本教程旨在通过示例轻松深入了解 TensorFlow。为了便于阅读，它包括 TF v1 和 v2 的笔记本和带有解释的源代码。
它适合想要找到有关 TensorFlow 的清晰简洁示例的初学者。除了传统的“原始” TensorFlow实现之外，您还可以找到最新的 TensorFlow API 实践（例如layers、、、...）。estimatordataset
更新（05/16/2020）：将所有默认示例移至 TF2。对于 TF v1 示例：请查看此处。
- 线性回归（笔记本）。使用 TensorFlow 2.0+ 实现线性回归。
- 逻辑回归（笔记本）。使用 TensorFlow 2.0+ 实现逻辑回归。
- Word2Vec（词嵌入）（笔记本）。使用 TensorFlow 2.0+ 从维基百科数据构建词嵌入模型 (Word2Vec)。
- GBDT（梯度提升决策树）（笔记本）。使用 TensorFlow 2.0+ 实现梯度提升决策树，以使用 Boston Housing 数据集预测房屋价值。
- 简单神经网络（笔记本）。使用 TensorFlow 2.0“层”和“模型”API 构建一个简单的神经网络来对 MNIST 数字数据集进行分类。
- 简单神经网络（低级）（笔记本）。用于对 MNIST 数字数据集进行分类的简单神经网络的原始实现。
- 卷积神经网络（笔记本）。使用 TensorFlow 2.0+“层”和“模型”API 构建卷积神经网络来对 MNIST 数字数据集进行分类。
- 卷积神经网络（低级）（笔记本）。用于对 MNIST 数字数据集进行分类的卷积神经网络的原始实现。
- 递归神经网络（LSTM）（笔记本）。使用 TensorFlow 2.0“层”和“模型”API 构建循环神经网络 (LSTM) 对 MNIST 数字数据集进行分类。
- 双向循环神经网络（LSTM）（笔记本）。使用 TensorFlow 2.0+“层”和“模型”API 构建双向循环神经网络 (LSTM) 以对 MNIST 数字数据集进行分类。
- 动态循环神经网络（LSTM）（笔记本）。使用 TensorFlow 2.0+“层”和“模型”API 构建一个循环神经网络 (LSTM)，执行动态计算以对可变长度的序列进行分类。
- 保存和恢复模型（笔记本）。使用 TensorFlow 2.0+ 保存和恢复模型。
- 构建自定义层和模块（笔记本）。了解如何构建您自己的层/模块并将其集成到 TensorFlow 2.0+ 模型中。
- 张量板（笔记本）。使用 TensorFlow 2.0+ 张量板跟踪和可视化神经网络计算图、指标、权重等。
- 加载和解析数据（笔记本）。使用 TensorFlow 2.0 构建高效的数据管道（Numpy 数组、图像、CSV 文件、自定义数据等）。
- 构建并加载 TFRecords（笔记本）。将数据转换为 TFRecords 格式，并使用 TensorFlow 2.0+ 加载它们。
- 图像变换（即图像增强）（笔记本）。通过 TensorFlow 2.0+ 应用各种图像增强技术，生成用于训练的扭曲图像。
- 多 GPU 训练（笔记本）。在 CIFAR-10 数据集上训练具有多个 GPU 的卷积神经网络。
TF v1 的教程索引可在此处找到：TensorFlow v1.15 Examples。或者参见下面的示例列表。
一些示例需要 MNIST 数据集进行训练和测试。不用担心，运行示例时会自动下载该数据集。 MNIST 是一个手写数字数据库，要快速描述该数据集，您可以查看此笔记本。
官方网站： http: //yann.lecun.com/exdb/mnist/。
要下载所有示例，只需克隆此存储库：
git clone https://github.com/aymericdamien/TensorFlow-Examples
要运行它们，您还需要最新版本的 TensorFlow。要安装它：
pip install tensorflow
或（需要 GPU 支持）：
pip install tensorflow_gpu
有关TensorFlow安装的更多详细信息，可以查看TensorFlow安装指南
TF v1 的教程索引可在此处找到：TensorFlow v1.15 Examples。
- 你好世界（笔记本）（代码）。非常简单的示例，了解如何使用 TensorFlow 打印“hello world”。
- 基本操作（笔记本）（代码）。一个涵盖 TensorFlow 基本操作的简单示例。
- TensorFlow Eager API 基础知识（笔记本）（代码）。开始使用 TensorFlow 的 Eager API。
- 线性回归（笔记本）（代码）。使用 TensorFlow 实现线性回归。
- 线性回归（eager api）（笔记本）（代码）。使用 TensorFlow 的 Eager API 实现线性回归。
- 逻辑回归（笔记本）（代码）。使用 TensorFlow 实现逻辑回归。
- 逻辑回归（eager api）（笔记本）（代码）。使用 TensorFlow 的 Eager API 实现逻辑回归。
- 最近邻（笔记本）（代码）。使用 TensorFlow 实现最近邻算法。
- K-Means（笔记本）（代码）。使用 TensorFlow 构建 K-Means 分类器。
- 随机森林（笔记本）（代码）。使用 TensorFlow 构建随机森林分类器。
- 梯度提升决策树（GBDT）（笔记本）（代码）。使用 TensorFlow 构建梯度提升决策树 (GBDT)。
- Word2Vec（词嵌入）（笔记本）（代码）。使用 TensorFlow 从维基百科数据构建词嵌入模型 (Word2Vec)。
- 简单神经网络（笔记本）（代码）。构建一个简单的神经网络（又名多层感知器）来对 MNIST 数字数据集进行分类。原始 TensorFlow 实现。
- 简单神经网络（tf.layers/estimator api）（笔记本）（代码）。使用 TensorFlow“层”和“估计器”API 构建一个简单的神经网络（又名多层感知器）来对 MNIST 数字数据集进行分类。
- 简单神经网络（eager api）（笔记本）（代码）。使用 TensorFlow Eager API 构建一个简单的神经网络（又名多层感知器）来对 MNIST 数字数据集进行分类。
- 卷积神经网络（笔记本）（代码）。构建卷积神经网络对 MNIST 数字数据集进行分类。原始 TensorFlow 实现。
- 卷积神经网络（tf.layers/estimator api）（笔记本）（代码）。使用 TensorFlow“层”和“估计器”API 构建卷积神经网络来对 MNIST 数字数据集进行分类。
- 递归神经网络（LSTM）（笔记本）（代码）。构建循环神经网络 (LSTM) 对 MNIST 数字数据集进行分类。
- 双向循环神经网络（LSTM）（笔记本）（代码）。构建双向循环神经网络 (LSTM) 对 MNIST 数字数据集进行分类。
- 动态循环神经网络（LSTM）（笔记本）（代码）。构建一个循环神经网络 (LSTM)，执行动态计算以对不同长度的序列进行分类。
- 自动编码器（笔记本）（代码）。构建一个自动编码器将图像编码到较低维度并重新构建它。
- 变分自动编码器（笔记本）（代码）。构建变分自动编码器 (VAE)，对噪声进行编码并生成图像。
- GAN（生成对抗网络）（笔记本）（代码）。构建生成对抗网络 (GAN) 以从噪声中生成图像。
- DCGAN（深度卷积生成对抗网络）（笔记本）（代码）。构建深度卷积生成对抗网络 (DCGAN) 以从噪声中生成图像。
- 保存和恢复模型（笔记本）（代码）。使用 TensorFlow 保存和恢复模型。
- Tensorboard - 图形和损失可视化（笔记本）（代码）。使用 Tensorboard 可视化计算图并绘制损失。
- Tensorboard - 高级可视化（笔记本）（代码）。深入 Tensorboard；可视化变量、梯度等等...
- 构建图像数据集（笔记本）（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（笔记本）（代码）。引入 TensorFlow Dataset API 用于优化输入数据管道。
- 加载和解析数据（笔记本）。构建高效的数据管道（Numpy 数组、图像、CSV 文件、自定义数据……）。
- 构建并加载 TFRecords（笔记本）。将数据转换为 TFRecords 格式并加载。
- 图像变换（即图像增强）（笔记本）。应用各种图像增强技术，生成用于训练的扭曲图像。
- 多 GPU 上的基本操作（笔记本）（代码）。在 TensorFlow 中引入多 GPU 的简单示例。
- 在多 GPU（笔记本）上训练神经网络（代码）。清晰简单的 TensorFlow 实现，用于在多个 GPU 上训练卷积神经网络。
以下示例来自TFLearn，这是一个为 TensorFlow 提供简化界面的库。你可以看一下，有很多例子和预建的操作和图层。
- TFLearn 快速入门。通过具体的机器学习任务了解 TFLearn 的基础知识。构建并训练深度神经网络分类器。
- TFLearn 示例。使用 TFLearn 的大量示例。
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent