简介

该 Repository（代码仓库）内容为知乎专栏《机器不学习》的源代码。

专栏地址：https://zhuanlan.zhihu.com/zhaoyeyu

代码框架

TensorFlow

包含内容

1.anna_lstm

基于 RNN（长短期记忆网络，LSTM）对《安娜卡列尼娜》英文文本的学习，实现一个字符级别的生成器。

文章地址：《安娜卡列尼娜》文本生成——利用 TensorFlow（深度学习框架）构建 LSTM 模型

2.skip-gram

实现 skip-gram 算法的 Word2Vec（一种词向量模型），基于对英文语料的训练，模型学的各个单词的嵌入向量。

文章地址：基于 TensorFlow 框架实现 Skip-Gram 模型

3.generate_lyrics

基于 RNN 实现歌词生成器。

4.basic_seq2seq

基于 RNN Encoder-Decoder 结构的 Seq2Seq（序列到序列）模型，实现对一个单词中字母的排序。

文章地址：从 Encoder 到 Decoder 实现 Seq2Seq 模型

5.denoise_auto_encoder

基于 MNIST（手写数字数据集）手写数据集训练了一个自编码器，并在此基础上增加卷积层实现一个卷积自编码器，从而实现对图像的降噪。

文章地址：利用卷积自编码器对图片进行降噪

6.cifar_cnn

对 Kaggle 上 CIFAR 图像分类比赛的一个实现，分别对比了 KNN（K-近邻算法）和 CNN（卷积神经网络）在数据上的表现效果。

文章地址：利用卷积神经网络处理 CIFAR 图像分类

7.mnist_gan

基于 MNIST 手写数据集，训练了一个隐层为 Leaky ReLU（线性整流单元变体）的生成对抗网络（GAN），让模型学会自己生成手写数字。

文章地址：生成对抗网络（GAN）之 MNIST 数据生成

8.dcgan

基于 MNIST 数据集训练了一个 DCGAN（深度卷积生成对抗网络），加入了 Batch normalization（批归一化），加速模型收敛并提升性能。

文章地址：深度卷积 GAN 之图像生成

基于 CIFAR 数据集中的马的图像训练一个 DCGAN 生成马的图像。

9.batch_normalization_discussion

该部分代码基于 MNIST 手写数据集构造了一个四层的全连接层神经网络。通过改变不同参数来测试 BN（批归一化）对于模型性能的影响。同时利用 TensorFlow 实现底层的 batch normalization。

文章地址：Batch Normalization 原理与实战

10.machine_translation_seq2seq

该代码基于 TensorFlow 1.6 版本的 Seq2Seq 构建了一个基本的英法翻译模型。

文章地址：基于 TensorFlow 框架的 Seq2Seq 英法机器翻译模型

11.mt_attention_birnn

该代码基于 Keras 框架，在基础 Seq2Seq 模型基础上增加 Attention（注意力机制）与 BiRNN（双向循环神经网络），进一步提升翻译模型的效果；同时可视化 Attention 层，加深读者对 Attention 工作机制的理解。模型在在训练样本上的 BLEU（一种机器翻译评估指标）分数接近 0.9。

文章地址：基于 Keras 框架实现加入 Attention 与 BiRNN 的机器翻译模型

12.sentiment_analysis

该代码基于 TensorFlow 1.6 版本，用 DNN（深度神经网络）、LSTM 以及 CNN 分别构建了 Sentiment Analysis（情感分析）模型，并分析与比较了不同模型的性能。

文章地址：DNN/LSTM/Text-CNN 情感分类实战与分析

13.image_style_transfer

代码基于 TensorFlow 1.6 实现了 Image Style Transfer（图像风格迁移）模型，实现了图片的风格的学习与转换。

文章地址：基于 TensorFlow 构建图片风格迁移模型

14.ctr_models

代码基于 TensorFlow 2.0 版本实现了 DeepFM、Deep&Cross、xDeepFM 以及 AutoInt 四个 CTR（点击率预估）算法。

文章地址：CTR 预估模型：DeepFM/Deep&Cross/xDeepFM/AutoInt 代码实战与讲解

不定期更新干货，欢迎 Star（收藏），欢迎 Fork（分支）。

zhihu 开源工具快速上手指南

简介

本仓库是知乎专栏《机器不学习》的源代码集合，涵盖了深度学习领域的多种经典模型与实战案例。项目基于 Python 语言，主要使用 TensorFlow 框架（包含 1.6 及 2.0 版本），涉及自然语言处理（NLP）、计算机视觉（CV）及推荐系统等多个方向。

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：Linux / Windows / macOS
• 编程语言：Python 3.x
• 核心依赖：
  • TensorFlow (部分模块需 1.6 版本，CTR 模型需 2.0 版本)
  • Keras
  • NumPy, Matplotlib 等常用科学计算库
• 硬件建议：
  • CPU 可运行基础模型（如 LSTM、Word2Vec）。
  • 推荐使用 GPU 以加速卷积神经网络（CNN）、生成对抗网络（GAN）及图像风格迁移等任务。

💡 国内加速提示：安装 Python 包时，建议使用国内镜像源以提升下载速度。例如使用清华源：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>

安装步骤

由于本项目为教程代码集合，不同模块可能依赖不同的环境配置，建议按以下步骤操作：

1. 克隆仓库 将代码下载到本地：

   git clone https://github.com/NELSONZHAO/zhihu.git
   cd zhihu
   

2. 安装依赖 进入具体功能模块目录（如 anna_lstm），检查是否存在 requirements.txt 文件。若无，则根据模块需求手动安装 TensorFlow 及相关库：

   # 示例：安装 TensorFlow 1.6
   pip install tensorflow==1.6.0
   
   # 示例：安装 TensorFlow 2.0 (用于 ctr_models)
   pip install tensorflow==2.0.0
   

3. 数据准备 部分模块需要特定数据集（如 MNIST、CIFAR、英文语料等）。请根据各模块说明自行下载或确认数据路径。

基本使用

本项目采用模块化设计，每个子文件夹对应一个独立的项目。以下是通用运行流程：

1. 选择模块 根据您的兴趣选择对应的文件夹，例如：

   • 文本生成：anna_lstm (LSTM 字符级生成)
   • 词向量：skip-gram (Word2Vec 实现)
   • 图像分类：cifar_cnn (卷积神经网络)
   • 图像生成：mnist_gan / dcgan (GAN/DCGAN)
   • 机器翻译：machine_translation_seq2seq / mt_attention_birnn

2. 运行脚本 进入目标文件夹，执行主程序脚本。通常命令如下（具体文件名请参考文件夹内说明）：

   python main.py
   # 或
   python train.py
   

3. 查看结果 训练完成后，生成的模型权重、预测图片或日志通常会保存在当前目录下的 output 或 logs 文件夹中。

📚 详细教程：每个模块都配有详细的知乎专栏文章进行讲解，建议在运行代码前阅读对应文章以理解参数配置与原理。

• 专栏地址：https://zhuanlan.zhihu.com/zhaoyeyu