令人惊叹的 TensorFlow 实现

非常简单的 TensorFlow 示例

• 代码：https://github.com/nlintz/TensorFlow-Tutorials

序列到序列——视频转文本

• Subhashini Venugopalan、Marcus Rohrbach、Jeff Donahue、Raymond Mooney、Trevor Darrell、Kate Saenko，arXiv，2015 年
• [代码]
• [论文]

序列到序列——聊天机器人

• Oriol Vinyals、Quoc V. Le，arXiv，2015 年
• [代码]
• [论文]

展示与讲述：神经图像字幕生成器

• Oriol Vinyals、Alexander Toshev、Samy Bengio、Dumitru Erhan，arXiv，2015 年
• [代码]
• [论文]

展示、关注与讲述：基于视觉注意力的神经图像字幕生成

• Kelvin Xu、Jimmy Ba、Ryan Kiros、Kyunghyun Cho、Aaron Courville、Ruslan Salakhutdinov、Richard Zemel、Yoshua Bengio，ICLR，2014 年
• [代码]
• [论文]

学习深度特征用于判别性定位

• Bolei Zhou、Aditya Khosla、Agata Lapedriza、Aude Oliva、Antonio Torralba，CVPR，2016 年
• [代码]
• [论文]

深度视觉类比生成

• Scott Reed、Yi Zhang、Yuting Zhang、Honglak Lee，NIPS，2015 年
• [代码]
• [论文]

深度卷积生成对抗网络

• Alec Radford、Luke Metz、Soumith Chintala，arXiv，2015 年
• [代码]
• [论文]

端到端记忆网络

• Sainbayar Sukhbaatar、Arthur Szlam、Jason Weston、Rob Fergus，NIPS，2015 年
• [代码]
• [论文]

字符感知的神经语言模型

• Yoon Kim、Yacine Jernite、David Sontag、Alexander M. Rush，AAAI，2016 年
• [代码]
• [论文]

深度强化学习

通过深度强化学习实现人类水平控制

• Volodymyr Mnih 等人，2014 年
• [代码1]，未在 Atari 上训练
• [代码2]
• [论文]

带有双 Q 学习的深度强化学习

• Hado van Hasselt、Arthur Guez、David Silver，2015 年
• [代码]
• [论文]

使用深度 Q 网络学习如何玩 Flappy Bird

• Kevin Chen，Flappy Bird 的深度强化学习，来自 http://cs229.stanford.edu/ 2015 年项目报告
• [代码]
• [报告]

基于阶梯网络的半监督学习

• A Rasmus、H Valpola、M Honkala、M Berglund 和 T Raiko，NIPS，2015 年
• [代码]
• [论文]
• [补充材料]

用于句子分类的卷积神经网络

• Yoon Kim，EMNLP，2014 年
• [代码]
• [论文]
• [补充材料]

用于图像识别的深度残差学习

• K He、X Zhang、S Ren、J Sun
• [代码] 用于 CIFAR-10 数据集
• [论文1]，[论文2]

colornet —— 将灰度图像彩色化的神经网络

• pavelgonchar
• [GitHub 页面]
• [论文1 - 用于目标分割和细粒度定位的超柱状结构]
• [论文2 - 用于大规模图像识别的超深卷积网络]
• [解释]

DoReFa-Net：使用低比特梯度训练低比特宽度卷积神经网络

• Shuchang Zhou、Zekun Ni、Xinyu Zhou、He Wen、Yuxin Wu、Yuheng Zou，2016 年
• [代码]
• [论文]

艺术风格的神经算法

• Leon A. Gatys、Alexander S. Ecker、Matthias Bethge
• [代码 - TensorFlow 中的艺术风格转移！]
• [博客 - http://www.anishathalye.com/2015/12/19/an-ai-that-can-mimic-any-artist/]
• [艺术风格的神经算法]

序列生成对抗网络

• Lantao Yu、Weinan Zhang、Jun Wang、Yong Yu
• [代码]
• [论文]

贡献

你是否发现了新的 TensorFlow 实现？欢迎随时提交 Pull Request。

awesome_tensorflow_implementations 快速上手指南

awesome_tensorflow_implementations 并非一个单一的 Python 包，而是一个精选的 TensorFlow 经典论文代码实现合集。本指南将指导你如何配置环境并运行其中的示例项目（以经典的 DCGAN 或 神经风格迁移 为例）。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统: Linux (推荐 Ubuntu), macOS 或 Windows (需配置 WSL2 以获得最佳兼容性)。
• Python 版本: 建议 Python 3.6 - 3.8 (部分旧版实现可能不兼容 Python 3.9+)。
• GPU 支持 (可选但推荐): 大多数深度学习模型需要 NVIDIA GPU 加速。
  • NVIDIA Driver >= 450.80.02
  • CUDA Toolkit 11.0+
  • cuDNN 8.0+
• 前置依赖:
  • git: 用于克隆代码仓库。
  • pip: Python 包管理工具。
  • virtualenv 或 conda: 强烈建议使用虚拟环境隔离依赖。

安装步骤

由于该仓库包含多个独立项目，我们需要先克隆仓库，然后针对具体项目安装依赖。

1. 克隆仓库

git clone https://github.com/nlintz/TensorFlow-Tutorials.git
# 或者克隆包含更多高级实现的集合（根据 README 中的具体链接）
git clone https://github.com/carpedm20/DCGAN-tensorflow.git

注：README 中列出了不同论文对应的独立仓库地址，请根据你想运行的具体模型选择对应的仓库进行克隆。以上以 DCGAN 为例。

2. 创建并激活虚拟环境

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

3. 安装 TensorFlow 及依赖

为了获得更快的下载速度，推荐使用国内镜像源（如清华源或阿里源）。

# 升级 pip
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade pip

# 安装 TensorFlow (根据显卡情况选择 tensorflow 或 tensorflow-gpu)
# 注意：旧版实现可能需要特定版本的 TF (如 1.x)，新版实现需要 TF 2.x
# 此处以安装通用最新版为例，若运行报错请查阅具体项目的 requirements.txt
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow

# 安装其他常见依赖 (opencv, numpy, scipy 等)
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python numpy scipy matplotlib

4. 下载数据集

大多数示例需要训练数据（如 MNIST, CIFAR-10, CelebA 等）。通常首次运行代码时会自动下载，如果下载失败，可手动下载后放入指定目录。

• 例如 DCGAN 通常需要 celebA 数据集，需自行下载并解压到 data/celebA 文件夹。

基本使用

以下以运行 Deep Convolutional Generative Adversarial Networks (DCGAN) 为例，展示最基础的使用流程。其他项目的使用方式类似，通常都在项目根目录下运行主脚本。

1. 进入项目目录

cd DCGAN-tensorflow

2. 检查配置文件 (可选)

部分项目允许通过命令行参数或修改 main.py / config.py 来调整超参数（如学习率、Batch Size、迭代次数）。

# 查看可用参数
python main.py --help

3. 运行训练

执行主脚本开始训练模型。

python main.py --dataset celebA --input_height=108 --train --crop

• --dataset: 指定数据集名称。
• --train: 开启训练模式。
• --crop: 对图像进行中心裁剪（常用于人脸数据集）。

4. 生成样本 (测试)

训练完成后（或加载预训练模型），可以生成新的图像。

python main.py --dataset celebA --input_height=108 --crop --sample_num=64

生成的图片通常会保存在 samples/ 或 output/ 目录中。

---

提示: 对于 README 中列出的其他项目（如 video_to_sequence, neural-style, MemN2N 等），请进入对应的 GitHub 仓库，参照其各自的 README.md 中的 "Usage" 部分运行特定的命令。核心步骤均为：克隆 -> 配环境 -> 下数据 -> 跑脚本。