Kaynak: Pantron AI
Yazar: AI small Xin
Editör: Craig
Xin Zhiyuan Rehberi Bu makale Tensorflow'un herkes için saf kuru gıda öğrenme kaynaklarını üç bölüme ayırarak özetleyecektir: yeni başlayanların öğrenmesi için çok uygun olan öğreticiler, videolar ve projeler. Bunları toplamanız önerilir.
1) Tensorflow öğreticisi ve yeni başlayanlar için uygun kod örnekleri: (https://github.com/aymericdamien/TensorFlow-Examples) Bu eğitim yalnızca bazı klasik veri kümeleri sağlamakla kalmaz, aynı zamanda "Merhaba Dünya" nın en basit uygulamasıyla başlar , Makine öğreniminin klasik algoritmalarına ve daha sonra yaygın olarak kullanılan sinir ağları modellerine kadar, sizi girişten uzmanlığa adım adım götürecektir.Tensorflow'u öğrenmeye yeni başlayanlar için en iyi eğitimdir.
2) Tensorflow temel bilgisinden ilginç proje uygulamalarına: (https://github.com/pkmital/tensorflow_tutorials) aynı zamanda kurulumdan proje savaşına kadar acemiler için uygun bir eğitimdir, size kendi sinir ağınızı kurmayı öğretir.
3) Jupyter Notebook ile çalışan TensorFlow öğreticisi: (https://github.com/sjchoi86/Tensorflow-101) Bu eğitim, Jupyter Notebook geliştirme ortamına dayalı bir Tensorflow eğitimidir. Jupyter Notebook, kullanımı çok kolay bir interaktif geliştirme aracıdır , Yalnızca 40'tan fazla programlama dilini desteklemekle kalmaz, aynı zamanda makine öğrenimi, istatistiksel modelleme, veri işleme, özellik çıkarma ve diğer alanlar için uygun olan gerçek zamanlı olarak kod çalıştırabilir, belgeleri paylaşabilir, veri görselleştirme, destek indirimi vb.
4) İlk TensorFlow Android uygulamanızı oluşturun: (https://omid.al/posts/2017-02-20-Tutorial-Build-Your-First-Tensorflow-Android-App.html) Bu eğitim yardımcı olabilir Tensorflow modelini Android uygulamanıza sıfırdan tanıtıyorsunuz.
5) Tensorflow kod alıştırması:
(https://github.com/terryum/TensorFlow_Exercises) Kolaydan zora Tensorflow kod alıştırmaları için bir kılavuz. Tensorflow'u öğrenen arkadaşlar için çok uygun.
Sonra, Tensorflow için bazı iyi video eğitimleri öneriyorum:
1) TF Girls eğitim rehberi:
(https://www.youtube.com/watchv=TrWqRMJZU8Alist=PLwY2GJhAPWRcZxxVFpNhhfivuW0kX15yGindex=2) Sıfırdan bir Tensorflow video kursu. Kurs temel ve giriş niteliğindedir, ancak bilgi noktaları çok ayrıntılıdır.
2) Tensorflow açık sınıf:
(https://www.youtube.com/watchv=eAtGqz8ytOIlist=PLjSwXXbVlK6IHzhLOMpwHHLjYmINRstrk) Çok iyi bir kurs, herkese tavsiye ederim.
3) Elbette, Tayvan Ulusal Üniversitesi Li Hongyi öğreticisinin derin öğrenme kursu da herkese tavsiye etmeye değer: https://link.zhihu.com/?target=https%3A//www.bilibili.com/video/av9770302/
4) İyi İngilizceye sahip arkadaşlar, yabancı büyük inekler için bazı İngilizce kursları da önerir: https://www.youtube.com/watch?v=vq2nnJ4g6N0; https: // www.youtube.com/watch?v=GZBIPwdGtkkfeature=youtu.belist=PLBkISg6QfSX9HL6us70IBs9slFciFFa4W
5) Tanıtılan bu kadar çok kurs varken, Stanford Üniversitesi kurslarının Tensorflow serisini nasıl kaçırabilirsiniz! ! ! Söyleyecek fazla bir şey yok, sadece şu bağlantıya gidin: https://www.youtube.com/watch?v=g-EvyKpZjmQindex=1list=PLIDllPt3EQZoS8gCP3cw273Cq9puuPLTg Kurs ana sayfası: Kursun tüm ppt ve notlarının adresini indirin: https://pan.baidu.com/s/1o8uOQpW tabii ki gerçek savaşla ilgili github adresi: chiphuyen / tf-stanford-tutorials
6) Son olarak, Google Dad'ın Tensorflow'un resmi web sitesinde yayınladığı eğitici videoyu nasıl unutabilirim. Bu, Tensorflow genç öğrenim ortakları için herkesin hızlı bir şekilde başlamasına yardımcı olacak çok iyi bir kurs setidir: https://developers.google.cn / makine öğrenimi / hızlandırılmış kurs /
Peki, yukarıdaki kaynak dokümanlar ve video eğitimleri sayesinde, herkesin Tensorflow için sağlam bir temeli var. Sonra, kendimi geliştirmek için bazı üst düzey fiili savaş projeleri yapmalı mıyım? Bundan sonra, herkese bazı gerçek proje kaynakları öneriyorum:
1) Alex Graves kağıtlarının rastgele el yazısı oluşturma uygulaması örneği: https://github.com/hardmaru/write-rnn-tensorflow
2) Tensorflow tabanlı rakip metinden görüntü sentezine nesil oluşturma: Aşağıdaki şekilde gösterildiği gibi https://github.com/zsdonghao/text-to-image. Bu proje Tensorflow'un DCGAN modeline dayanmaktadır. Karşıt metin oluşturmadan Görüntü sentezi.
3) Dikkat temelli resim yazısı oluşturucu:
https://github.com/yunjey/show-attend-and-tell. Bu model, dikkati temel alan bir görüntü başlığı üreteci sunar. Dikkatinizi resmin ilgili kısmına çevirebilir ve her kelimeyi aynı anda üretebilirsiniz.
4) Sinir ağı gri görüntüyü renklendirme:
https://github.com/pavelgonchar/colornet, gri tonlamalı görüntüleri renklendirmek için sinir ağlarını kullanan çok ilginç ve yaygın olarak kullanılan bir projedir.
5) Facebook'ta FastText'e dayalı basit bir gömülü metin sınıflandırıcı: https://github.com/apcode/tensorflow_fasttext. Bu proje Facebook'taki FastText fikrinden türetilmiş ve Tensorflow'da uygulanmıştır. FastText, metin sınıflandırması ve karakterizasyon öğrenimi için basit ve verimli bir yöntem sağlayan hızlı bir metin sınıflandırıcıdır.
6) "Cümle sınıflandırmasına dayalı evrişimli sinir ağını" uygulamak için Tensorflow'u kullanın: https://github.com/dennybritz/cnn-text-classification-tf
7) TensorFlow sinir ağını eğitmek için OpenStreetMap işlevini ve uydu görüntüsünü kullanın: https://github.com/jtoy/awesome-tensorflow Bu proje, sinir ağını eğitmek için OpenStreetMap (OSM) verilerini kullanır ve ardından uydu görüntüsündeki özellikleri sınıflandırır.
8) YOLO'yu uygulamak için Tenflow'u kullanın: "gerçek zamanlı nesne algılama" ve mobil cihazlarda gerçek zamanlı olarak çalışan küçük bir projeyi destekleyin. Https://github.com/thtrieu/darkflow, bilgisayar görüşü alanındaki araştırmacılar için en iyi avantajdır.
Sonunda yazılı: Yukarıdakiler iyi olduğunu düşündüğüm Tensorflow projelerinden bazıları. Bu durumları kendiniz uygulayabilir ve her projenin ilkelerini anlarsanız, Tensorflow ve derin öğrenmeyi iyi anladığınıza inanıyorum. Son olarak, acemilerin öğrenmesi için uygun birkaç Tensorflow kitabı öneriyorum:
1) "Tensorflow: Pratik Google Derin Öğrenme Çerçevesi" : Electronics Industry Press tarafından yayınlanan bu Google Tensorflow pratik kitabı, en eski Tensorflow kitaplarından biridir. İçerik özel bir sistem olmasa da CNN ve RNN'nin tanıtımı yeterince spesifik değildir ve derin pekiştirmeli öğrenmenin içeriğini içermemektedir, ancak kitaptaki temel bilgilerin anlaşılması kolaydır ve görselleştirme aracı TensorBoard ve dağıtılmış hızlandırma eklenmiştir. Bölümler, bu kitabın genel değerlendirmesine çok şey katıyor. Yazarın hala daha dikkatli olduğu ve istasyonun derin öğrenme ve Tensorflow bilgilerini yeni başlayanların bakış açısından açıklayabildiği görülebilir.
2) "Tensorflow Makine Öğrenimi Uygulama Kılavuzu": Bu kitap, kıdemli veri bilimcisi Nick McClure tarafından yazılmış bir Tensorflow pratik kitabıdır. Bu kitabın özelliği, ilgili kodu daha sonra uygulayabilmeniz için her bölümün ilkelerin küçük bir kısmından bahsetmesidir. Prensip kısmı çok detaylı olmasa da kod kısmı detaylandırılmıştır.Makine öğreniminden derin öğrenme algoritmalarına kadar yazar kodun her bir bölümünü çok detaylı bir şekilde açıklamaktadır. El ile kod yazmayı sevenler için bu kitap özellikle tavsiye edilir.
3) "Yerel Derin Öğrenme ve TensorFlow": Son olarak, "Vernacular Deep Learning and TensorFlow" adlı bir kitap öneriyorum. Daha önce yazarın "Yerel Büyük Veri ve Makine Öğrenimi" ni okudum.Yazarın yazı stilini çok beğeniyorum. Kitapta, derin öğrenmenin birçok matematiksel formülü ve ilkesi, Xiaobai'nin öğrenmesine uygun bir kitap olan yerel dil ile anlatılıyor. Ama tam da yazarın yazı stilinden dolayı kitapta çok titiz olmayan pek çok yer var; ayrıca kod yeterince ayrıntılı değil, yapıştırma ve kopyanın tüm uzunluğu, kod kısmı okuyucuya pek dostane değil.
(Bu makale Pan Chuang AI: xunixs yetkisiyle çoğaltılmıştır)
Topluluğa katıl
Xinzhiyuan AI teknolojisi + endüstri topluluğu işe alımı, AI teknolojisi + endüstri inişiyle ilgilenen öğrencilere hoş geldiniz, gruba katılmak için küçük bir asistan WeChat hesabı ekleyin: aiera2015_1; incelemeyi geçtikten sonra, topluluğa katıldıktan sonra gruba katılmaya davet edeceğiz, grubu değiştirdiğinizden emin olun Açıklamalar (isim-şirket-pozisyon; profesyonel grup incelemesi katıdır, lütfen anlayın).