TensorFlow2.0 正式版已發(fā)布一段時間，但目前系統(tǒng)性的相關(guān)教程還不夠多。這個登上 GitHub 趨勢榜的項目今日已獲得 700 多贊，內(nèi)容簡單易懂，適合初學者和遷移到 tf2.0 的開發(fā)者使用。

深度學習中繞不開的便是對算法框架的實際使用了。如果沒有嫻熟的工程實踐能力，很多優(yōu)秀的算法設(shè)計就無法真正使用。TensorFlow 2.0 正式版已發(fā)布了一段時間，然而過去使用 TensorFlow1.x 版本的開發(fā)者擔心兩個版本之間的差距過大以至于無法遷移已有的經(jīng)驗，剛?cè)腴T深度學習的人則因為 TensorFlow 那不友好的 API 和設(shè)計邏輯而望而卻步。

近日，GitHub 日趨勢榜上出現(xiàn)了這樣一個中文開源項目。它基于 TensorFlow2.0 框架，有配套學習的書、代碼和視頻課程，非常適合希望了解 tf2.0 的開發(fā)者學習參考。

目前該項目已獲得了 1000 多的點贊量，登上了 GitHub 熱榜，僅在今天項目就獲得 700 多贊。

 

 

項目地址：https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book

該項目作者為 Jackie Loong(龍良曲)，曾為新加坡國立大學助理研究員，有 8 年的人工智能算法經(jīng)驗，在 AAAI 會議上發(fā)表過多篇論文。從他的 GitHub 主頁上來看，這位開發(fā)者參與了很多深度學習相關(guān)的教程項目的工作。

 

 

本項目提供了電子版的《TensorFlow 2.0 深度學習開源書》，同時按照章節(jié)在每個文件夾中提供了源代碼。你只需要下載書籍，并根據(jù)內(nèi)容和源代碼進行學習即可。

從章節(jié)劃分上來看，本書一共分為 15 個章節(jié)。首先本書會介紹人工智能的發(fā)展歷史，然后從第二章開始介紹回歸，隨后還有分類、TensorFlow 基礎(chǔ)和進階操作、神經(jīng)網(wǎng)絡(luò)等知識。在第 10 章以后，書還會介紹包括 CNN、RNN/LSTM、自編碼器、GAN 及其變體等多個架構(gòu)，內(nèi)容很豐富。

以下為章節(jié)目錄：

 

 

 

 

 

 

代碼部分，目前作者已整理出了除第 4 章以外的大部分代碼，目前整理工作還在進行中。

以自編碼器的代碼為例，作者在 py 文件中詳細寫出了網(wǎng)絡(luò)的架構(gòu)：

class AE(keras.Model):

def __init__(self):
super(AE, self).__init__()

# Encoders
self.encoder = Sequential([
layers.Dense(256, activation=tf.nn.relu),
layers.Dense(128, activation=tf.nn.relu),
layers.Dense(h_dim)
])

# Decoders
self.decoder = Sequential([
layers.Dense(128, activation=tf.nn.relu),
layers.Dense(256, activation=tf.nn.relu),
layers.Dense(784)
])

def call(self, inputs, training=None):
# [b, 784] => [b, 10]
h = self.encoder(inputs)
# [b, 10] => [b, 784]
x_hat = self.decoder(h)

return x_hat

同時，每個 py 文件不僅僅只有示例代碼。從代碼來看，這些 py 文件實際上都是可以直接運行的，以下便是自編碼器文件中執(zhí)行模型訓練的代碼：

model = AE()
model.build(input_shape=(None, 784))
model.summary()

optimizer = tf.optimizers.Adam(lr=lr)

for epoch in range(100):

for step, x in enumerate(train_db):

#[b, 28, 28] => [b, 784]
x = tf.reshape(x, [-1, 784])

with tf.GradientTape() as tape:
x_rec_logits = model(x)

rec_loss = tf.losses.binary_crossentropy(x, x_rec_logits, from_logits=True)
rec_loss = tf.reduce_mean(rec_loss)

grads = tape.gradient(rec_loss, model.trainable_variables)
optimizer.apply_gradients(zip(grads, model.trainable_variables))

if step % 100 ==0:
print(epoch, step, float(rec_loss))

這樣一來，即使沒有編程經(jīng)驗的初學者也可以先跑通代碼，理解原理后再嘗試自行編程。

除了這些資源外，作者還貼出了一個 tf2.0 實戰(zhàn)案例的項目庫，開發(fā)者可配合使用。

項目地址：https://github.com/dragen1860/TensorFlow-2.x-Tutorials

標簽： TensorFlow  深度學習

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。