Примеры TensorFlow

Этот учебник предназначен для лёгкого погружения в TensorFlow через примеры. Для удобства восприятия он включает как блокноты, так и исходные коды с объяснениями.

Он подходит для начинающих, которые хотят найти понятные и краткие примеры о TensorFlow. Помимо традиционных «сырых» реализаций TensorFlow, вы также можете найти последние практики API TensorFlow (такие как layers, estimator, dataset и т. д.).

Обновление (25.07.2018): добавлены новые примеры (GBDT, Word2Vec) + совместимость с TF1.9! (Рекомендуется использовать TF версии 1.9 и выше).

Если вы используете более старую версию TensorFlow (0.11 и ниже), пожалуйста, взгляните сюда.

Содержание учебника

0 — Предварительные требования

• Введение в машинное обучение.
• Знакомство с набором данных MNIST.

1 — Введение

• Hello World (блокнот) (код). Простой пример, чтобы узнать, как напечатать «hello world» с помощью TensorFlow.
• Основные операции (блокнот) (код). Простой пример, который охватывает основные операции TensorFlow.
• Основы Eager API TensorFlow (блокнот) (код). Начало работы с Eager API TensorFlow.

2 — Основные модели

• Линейная регрессия (блокнот) (код). Реализация линейной регрессии с TensorFlow.
• Логистическая регрессия (блокнот) (код). Реализация логистической регрессии с TensorFlow. Построение классификатора случайного леса с помощью TensorFlow

Gradient Boosted Decision Tree (GBDT)

Построить дерево принятия решений с градиентным усилением (GBDT) с помощью TensorFlow.

Построение модели Word Embedding (Word2Vec) на основе данных из Википедии с использованием TensorFlow

Нейронные сети

Контролируемые

• Простая нейронная сеть Построить простую нейронную сеть (также известную как многослойный персептрон) для классификации набора данных MNIST. Реализация TensorFlow без дополнительных библиотек.

• Простая нейронная сеть (tf.layers/estimator api) Использовать API TensorFlow «layers» и «estimator» для построения простой нейронной сети (многослойного персептрона) для классификации набора данных MNIST.

• Простая нейронная сеть (eager api) Использовать Eager API TensorFlow для построения простой нейронной сети (многослойный персептрон) для классификации набора данных MNIST.

• Свёрточная нейронная сеть Построить свёрточную нейронную сеть для классификации набора данных MNIST. Реализация TensorFlow без дополнительных библиотек.

• Свёрточная нейронная сеть (tf.layers/estimator api) Использовать API TensorFlow «layers» и «estimator» для построения свёрточной нейронной сети для классификации набора данных MNIST.

• Рекуррентная нейронная сеть (LSTM) Построить рекуррентную нейронную сеть (LSTM) для классификации набора данных MNIST.

• Двунаправленная рекуррентная нейронная сеть (LSTM) Построить двунаправленную рекуррентную нейронную сеть (LSTM) для классификации набора данных MNIST. Реализация TensorFlow для обучения свёрточной нейронной сети на нескольких GPU: чёткая и простая

Dataset

Для некоторых примеров требуется набор данных MNIST для обучения и тестирования. Не беспокойтесь, этот набор данных будет автоматически загружен при запуске примеров. MNIST — это база данных рукописных цифр. Краткое описание этого набора данных можно найти в этой записной книжке.

Официальный сайт: http://yann.lecun.com/exdb/mnist/

Установка

Чтобы загрузить все примеры, просто клонируйте этот репозиторий:

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

Чтобы запустить их, вам также понадобится последняя версия TensorFlow. Чтобы установить его:

pip install tensorflow

или (если вам нужна поддержка GPU):

pip install tensorflow_gpu

Более подробную информацию об установке TensorFlow можно найти в Руководстве по установке TensorFlow.

Дополнительные примеры

Следующие примеры взяты из TFLearn, библиотеки, которая предоставляет упрощённый интерфейс для TensorFlow. Вы можете посмотреть, там есть много примеров и готовых операций и слоёв.

Учебники

• Быстрый старт TFLearn. Изучите основы TFLearn на конкретном примере задачи машинного обучения. Создайте и обучите классификатор глубокой нейронной сети.

Примеры

• Примеры TFLearn. Большая коллекция примеров использования TFLearn.