TensorFlow 教程

GitHub 上的原始仓库

原作者是 Magnus Erik Hvass Pedersen

简介

• 本系列教程面向深度学习和 TensorFlow 的初学者。
• 每个教程专注于一个主题。
• 源代码有良好的注释说明。
• 每个教程都配有 YouTube 视频。

针对 TensorFlow 2 的教程

以下教程已更新，可在 TensorFlow 2 中运行 （部分教程以“v.1 兼容模式”运行）。

1. 简单线性模型 (Notebook) (Google Colab)

2. 卷积神经网络 (Notebook) (Google Colab)

3-C. Keras API (Notebook) (Google Colab)

10. 微调 (Notebook) (Google Colab)

13-B. MNIST 数据集的可视化分析 (Notebook) (Google Colab)

16. 强化学习 (Notebook) (Google Colab)

17. 超参数优化 (Notebook) (Google Colab)

18. 自然语言处理 (Notebook) (Google Colab)

19. 机器翻译 (Notebook) (Google Colab)

20. 图像字幕生成 (Notebook) (Google Colab)

21. 时间序列预测 (Notebook) (Google Colab)

TensorFlow 1 的教程

以下教程仅适用于较旧的 TensorFlow 1 API，因此您需要安装旧版本的 TensorFlow 才能运行这些教程。将这些教程转换为 TensorFlow 2 将耗费大量时间和精力。

3. Pretty Tensor (笔记本) (Google Colab)

3-B. Layers API (笔记本) (Google Colab)

4. 保存与恢复 (笔记本) (Google Colab)

5. 集成学习 (笔记本) (Google Colab)

6. CIFAR-10 (笔记本) (Google Colab)

7. Inception 模型 (笔记本) (Google Colab)

8. 迁移学习 (笔记本) (Google Colab)

9. 视频数据 (笔记本) (Google Colab)

10. 对抗样本 (笔记本) (Google Colab)

11. MNIST 的对抗噪声 (笔记本) (Google Colab)

12. 可视化分析 (笔记本) (Google Colab)

13. DeepDream (笔记本) (Google Colab)

14. 风格迁移 (笔记本) (Google Colab)

15. Estimator API (笔记本) (Google Colab)

16. TFRecords 和 Dataset API (笔记本) (Google Colab)

视频

这些教程也有 YouTube 视频 版本。

翻译

这些教程已被翻译成以下语言：

• 中文

新翻译

您可以帮助翻译剩余的教程或审阅已翻译的部分。您也可以协助将其翻译成其他语言。

翻译所有教程是一项庞大的工作，因此建议您从对初学者最重要的教程 #01、#02 和 #03-C 开始。

新视频

我们也非常欢迎您用其他语言录制自己的 YouTube 视频。强烈建议您使用质量较好的麦克风，因为良好的音质非常重要。我使用 vokoscreen 录制视频，并用免费的 DaVinci Resolve 编辑视频。

分支

请参阅 精选分支列表，了解社区对这些教程所做的修改。

安装

安装和运行 TensorFlow 有多种方法。本节介绍我为这些教程所采用的方式。您可能希望以不同的方式操作，也可以在网上搜索相关说明。

如果您是 Python 和 Linux 的新手，那么让这一切正常运行可能会有些挑战，您可能需要针对错误信息等进行网络搜索。随着实践的增多，情况会逐渐改善。此外，您也可以不安装任何东西，直接使用 Google Colab 来运行这些教程，详情见下文。

部分 Python 笔记本使用位于不同文件中的源代码，以便在多个教程中轻松复用。因此，建议您从 GitHub 下载整个仓库，而不是只下载单个 Python 笔记本。

Git

下载和安装这些教程最简单的方法是通过命令行使用 git：

git clone https://github.com/Hvass-Labs/TensorFlow-Tutorials.git

这将在当前目录下创建 TensorFlow-Tutorials 文件夹，并将所有文件下载到其中。

这样也便于更新教程，只需在该文件夹内执行以下命令即可：

git pull

下载 Zip 文件

您也可以 下载 GitHub 仓库的内容为 Zip 文件，然后手动解压。

环境

我使用 Anaconda，因为它预装了许多 Python 包，且易于管理。安装 Anaconda 后，建议创建一个 conda 环境，这样即使在操作中出现错误，也不会破坏主安装环境：

conda create --name tf python=3

当 Python 更新到新版本时，TensorFlow 通常需要一段时间才能支持该新版本的 Python。因此，如果 TensorFlow 安装失败，你可能需要为新环境指定一个较旧的 Python 版本，例如：

conda create --name tf python=3.6

现在，你可以通过以下命令切换到新环境（适用于 Linux）：

source activate tf

必需的包

这些教程需要安装多个 Python 包。所需包的列表已列在 requirements.txt 文件中。

要安装所需的 Python 包及其依赖项，首先需要按照上述说明激活 conda 环境，然后在终端中运行以下命令：

pip install -r requirements.txt

从 TensorFlow 2.1 开始，它同时包含了 CPU 和 GPU 版本，并会在检测到 GPU 时自动切换。不过，这需要安装各种 NVIDIA 驱动程序，过程较为复杂，此处不再赘述。

Python 3.5 或更高版本

这些教程是在 Linux 系统上使用 Python 3.5 / 3.6（Anaconda 发行版）和 PyCharm 开发的。

有报告称，使用 Python 2.7 运行这些教程时会出现错误信息。请确保你使用的是 Python 3.5 或更高版本！

如何运行

如果你已按照上述安装步骤操作，现在应该能够在 Python Notebook 中运行这些教程：

cd ~/development/TensorFlow-Tutorials/  # 你的安装目录。
jupyter notebook

这将启动一个网页浏览器，显示教程列表。点击某个教程即可加载。

在 Google Colab 中运行

如果你不想在本地计算机上安装任何东西，也可以完全在互联网上通过 Google Colab 查看、编辑并运行这些 Notebook。有一段 YouTube 视频 介绍了具体操作方法。你只需点击每个教程旁边的“Google Colab”链接即可。虽然可以在 Colab 上查看 Notebook，但要运行它，你需要使用 Google 账号登录。

随后，你需要在 Notebook 的顶部执行以下命令，将本仓库的内容克隆到 Colab 的工作目录中：

# 将 GitHub 仓库克隆到 Google Colab 的临时存储空间。
import os
work_dir = "/content/TensorFlow-Tutorials/"
if not os.path.exists(work_dir):
    !git clone https://github.com/Hvass-Labs/TensorFlow-Tutorials.git
os.chdir(work_dir)

Colab 上应已安装所有必需的包，如果没有，可以运行以下命令：

!pip install -r requirements.txt

较早版本

有时，源代码会与 YouTube 视频中展示的内容有所不同。这可能是由于 bug 修复、功能改进，或者为了便于复用而将部分代码拆分到单独的文件中。

如果你想查看 YouTube 视频中使用的源代码的确切版本，可以浏览 GitHub 仓库的提交历史：GitHub 提交记录。

许可证（MIT 许可）

这些教程及源代码采用 MIT 许可 发布，允许在学术和商业领域广泛使用。

用于演示的少数图片可能受版权保护。这些图片依据“合理使用”原则被包含在内。

欢迎对这些教程进行修改，并将其应用于你自己的项目中。请务必保留指向 原始仓库 的链接。

TensorFlow-Tutorials 快速上手指南

本指南基于 Magnus Erik Hvass Pedersen 开发的开源教程项目，旨在帮助深度学习初学者快速掌握 TensorFlow 2 的核心概念。每个教程涵盖一个独立主题，代码注释详尽，并配有 YouTube 视频教程。

环境准备

• 操作系统：推荐 Linux 或 macOS（Windows 用户建议使用 WSL 或 Google Colab）。
• Python 版本：必须使用 Python 3.5 或更高版本（推荐 3.6+）。不支持 Python 2.7。
• 核心框架：TensorFlow 2.x（部分教程在 v1 兼容模式下运行）。
• 依赖管理：推荐使用 Anaconda 进行环境隔离。
• 硬件加速（可选）：若需使用 GPU，请提前安装对应的 NVIDIA 驱动和 CUDA 工具包（TensorFlow 2.1+ 会自动检测 GPU）。

提示：如果您不想配置本地环境，可以直接点击各教程链接中的 Google Colab 按钮，在浏览器中免费运行所有代码。

安装步骤

1. 克隆仓库

建议下载整个仓库而非单个文件，因为部分笔记本依赖同一目录下的其他源代码文件。

git clone https://github.com/Hvass-Labs/TensorFlow-Tutorials.git
cd TensorFlow-Tutorials

国内用户若下载缓慢，可使用镜像加速：

git clone https://gitee.com/mirrors/TensorFlow-Tutorials.git

(注：若上述镜像不可用，请尝试配置 git 代理或使用原始地址)

2. 创建 Conda 环境

使用 Anaconda 创建独立的虚拟环境，避免污染系统主环境。

# 创建名为 tf 的环境，指定 Python 版本为 3.6 (兼容性较好)
conda create --name tf python=3.6

# 激活环境 (Linux/macOS)
source activate tf

# 激活环境 (Windows)
activate tf

3. 安装依赖包

项目根目录包含 requirements.txt，列出了所有必要的 Python 库。

pip install -r requirements.txt

注意：从 TensorFlow 2.1 开始，安装包已同时包含 CPU 和 GPU 支持。若需手动指定国内源加速安装，可添加 -i https://pypi.tuna.tsinghua.edu.cn/simple 参数。

基本使用

本项目的核心内容是 Jupyter Notebook (.ipynb) 文件。以下以第一个教程“简单线性模型”为例演示如何运行。

方式一：本地运行

1. 确保已激活 conda 环境：

   source activate tf
   

2. 启动 Jupyter Notebook 服务器：

   jupyter notebook
   

3. 在浏览器打开的界面中，进入 TensorFlow-Tutorials 目录。
4. 点击 01_Simple_Linear_Model.ipynb 打开笔记。
5. 按顺序执行单元格（Cell），即可看到线性模型的训练过程和结果。

方式二：使用 Google Colab (无需安装)

对于初学者或无本地 GPU 资源的用户，这是最快捷的方式：

1. 访问教程列表中的 Google Colab 链接（例如：01_Simple_Linear_Model on Colab）。
2. 页面加载后，点击菜单栏的 代码执行程序 (Runtime) -> 全部运行 (Run all)。
3. 代码将在云端环境中自动执行并输出结果。

推荐学习路径 (TensorFlow 2)

建议初学者按以下顺序学习已更新的 TF2 教程：

1. Simple Linear Model (01_Simple_Linear_Model.ipynb) - 基础入门
2. Convolutional Neural Network (02_Convolutional_Neural_Network.ipynb) - 卷积神经网络
3. Keras API (03C_Keras_API.ipynb) - 高级 API 使用
4. Fine-Tuning (10_Fine-Tuning.ipynb) - 模型微调
5. Natural Language Processing (20_Natural_Language_Processing.ipynb) - 自然语言处理进阶