英语不行?你可以试试 TensorFlow 官方中文版教程

现在 TensorFlow 有官方中文版教程啦,以前的英文版 Tutorials 有了对应的中文翻译。各位还在 TensorFlow 门前徘徊的开发者们,现在可以对着中文教程学习各种流行模型啦。

TensorFlow 最近提供了官方中文版教程(Tutorials)和中文版指南(Guide)。其中教程主要介绍了 TensorFlow 的基本概念,以及各种基础模型的简单实现方法,这些模型基本上都是用 Keras 等易于理解的高阶 API 完成。而指南则深入介绍了 TensorFlow 的工作原理,包括高阶 API、Estimator、低阶 API 和 TensorBoard 等。

项目地址:https://tensorflow.google.cn/tutorials/?hl=zh-cn

中文版教程

TensorFlow 是一个用于研究和生产的开放源代码机器学习库。TensorFlow 提供了各种 API,可供初学者和专家在桌面、移动、网络和云端环境下进行开发。而中文版教程的目的是希望能为初学者提供了解及入门 TensorFlow 的知识,包括用 Keras 实现最基本的分类和回归模型、使用 Eager Execution 构建定制化神经网络、使用 Estimator 构建大规模机器学习等。

如上展示了 TensorFlow 第一步学习的一些内容,其中第一个基本分类介绍了如何使用全连接网络处理 Fashion-MNIST 数据集,这一教程完整地介绍了 TensorFlow 的主要流程,剩下的 4 个初步教程也会一步步教你怎样使用它。

除了入门的 Keras,用于研究的 Eager Execution 和用于大规模训练的 Estimator 也都有中文介绍。不过它们同样会提供一些 Github 项目,这些项目大多数还都是保留英文,这两部分只有介绍性的文章会提供中文。

后面剩下的就是大量前沿模型了,这些模型很多都提供的是对应 Github 地址或 Colab 教程地址,因此它们大部分也都是英文的,不过既然入了门,再理解这些模型也就没问题了。总体而言,这些教程可以分为生成模型、视觉模型、序列模型和数据表征等 18 种模型。

最后,教程部分还提供了后续学习计划,包括详细了解 TensorFlow 和机器学习两部分。其中 TensorFlow 提供了指南、TensorFlow.js 和 TFLite 等学习路径,机器学习提供了 CS231n、机器学习速成课程、CS 20 等课程推荐。

中文指南

如果读者本来就有比较好的基础,那么我们在实践中可能会遇到具体的问题,例如调用 TPU、使用静态计算图、或者使用 TensorBoard 进行可视化等。当遇到这些特定问题时,我们可以查阅查阅 TensorFlow 指南,它可能会提供详细的介绍。

中文指南主要分为以下部分,这些内容都有中文介绍,所以阅读性还是挺高的。

高阶 API

  • Keras:用于构建和训练深度学习模型的 TensorFlow 高阶 API。

  • Eager Execution:一个以命令方式编写 TensorFlow 代码的 API,就像使用 NumPy 一样。

  • Estimator:一个高阶 API,可以提供已准备好执行大规模训练和生产的完全打包的模型。

  • 导入数据:简单的输入管道,用于将您的数据导入 TensorFlow 程序。

Estimator

  • Estimator:了解如何将 Estimator 用于机器学习

  • 预创建的 Estimator:预创建的 Estimator 的基础知识。

  • 检查点:保存训练进度并从您停下的地方继续。

  • 特征列:在不对模型做出更改的情况下处理各种类型的输入数据。

  • Estimator 的数据集:使用 tf.data 输入数据。

  • 创建自定义 Estimator:编写自己的 Estimator。

加速器

  • 使用 GPU:介绍了 TensorFlow 如何将操作分配给设备,以及如何手动更改此类分配。

  • 使用 TPU:介绍了如何修改 Estimator 程序以便在 TPU 上运行。

低阶 API

  • 简介:介绍了如何使用高阶 API 之外的低阶 TensorFlow API 的基础知识。

  • 张量:介绍了如何创建、操作和访问张量TensorFlow 中的基本对象)。

  • 变量:详细介绍了如何在程序中表示共享持久状态。

  • 数据流图:这是 TensorFlow 将计算表示为操作之间的依赖关系的一种表示法。

  • 会话:TensorFlow 跨一个或多个本地或远程设备运行数据流图的机制。如果您使用低阶 TensorFlow API 编程,请务必阅读并理解本单元的内容。如果您使用高阶 TensorFlow API(例如 Estimator 或 Keras)编程,则高阶 API 会为您创建和管理图和会话,但是理解图和会话依然对您有所帮助。

  • 保存和恢复:介绍了如何保存和恢复变量及模型。

工程教程TensorFlow
6
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

TensorBoard技术

一个信息中心,用于显示在执行一个或多个 TensorFlow 程序期间保存的摘要信息。

TensorFlow技术

TensorFlow是一个开源软件库,用于各种感知和语言理解任务的机器学习。目前被50个团队用于研究和生产许多Google商业产品,如语音识别、Gmail、Google 相册和搜索,其中许多产品曾使用过其前任软件DistBelief。

张量技术

张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数,这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 维空间内,有 个分量的一种量,其中每个分量都是坐标的函数,而在坐标变换时,这些分量也依照某些规则作线性变换。称为该张量的秩或阶(与矩阵的秩和阶均无关系)。 在数学里,张量是一种几何实体,或者说广义上的“数量”。张量概念包括标量、矢量和线性算子。张量可以用坐标系统来表达,记作标量的数组,但它是定义为“不依赖于参照系的选择的”。张量在物理和工程学中很重要。例如在扩散张量成像中,表达器官对于水的在各个方向的微分透性的张量可以用来产生大脑的扫描图。工程上最重要的例子可能就是应力张量和应变张量了,它们都是二阶张量,对于一般线性材料他们之间的关系由一个四阶弹性张量来决定。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

生成模型技术

在概率统计理论中, 生成模型是指能够随机生成观测数据的模型,尤其是在给定某些隐含参数的条件下。 它给观测值和标注数据序列指定一个联合概率分布。 在机器学习中,生成模型可以用来直接对数据建模(例如根据某个变量的概率密度函数进行数据采样),也可以用来建立变量间的条件概率分布。

推荐文章
暂无评论
暂无评论~