（Face Detection/Recognition）

• 7.0:人臉檢測- OpenCV（Haar特征分類器）

• 7.1:人臉檢測- MTCNN（Multi-task Cascaded Convolutional Networks）

• 7.2:人臉識(shí)別-臉部檢測、對齊&裁剪

• 7.3:人臉識(shí)別-人臉部特征提取&人臉分類器

• 7.4:人臉識(shí)別-轉(zhuǎn)換、對齊、裁剪、特征提取與比對

• 7.5:臉部關(guān)鍵點(diǎn)檢測（dlib）

• 7.6:頭部姿態(tài)（Head pose）估計(jì)（dlib）

8.自然語言處理（Natural Language Processing）

• 8.0:詞嵌入（word embeddings）介紹

• 8.1:使用結(jié)巴（jieba）進(jìn)行中文分詞

• 8.2: Word2vec詞嵌入（word embeddings）的基本概念

• 8.3:使用結(jié)巴（jieba）進(jìn)行歌詞分析

• 8.4:使用gensim訓(xùn)練中文詞向量（word2vec）

三、Pytorch

資源地址：

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

資源介紹：

這個(gè)資源為深度學(xué)習(xí)研究人員提供了學(xué)習(xí)PyTorch的教程代碼大多數(shù)模型都使用少于30行代碼實(shí)現(xiàn)。 在開始本教程之前，建議先看完P(guān)ytorch官方教程。

配置環(huán)境：

python 2.7或者3.5以上，pytorch 0.4

資源目錄：

1.基礎(chǔ)知識(shí)

• PyTorch基礎(chǔ)知識(shí)

• 線性回歸

• Logistic回歸

• 前饋神經(jīng)網(wǎng)絡(luò)

2.中級(jí)

• 卷積神經(jīng)網(wǎng)絡(luò)

• 深度殘差網(wǎng)絡(luò)

• 遞歸神經(jīng)網(wǎng)絡(luò)

• 雙向遞歸神經(jīng)網(wǎng)絡(luò)

• 語言模型（RNN-LM）

3.高級(jí)

• 生成性對抗網(wǎng)絡(luò)

• 變分自動(dòng)編碼器

• 神經(jīng)風(fēng)格轉(zhuǎn)移

• 圖像字幕（CNN-RNN）

4.工具

• PyTorch中的TensorBoard

?總結(jié)

TensorFlow、Keras和Pytorch是目前深度學(xué)習(xí)的主要框架，也是入門深度學(xué)習(xí)必須掌握的三大框架，但是官方文檔相對內(nèi)容較多，初學(xué)者往往無從下手。本人從github里搜到三個(gè)非常不錯(cuò)的學(xué)習(xí)資源，并對資源目錄進(jìn)行翻譯，強(qiáng)烈建議初學(xué)者下載學(xué)習(xí)，這些資源包含了大量的代碼示例（含數(shù)據(jù)集），個(gè)人認(rèn)為，只要把以上資源運(yùn)行一次，不懂的地方查官方文檔，很快就能理解和運(yùn)用這三大框架。

作者：黃海廣

請關(guān)注和分享↓↓↓?

機(jī)器學(xué)習(xí)初學(xué)者

QQ群：774999266或者654173748（二選一）

往期精彩回顧

• 機(jī)器學(xué)習(xí)簡易入門-附推薦學(xué)習(xí)資料

• 機(jī)器學(xué)習(xí)初學(xué)者公眾號(hào)下載資源匯總（一）
  

• 黃海廣博士的github鏡像下載（機(jī)器學(xué)習(xí)及深度學(xué)習(xí)資源）

• 吳恩達(dá)老師的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)課程筆記打印版
  

• 機(jī)器學(xué)習(xí)小抄-（像背托福單詞一樣理解機(jī)器學(xué)習(xí)）

• 首發(fā)：深度學(xué)習(xí)入門寶典-《python深度學(xué)習(xí)》原文代碼中文注釋版及電子書

• 科研工作者的神器-zotero論文管理工具

• 機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)

• 機(jī)器學(xué)習(xí)必備寶典-《統(tǒng)計(jì)學(xué)習(xí)方法》的python代碼實(shí)現(xiàn)、電子書及課件

總結(jié)

以上是生活随笔為你收集整理的强烈推荐的TensorFlow、Pytorch和Keras的样例资源（深度学习初学者必须收藏）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。