[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Hvass-Labs--TensorFlow-Tutorials":3,"tool-Hvass-Labs--TensorFlow-Tutorials":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":76,"owner_company":78,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":79,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":23,"env_os":94,"env_gpu":95,"env_ram":96,"env_deps":97,"category_tags":107,"github_topics":108,"view_count":23,"oss_zip_url":76,"oss_zip_packed_at":76,"status":16,"created_at":117,"updated_at":118,"faqs":119,"releases":157},3295,"Hvass-Labs\u002FTensorFlow-Tutorials","TensorFlow-Tutorials","TensorFlow Tutorials with YouTube Videos","TensorFlow-Tutorials 是一套专为深度学习初学者打造的开源学习资源，由 Magnus Erik Hvass Pedersen 创作。它旨在解决新手在入门 TensorFlow 框架时面临的代码复杂、概念抽象及缺乏系统指导等痛点。这套教程将复杂的机器学习知识拆解为一个个独立的专题，涵盖从基础的线性模型、卷积神经网络，到进阶的强化学习、自然语言处理、机器翻译及时序预测等热门领域。\n\n其独特的技术亮点在于“图文视频”相结合的教学模式：每个教程不仅提供注释详尽、逻辑清晰的源代码（支持 Jupyter Notebook 和 Google Colab 直接运行），还配套了专门的 YouTube 讲解视频，帮助用户直观理解算法原理与实现细节。此外，项目大部分内容已更新至 TensorFlow 2 版本，确保用户能接触到主流技术栈。\n\nTensorFlow-Tutorials 非常适合希望系统掌握深度学习技能的开发者、学生及研究人员使用。无论你是想快速上手构建第一个神经网络，还是深入探索超参数优化与图像描述生成，这里都能提供循序渐进的实践指南，是通往人工智能领域的优质敲门砖。","# TensorFlow Tutorials\n\n[Original repository on GitHub](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials)\n\nOriginal author is [Magnus Erik Hvass Pedersen](http:\u002F\u002Fwww.hvass-labs.org)\n\n## Introduction\n\n* These tutorials are intended for beginners in Deep Learning and TensorFlow.\n* Each tutorial covers a single topic.\n* The source-code is well-documented.\n* There is a [YouTube video](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL9Hr9sNUjfsmEu1ZniY0XpHSzl5uihcXZ) for each tutorial.\n\n## Tutorials for TensorFlow 2\n\nThe following tutorials have been updated and work with **TensorFlow 2**\n(some of them run in \"v.1 compatibility mode\").\n\n1. Simple Linear Model\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F01_Simple_Linear_Model.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F01_Simple_Linear_Model.ipynb))\n\n2. Convolutional Neural Network\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F02_Convolutional_Neural_Network.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F02_Convolutional_Neural_Network.ipynb))\n\n3-C. Keras API\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F03C_Keras_API.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F03C_Keras_API.ipynb))\n\n10. Fine-Tuning\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F10_Fine-Tuning.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F10_Fine-Tuning.ipynb))\n\n13-B. Visual Analysis for MNIST\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F13B_Visual_Analysis_MNIST.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F13B_Visual_Analysis_MNIST.ipynb))\n\n16. Reinforcement Learning\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F16_Reinforcement_Learning.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F16_Reinforcement_Learning.ipynb))\n\n19. Hyper-Parameter Optimization\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F19_Hyper-Parameters.ipynb)) \n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F19_Hyper-Parameters.ipynb))\n\n20. Natural Language Processing\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F20_Natural_Language_Processing.ipynb)) \n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F20_Natural_Language_Processing.ipynb))\n\n21. Machine Translation\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F21_Machine_Translation.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F21_Machine_Translation.ipynb))\n\n22. Image Captioning\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F22_Image_Captioning.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F22_Image_Captioning.ipynb))\n\n23. Time-Series Prediction\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F23_Time-Series-Prediction.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F23_Time-Series-Prediction.ipynb))\n\n## Tutorials for TensorFlow 1\n\nThe following tutorials only work with the older **TensorFlow 1** API, so you\nwould need to install an older version of TensorFlow to run these. It would take\ntoo much time and effort to convert these tutorials to TensorFlow 2.\n\n3. Pretty Tensor\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F03_PrettyTensor.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F03_PrettyTensor.ipynb))\n\n3-B. Layers API\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F03B_Layers_API.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F03B_Layers_API.ipynb))\n\n4. Save & Restore\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F04_Save_Restore.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F04_Save_Restore.ipynb))\n\n5. Ensemble Learning\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F05_Ensemble_Learning.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F05_Ensemble_Learning.ipynb))\n\n6. CIFAR-10\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F06_CIFAR-10.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F06_CIFAR-10.ipynb))\n\n7. Inception Model\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F07_Inception_Model.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F07_Inception_Model.ipynb))\n\n8. Transfer Learning\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F08_Transfer_Learning.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F08_Transfer_Learning.ipynb))\n\n9. Video Data\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F09_Video_Data.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F09_Video_Data.ipynb))\n\n11. Adversarial Examples\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F11_Adversarial_Examples.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F11_Adversarial_Examples.ipynb))\n\n12. Adversarial Noise for MNIST\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F12_Adversarial_Noise_MNIST.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F12_Adversarial_Noise_MNIST.ipynb))\n\n13. Visual Analysis\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F13_Visual_Analysis.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F13_Visual_Analysis.ipynb))\n\n14. DeepDream\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F14_DeepDream.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F14_DeepDream.ipynb))\n\n15. Style Transfer\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F15_Style_Transfer.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F15_Style_Transfer.ipynb))\n\n17. Estimator API\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F17_Estimator_API.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F17_Estimator_API.ipynb))\n\n18. TFRecords & Dataset API\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F18_TFRecords_Dataset_API.ipynb)) \n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F18_TFRecords_Dataset_API.ipynb))\n\n## Videos\n\nThese tutorials are also available as [YouTube videos](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL9Hr9sNUjfsmEu1ZniY0XpHSzl5uihcXZ).\n\n## Translations\n\nThese tutorials have been translated to the following languages:\n\n* [Chinese](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials-Chinese)\n\n### New Translations\n\nYou can help by translating the remaining tutorials or reviewing the ones that have already been translated. You can also help by translating to other languages.\n\nIt is a very big job to translate all the tutorials, so you should just start with Tutorials #01, #02 and #03-C which are the most important for beginners.\n\n### New Videos\n\nYou are also very welcome to record your own YouTube videos in other languages. It is strongly recommended that you get a decent microphone because good sound quality is very important. I used `vokoscreen` for recording the videos and the free [DaVinci Resolve](https:\u002F\u002Fwww.blackmagicdesign.com\u002Fproducts\u002Fdavinciresolve\u002F) for editing the videos.\n\n## Forks\n\nSee the [selected list of forks](forks.md) for community modifications to these tutorials.\n\n## Installation\n\nThere are different ways of installing and running TensorFlow. This section describes how I did it\nfor these tutorials. You may want to do it differently and you can search the internet for instructions.\n\nIf you are new to using Python and Linux then this may be challenging\nto get working and you may need to do internet searches for error-messages, etc.\nIt will get easier with practice. You can also run the tutorials without installing\nanything by using Google Colab, see further below.\n\nSome of the Python Notebooks use source-code located in different files to allow for easy re-use\nacross multiple tutorials. It is therefore recommended that you download the whole repository\nfrom GitHub, instead of just downloading the individual Python Notebooks.\n\n### Git\n\nThe easiest way to download and install these tutorials is by using git from the command-line:\n\n    git clone https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials.git\n\nThis will create the directory `TensorFlow-Tutorials` and download all the files to it.\n\nThis also makes it easy to update the tutorials, simply by executing this command inside that directory:\n\n    git pull\n\n### Download Zip-File\n\nYou can also [download](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Farchive\u002Fmaster.zip)\nthe contents of the GitHub repository as a Zip-file and extract it manually.\n\n### Environment\n\nI use [Anaconda](https:\u002F\u002Fwww.continuum.io\u002Fdownloads) because it comes with many Python\npackages already installed and it is easy to work with. After installing Anaconda,\nyou should create a [conda environment](http:\u002F\u002Fconda.pydata.org\u002Fdocs\u002Fusing\u002Fenvs.html)\nso you do not destroy your main installation in case you make a mistake somewhere:\n\n    conda create --name tf python=3\n\nWhen Python gets updated to a new version, it takes a while before TensorFlow also\nuses the new Python version. So if the TensorFlow installation fails, then you may\nhave to specify an older Python version for your new environment, such as: \n\n    conda create --name tf python=3.6\n\nNow you can switch to the new environment by running the following (on Linux):\n\n    source activate tf\n\n### Required Packages\n\nThe tutorials require several Python packages to be installed. The packages are listed in\n[requirements.txt](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002Frequirements.txt)\n\nTo install the required Python packages and dependencies you first have to activate the\nconda-environment as described above, and then you run the following command\nin a terminal:\n\n    pip install -r requirements.txt\n\nStarting with TensorFlow 2.1 it includes both the CPU and GPU versions and will\nautomatically switch if you have a GPU. But this requires the installation of various\nNVIDIA drivers, which is a bit complicated and is not described here.\n\n### Python Version 3.5 or Later\n\nThese tutorials were developed on Linux using **Python 3.5 \u002F 3.6** (the [Anaconda](https:\u002F\u002Fwww.continuum.io\u002Fdownloads) distribution) and [PyCharm](https:\u002F\u002Fwww.jetbrains.com\u002Fpycharm\u002F).\n\nThere are reports that Python 2.7 gives error messages with these tutorials. Please make sure you are using **Python 3.5** or later!\n\n## How To Run\n\nIf you have followed the above installation instructions, you should\nnow be able to run the tutorials in the Python Notebooks:\n\n    cd ~\u002Fdevelopment\u002FTensorFlow-Tutorials\u002F  # Your installation directory.\n    jupyter notebook\n\nThis should start a web-browser that shows the list of tutorials. Click on a tutorial to load it.\n\n### Run in Google Colab\n\nIf you do not want to install anything on your own computer, then the Notebooks\ncan be viewed, edited and run entirely on the internet by using\n[Google Colab](https:\u002F\u002Fcolab.research.google.com). There is a\n[YouTube video](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=Hs6HI2YWchM) explaining how to do this.\nYou click the \"Google Colab\"-link next to each tutorial listed above.\nYou can view the Notebook on Colab but in order to run it you need to login using\nyour Google account.\nThen you need to execute the following commands at the top of the Notebook,\nwhich clones the contents of this repository to your work-directory on Colab.\n\n    # Clone the repository from GitHub to Google Colab's temporary drive.\n    import os\n    work_dir = \"\u002Fcontent\u002FTensorFlow-Tutorials\u002F\"\n    if not os.path.exists(work_dir):\n        !git clone https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials.git\n    os.chdir(work_dir)\n\nAll required packages should already be installed on Colab, otherwise you\ncan run the following command:\n\n    !pip install -r requirements.txt\n\n## Older Versions\n\nSometimes the source-code has changed from that shown in the YouTube videos. This may be due to\nbug-fixes, improvements, or because code-sections are moved to separate files for easy re-use.\n\nIf you want to see the exact versions of the source-code that were used in the YouTube videos,\nthen you can [browse the history](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fcommits\u002Fmaster)\nof commits to the GitHub repository.\n\n## License (MIT)\n\nThese tutorials and source-code are published under the [MIT License](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002FLICENSE)\nwhich allows very broad use for both academic and commercial purposes.\n\nA few of the images used for demonstration purposes may be under copyright. These images are included under the \"fair usage\" laws.\n\nYou are very welcome to modify these tutorials and use them in your own projects.\nPlease keep a link to the [original repository](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials).\n","# TensorFlow 教程\n\n[GitHub 上的原始仓库](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials)\n\n原作者是 [Magnus Erik Hvass Pedersen](http:\u002F\u002Fwww.hvass-labs.org)\n\n## 简介\n\n* 本系列教程面向深度学习和 TensorFlow 的初学者。\n* 每个教程专注于一个主题。\n* 源代码有良好的注释说明。\n* 每个教程都配有 [YouTube 视频](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL9Hr9sNUjfsmEu1ZniY0XpHSzl5uihcXZ)。\n\n## 针对 TensorFlow 2 的教程\n\n以下教程已更新，可在 **TensorFlow 2** 中运行\n（部分教程以“v.1 兼容模式”运行）。\n\n1. 简单线性模型\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F01_Simple_Linear_Model.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F01_Simple_Linear_Model.ipynb))\n\n2. 卷积神经网络\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F02_Convolutional_Neural_Network.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F02_Convolutional_Neural_Network.ipynb))\n\n3-C. Keras API\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F03C_Keras_API.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F03C_Keras_API.ipynb))\n\n10. 微调\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F10_Fine-Tuning.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F10_Fine-Tuning.ipynb))\n\n13-B. MNIST 数据集的可视化分析\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F13B_Visual_Analysis_MNIST.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F13B_Visual_Analysis_MNIST.ipynb))\n\n16. 强化学习\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F16_Reinforcement_Learning.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F16_Reinforcement_Learning.ipynb))\n\n19. 超参数优化\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F19_Hyper-Parameters.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F19_Hyper-Parameters.ipynb))\n\n20. 自然语言处理\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F20_Natural_Language_Processing.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F20_Natural_Language_Processing.ipynb))\n\n21. 机器翻译\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F21_Machine_Translation.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F21_Machine_Translation.ipynb))\n\n22. 图像字幕生成\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F22_Image_Captioning.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F22_Image_Captioning.ipynb))\n\n23. 时间序列预测\n([Notebook](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F23_Time-Series-Prediction.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F23_Time-Series-Prediction.ipynb))\n\n## TensorFlow 1 的教程\n\n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。\n\n3. Pretty Tensor\n([笔记本](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F03_PrettyTensor.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F03_PrettyTensor.ipynb))\n\n3-B. Layers API\n([笔记本](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F03B_Layers_API.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F03B_Layers_API.ipynb))\n\n4. 保存与恢复\n([笔记本](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F04_Save_Restore.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F04_Save_Restore.ipynb))\n\n5. 集成学习\n([笔记本](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F05_Ensemble_Learning.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F05_Ensemble_Learning.ipynb))\n\n6. CIFAR-10\n([笔记本](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F06_CIFAR-10.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F06_CIFAR-10.ipynb))\n\n7. Inception 模型\n([笔记本](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F07_Inception_Model.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F07_Inception_Model.ipynb))\n\n8. 迁移学习\n([笔记本](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F08_Transfer_Learning.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F08_Transfer_Learning.ipynb))\n\n9. 视频数据\n([笔记本](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F09_Video_Data.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F09_Video_Data.ipynb))\n\n11. 对抗样本\n([笔记本](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F11_Adversarial_Examples.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F11_Adversarial_Examples.ipynb))\n\n12. MNIST 的对抗噪声\n([笔记本](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F12_Adversarial_Noise_MNIST.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F12_Adversarial_Noise_MNIST.ipynb))\n\n13. 可视化分析\n([笔记本](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F13_Visual_Analysis.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F13_Visual_Analysis.ipynb))\n\n14. DeepDream\n([笔记本](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F14_DeepDream.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F14_DeepDream.ipynb))\n\n15. 风格迁移\n([笔记本](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F15_Style_Transfer.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F15_Style_Transfer.ipynb))\n\n17. Estimator API\n([笔记本](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F17_Estimator_API.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F17_Estimator_API.ipynb))\n\n18. TFRecords 和 Dataset API\n([笔记本](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F18_TFRecords_Dataset_API.ipynb))\n([Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F18_TFRecords_Dataset_API.ipynb))\n\n## 视频\n\n这些教程也有 [YouTube 视频](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL9Hr9sNUjfsmEu1ZniY0XpHSzl5uihcXZ) 版本。\n\n## 翻译\n\n这些教程已被翻译成以下语言：\n\n* [中文](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials-Chinese)\n\n### 新翻译\n\n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。\n\n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。\n\n### 新视频\n\n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](https:\u002F\u002Fwww.blackmagicdesign.com\u002Fproducts\u002Fdavinciresolve\u002F) 编辑视频。\n\n## 分支\n\n请参阅 [精选分支列表](forks.md)，了解社区对这些教程所做的修改。\n\n## 安装\n\n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。\n\n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。\n\n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。\n\n### Git\n\n下载和安装这些教程最简单的方法是通过命令行使用 git：\n\n    git clone https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials.git\n\n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。\n\n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：\n\n    git pull\n\n### 下载 Zip 文件\n\n您也可以 [下载](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Farchive\u002Fmaster.zip) GitHub 仓库的内容为 Zip 文件，然后手动解压。\n\n### 环境\n\n我使用 [Anaconda](https:\u002F\u002Fwww.continuum.io\u002Fdownloads)，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](http:\u002F\u002Fconda.pydata.org\u002Fdocs\u002Fusing\u002Fenvs.html)，这样即使在操作中出现错误，也不会破坏主安装环境：\n\n    conda create --name tf python=3\n\n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：\n\n    conda create --name tf python=3.6\n\n现在，你可以通过以下命令切换到新环境（适用于 Linux）：\n\n    source activate tf\n\n### 必需的包\n\n这些教程需要安装多个 Python 包。所需包的列表已列在 [requirements.txt](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002Frequirements.txt) 文件中。\n\n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：\n\n    pip install -r requirements.txt\n\n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。\n\n### Python 3.5 或更高版本\n\n这些教程是在 Linux 系统上使用 **Python 3.5 \u002F 3.6**（[Anaconda](https:\u002F\u002Fwww.continuum.io\u002Fdownloads) 发行版）和 [PyCharm](https:\u002F\u002Fwww.jetbrains.com\u002Fpycharm\u002F) 开发的。\n\n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！\n\n## 如何运行\n\n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：\n\n    cd ~\u002Fdevelopment\u002FTensorFlow-Tutorials\u002F  # 你的安装目录。\n    jupyter notebook\n\n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。\n\n### 在 Google Colab 中运行\n\n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](https:\u002F\u002Fcolab.research.google.com) 查看、编辑并运行这些 Notebook。有一段 [YouTube 视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=Hs6HI2YWchM) 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。\n\n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：\n\n    # 将 GitHub 仓库克隆到 Google Colab 的临时存储空间。\n    import os\n    work_dir = \"\u002Fcontent\u002FTensorFlow-Tutorials\u002F\"\n    if not os.path.exists(work_dir):\n        !git clone https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials.git\n    os.chdir(work_dir)\n\nColab 上应已安装所有必需的包，如果没有，可以运行以下命令：\n\n    !pip install -r requirements.txt\n\n## 较早版本\n\n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。\n\n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](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fcommits\u002Fmaster)。\n\n## 许可证（MIT 许可）\n\n这些教程及源代码采用 [MIT 许可](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002FLICENSE) 发布，允许在学术和商业领域广泛使用。\n\n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。\n\n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](https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials) 的链接。","# TensorFlow-Tutorials 快速上手指南\n\n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。\n\n## 环境准备\n\n*   **操作系统**：推荐 Linux 或 macOS（Windows 用户建议使用 WSL 或 Google Colab）。\n*   **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。\n*   **核心框架**：TensorFlow 2.x（部分教程在 v1 兼容模式下运行）。\n*   **依赖管理**：推荐使用 Anaconda 进行环境隔离。\n*   **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）。\n\n> **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。\n\n## 安装步骤\n\n### 1. 克隆仓库\n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。\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials.git\ncd TensorFlow-Tutorials\n```\n\n*国内用户若下载缓慢，可使用镜像加速：*\n```bash\ngit clone https:\u002F\u002Fgitee.com\u002Fmirrors\u002FTensorFlow-Tutorials.git\n```\n*(注：若上述镜像不可用，请尝试配置 git 代理或使用原始地址)*\n\n### 2. 创建 Conda 环境\n使用 Anaconda 创建独立的虚拟环境，避免污染系统主环境。\n\n```bash\n# 创建名为 tf 的环境，指定 Python 版本为 3.6 (兼容性较好)\nconda create --name tf python=3.6\n\n# 激活环境 (Linux\u002FmacOS)\nsource activate tf\n\n# 激活环境 (Windows)\nactivate tf\n```\n\n### 3. 安装依赖包\n项目根目录包含 `requirements.txt`，列出了所有必要的 Python 库。\n\n```bash\npip install -r requirements.txt\n```\n\n> **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:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple` 参数。\n\n## 基本使用\n\n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。\n\n### 方式一：本地运行\n\n1.  确保已激活 conda 环境：\n    ```bash\n    source activate tf\n    ```\n2.  启动 Jupyter Notebook 服务器：\n    ```bash\n    jupyter notebook\n    ```\n3.  在浏览器打开的界面中，进入 `TensorFlow-Tutorials` 目录。\n4.  点击 **`01_Simple_Linear_Model.ipynb`** 打开笔记。\n5.  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。\n\n### 方式二：使用 Google Colab (无需安装)\n\n对于初学者或无本地 GPU 资源的用户，这是最快捷的方式：\n\n1.  访问教程列表中的 **Google Colab** 链接（例如：[01_Simple_Linear_Model on Colab](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002F01_Simple_Linear_Model.ipynb)）。\n2.  页面加载后，点击菜单栏的 **代码执行程序 (Runtime)** -> **全部运行 (Run all)**。\n3.  代码将在云端环境中自动执行并输出结果。\n\n### 推荐学习路径 (TensorFlow 2)\n\n建议初学者按以下顺序学习已更新的 TF2 教程：\n\n1.  **Simple Linear Model** (`01_Simple_Linear_Model.ipynb`) - 基础入门\n2.  **Convolutional Neural Network** (`02_Convolutional_Neural_Network.ipynb`) - 卷积神经网络\n3.  **Keras API** (`03C_Keras_API.ipynb`) - 高级 API 使用\n4.  **Fine-Tuning** (`10_Fine-Tuning.ipynb`) - 模型微调\n5.  **Natural Language Processing** (`20_Natural_Language_Processing.ipynb`) - 自然语言处理进阶","某高校数据科学专业的研究生李明，正试图从零开始构建一个基于卷积神经网络的交通标志识别系统，以完成他的毕业设计。\n\n### 没有 TensorFlow-Tutorials 时\n- **概念与代码脱节**：李明虽然看懂了深度学习理论，但面对 TensorFlow 复杂的 API 文档，不知道如何将数学公式转化为可运行的代码，陷入“眼高手低”的困境。\n- **调试成本极高**：在尝试复现论文模型时，因维度不匹配或梯度消失等常见错误导致程序崩溃，缺乏详细的注释和分步讲解，他花费数天排查基础语法问题。\n- **学习路径混乱**：网络上教程质量参差不齐，有的基于过时的 TensorFlow 1.x 版本，有的缺少关键的数据预处理步骤，导致他难以建立系统化的知识体系。\n- **可视化分析缺失**：模型训练效果不佳时，他不懂得如何可视化中间层特征或混淆矩阵，只能盲目调整参数，无法定位是数据问题还是模型结构缺陷。\n\n### 使用 TensorFlow-Tutorials 后\n- **代码即教材**：通过 `02_Convolutional_Neural_Network` 教程，李明直接运行了注释详尽的 Notebook 代码，清晰看到了从数据加载到模型训练的完整流程，迅速打通理论与实践。\n- **高效排错与迭代**：借助教程中针对常见错误的解释和 Google Colab 环境，他快速解决了版本兼容性问题，将原本需要一周的环境配置和基础调试压缩至一天内完成。\n- **系统化进阶学习**：他按照教程顺序，从线性模型平滑过渡到微调（Fine-Tuning）和超参数优化，利用配套的 YouTube 视频加深理解，构建了稳固的知识框架。\n- **深度洞察模型**：利用 `13B_Visual_Analysis_MNIST` 中的可视化技巧，他成功分析了模型对交通标志的特征提取过程，针对性地改进了网络结构，显著提升了准确率。\n\nTensorFlow-Tutorials 通过“代码 + 视频 + 详细注释”的三位一体模式，将深度学习陡峭的学习曲线转化为可执行的阶梯，帮助初学者快速跨越从理论到实战的鸿沟。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHvass-Labs_TensorFlow-Tutorials_ac5fac68.png","Hvass-Labs",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FHvass-Labs_a5879988.png","Hvass Laboratories","http:\u002F\u002Fwww.hvass-labs.org","https:\u002F\u002Fgithub.com\u002FHvass-Labs",[82,86],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",99.6,{"name":87,"color":88,"percentage":89},"Python","#3572A5",0.4,9272,4121,"2026-04-02T17:07:59","MIT","Linux","非必需。TensorFlow 2.1+ 支持自动切换 GPU，但需自行安装 NVIDIA 驱动（README 未说明具体型号、显存或 CUDA 版本要求）。","未说明",{"notes":98,"python":99,"dependencies":100},"建议使用 Anaconda 创建独立的 conda 环境（如 Python 3.6）以避免冲突。部分教程仅兼容 TensorFlow 1，需安装旧版本才能运行。推荐通过 Git 克隆整个仓库以获取共享源代码文件。若无本地环境，可直接使用 Google Colab 运行。Windows 和 macOS 未在开发环境中明确提及，主要基于 Linux 测试。","3.5+",[101,102,103,104,105,106],"tensorflow>=2.0","numpy","matplotlib","scikit-learn","pillow","tqdm",[13],[109,110,111,112,113,114,115,116],"tensorflow","deep-learning","machine-learning","reinforcement-learning","python-notebook","tutorial","neural-network","youtube","2026-03-27T02:49:30.150509","2026-04-06T06:44:17.285111",[120,125,130,135,140,144,149,153],{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},15136,"遇到文件缺失或导入错误时该怎么办？","大多数问题是因为没有完整下载仓库。你必须**下载整个仓库**，可以通过 `git clone` 命令或直接下载 ZIP 文件。只下载单个文件会导致依赖缺失。请参阅安装说明：https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002FREADME.md","https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fissues\u002F28",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},15132,"在哪里可以找到 `reinforcement_learning` 模块或包？","该模块不是独立的 PyPI 包。你需要下载整个 GitHub 仓库（使用 git clone 或下载 ZIP 文件）。安装说明中已提到，相关文件位于仓库根目录下，直接下载整个仓库即可获取：https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fblob\u002Fmaster\u002Freinforcement_learning.py","https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fissues\u002F32",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},15133,"如何贡献或查找中文翻译版本？应该提交到哪里？","维护者建议将中文翻译直接放在官方仓库的分支或指定位置（如 https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials-Chinese），而不是创建独立的组织仓库。维护者希望保持对项目（包括翻译）的完全控制以确保质量，因此不推荐将翻译托管在与原作者无关的组织下。最佳做法是联系维护者成为协作者，或在原仓库下提交 PR。","https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fissues\u002F83",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},15134,"运行 CIFAR10 示例代码时出现 'ImportError: No module named cifar10' 错误怎么办？","这是因为缺少 TensorFlow 官方模型库中的文件。解决方法：\n1. 下载 tensorflow\u002Fmodels 仓库 (https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fmodels)。\n2. 解压到你的工作目录。\n3. 在代码中将解压后的路径添加到系统路径中。例如：\n   import sys\n   path = 'C:\\\\Users\\\\...\\\\models-master\\\\tutorials\\\\image\\\\cifar10'\n   sys.path.append(path)\n4. 然后再运行 import cifar10, cifar10_input 等语句。","https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fissues\u002F6",{"id":141,"question_zh":142,"answer_zh":143,"source_url":124},15135,"教程对 Python 版本有什么要求？","这些教程是使用 **Python 3.5** 开发的。如果在 Python 2.7 或其他版本上运行，可能会出现奇怪的错误。请确保使用 Python 3.5 环境。",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},15137,"如何准备和标记自己的数据集用于训练？","对于自定义数据集，通常需要手动标记数据。可以使用视频工具辅助快速创建图像和视频分割数据。如果需要学习如何正确标记数据集（例如使用独热编码 labels），建议参考相关教程视频。对于目标检测任务，确保训练图片数量充足（如 96 张以上），并注意训练数据和测试数据（如摄像头视频）的分辨率是否一致，分辨率差异可能导致检测失败。","https:\u002F\u002Fgithub.com\u002FHvass-Labs\u002FTensorFlow-Tutorials\u002Fissues\u002F3",{"id":150,"question_zh":151,"answer_zh":152,"source_url":124},15138,"下载 VGG16 预训练模型时出现 URL 错误如何解决？","如果自动下载链接失效，可以尝试手动下载预训练模型文件，并将其放置到代码期望的正确目录中。这是一个临时的快速修复方法。",{"id":154,"question_zh":155,"answer_zh":156,"source_url":124},15139,"为什么不能随意合并他人对教程的修改或新增内容？","教程经过精心打磨，与配套的 YouTube 视频紧密对应。随意添加大量内容会破坏教程的一致性，导致视频与源码不符。维护者为了保持高质量和统一标准，通常不会合并非必要的 PR，并建议用户如需新主题可自行制作教程。",[]]