如果你想使用 PyTorch，不用担心，我像 TensorFlow 那样也制作了一个新的 PyTorch 教程。链接如下：https://github.com/MorvanZhou/PyTorch-Tutorial

TensorFlow 2017 教程

TensorFlow 2+ 已经发布，这里 是我的快速 TF2+ 教程代码

在这些教程中，我们将构建我们的第一个神经网络，并尝试搭建近年来发展起来的一些高级神经网络架构。

以下提到的所有方法都有中文版的视频和文字教程。更多内容请访问 莫烦 Python。

• TensorFlow 基础
  • 会话
  • 占位符
  • 变量
  • 激活函数
• 构建你的第一个网络
  • 回归
  • 分类
  • 保存与加载
  • 优化器
  • TensorBoard
  • 数据集
• 高级神经网络
  • 卷积神经网络
  • RNN-分类
  • RNN-回归
  • 自编码器
  • DQN 强化学习
  • GAN（生成对抗网络） / 条件 GAN
  • 迁移学习
• 其他（持续更新）
  • Dropout
  • 批量归一化
  • 可视化梯度下降
  • 分布式训练

回归

分类

CNN

RNN

自编码器

GAN（生成对抗网络）

Dropout

批量归一化

可视化梯度下降

捐赠

如果这些内容对你有所帮助，请考虑捐赠以支持我制作更好的教程！任何贡献都将不胜感激！

Tensorflow-Tutorial 快速上手指南

本指南基于莫烦 Python (MorvanZhou) 的开源教程，旨在帮助开发者快速掌握 TensorFlow 基础及进阶神经网络架构（如 CNN, RNN, GAN 等）。

注意：本仓库主要涵盖 TensorFlow 1.x 版本的核心概念。若需学习 TensorFlow 2+ 或 PyTorch，请访问作者提供的更新仓库：

• TensorFlow 2+ Tutorial
• PyTorch Tutorial

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows, macOS 或 Linux
• Python 版本：推荐 Python 3.6 - 3.8 (兼容 TensorFlow 1.x)
• 前置依赖：
  • pip (Python 包管理工具)
  • git (用于克隆代码库)
  • 显卡驱动 (可选，若需使用 GPU 加速训练)

安装步骤

1. 克隆项目代码

首先，将教程代码库克隆到本地：

git clone https://github.com/MorvanZhou/Tensorflow-Tutorial.git
cd Tensorflow-Tutorial

2. 安装依赖库

本教程主要依赖 TensorFlow 1.x 版本及相关科学计算库。建议使用国内镜像源（如清华源）以加速下载。

创建虚拟环境（推荐）：

python -m venv tf_env
# Windows
tf_env\Scripts\activate
# macOS/Linux
source tf_env/bin/activate

安装 TensorFlow 1.x 及其他依赖：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==1.15.0 matplotlib numpy sklearn

提示：如果您的环境必须使用 TensorFlow 2.x，部分代码可能需要微调，建议直接参考作者的 TF2 专用教程仓库。

基本使用

教程内容按难度分级，从基础会话管理到复杂的生成对抗网络 (GAN)。所有示例代码均位于 tutorial-contents 目录下。

运行第一个示例：简单回归 (Simple Regression)

这是构建神经网络的入门示例，演示了如何拟合一条曲线。

1. 进入教程目录：

   cd tutorial-contents
   

2. 运行回归示例脚本：

   python 301_simple_regression.py
   

3. 预期结果： 程序将启动一个 TensorFlow 会话，训练一个简单的神经网络，并使用 matplotlib 弹出窗口动态展示拟合过程（类似下图效果）：

   • 初始状态：随机线条
   • 训练过程：线条逐渐逼近目标数据点
   • 最终状态：完美拟合曲线

探索其他核心模块

您可以根据学习路径依次运行以下脚本：

• 基础组件：

  python 201_session.py        # 理解 Session 机制
  python 202_placeholder.py    # 学习占位符输入
  python 204_activation.py     # 尝试不同激活函数
  

• 构建网络：

  python 302_simple_classification.py  # 分类任务
  python 305_tensorboard.py            # 可视化训练过程
  python 306_dataset.py                # 高效数据加载
  

• 进阶架构：

  python 401_CNN.py                    # 卷积神经网络 (图像识别)
  python 402_RNN_classification.py     # 循环神经网络 (序列分类)
  python 406_GAN.py                    # 生成对抗网络 (图像生成)
  

更多详细视频讲解和文字教程，请访问 莫烦 Python 官网。