🎉TensorFlow2.0-Examples🎉!

"空谈误事，实干兴邦。" ----- 林纳斯·托瓦兹

本教程旨在帮助大家轻松入门 TensorFlow 2.0。其中包含了带有解释的笔记本和源代码。将持续更新！ 🐍🐍🐍🐍🐍🐍

目录

1 - 简介

• Hello World (笔记本) (代码)。一个非常简单的示例，教你如何使用 TensorFlow 打印“hello world”。
• 变量 (笔记本) (代码)。学习在 TensorFlow 中使用变量。
• 基础操作 (笔记本) (代码)。一个涵盖 TensorFlow 基础操作的简单示例。
• 激活函数 (笔记本) (代码)。开始了解 TensorFlow 中的一些激活函数。
• GradientTape (笔记本) (代码)。介绍自动微分的关键技术。

2 - 基础模型

• 线性回归 (笔记本) (代码)。用 TensorFlow 实现线性回归模型。
• 逻辑回归 (笔记本) (代码)。用 TensorFlow 实现逻辑回归模型。
• 多层感知器 (笔记本) (代码)。用 TensorFlow 实现多层感知器模型。
• CNN (笔记本) (代码)。用 TensorFlow 实现 CNN 模型。

3 - 神经网络架构

• VGG16 (笔记本) (代码)(论文)。VGG16：用于大规模图像识别的超深卷积神经网络。
• ResNet (笔记本) (代码)(论文)。ResNet：用于图像识别的深度残差学习。🔥🔥🔥
• 自编码器 (笔记本) (代码)(论文)。自编码器：利用神经网络降低数据维度。

• FPN (笔记本) (代码)(论文)。FPN：用于目标检测的特征金字塔网络。

4 - 目标检测

• RPN (笔记本) (代码)(论文)。RPN：区域建议网络 🔥🔥🔥🔥🔥

• MTCNN (笔记本) (代码)(论文)。MTCNN：基于多任务级联卷积网络的人脸检测与对齐。（人脸检测与对齐）🔥🔥

• YOLOv3 (笔记本) (代码)(论文)。YOLOv3：一次增量改进。🔥🔥🔥🔥

• SSD (笔记本) (代码)(论文). SSD：单次多框检测器。🔥🔥🔥🔥 【待完成】

• Faster R-CNN (笔记本) (代码)(论文). Faster R-CNN：基于区域建议网络的实时目标检测。🔥🔥🔥🔥 【待完成】

5 - 图像分割

• FCN (笔记本) (代码)(论文). FCN：用于语义分割的全卷积网络。 🔥🔥🔥🔥🔥

• Unet (笔记本) (代码)(论文). U-Net：用于生物医学图像分割的卷积网络。 🔥🔥

6 - 生成对抗网络

• DCGAN (笔记本) (代码)(论文). 深度卷积生成对抗网络。
• Pix2Pix (笔记本) (代码)(论文). 基于条件对抗网络的图像到图像转换。

7 - 工具

• 多GPU训练 (笔记本)(代码). 使用多块GPU来训练你的模型。

TensorFlow2.0-Examples 快速上手指南

本指南旨在帮助开发者快速上手 TensorFlow2.0-Examples 项目，通过丰富的代码示例（包含 Notebook 和源码）深入学习 TensorFlow 2.0 的核心功能、基础模型、经典网络架构及前沿应用（如目标检测、图像分割、GAN 等）。

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, macOS 或 Windows
• Python 版本: Python 3.6 - 3.8 (推荐 Python 3.7)
• 前置依赖:
  • TensorFlow 2.x
  • Jupyter Notebook (用于运行 .ipynb 文件)
  • NumPy, Matplotlib, Pillow 等常用科学计算库

💡 国内加速建议 推荐使用清华大学或阿里云镜像源安装依赖，以提升下载速度：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow jupyter notebook matplotlib pillow

安装步骤

1. 克隆项目仓库 使用 git 将项目代码下载到本地：

   git clone https://github.com/YunYang1994/TensorFlow2.0-Examples.git
   cd TensorFlow2.0-Examples
   

2. 安装依赖包 进入项目目录后，安装运行示例所需的依赖（如果项目中包含 requirements.txt）：

   pip install -r requirements.txt
   

   注：若项目中无 requirements.txt，请直接参考“环境准备”中的命令安装核心库。

3. 验证环境 启动 Jupyter Notebook 以查看并运行教程：

   jupyter notebook
   

   浏览器将自动打开，导航至项目文件夹即可看到各个章节的 Notebook 文件。

基本使用

本项目按模块分类，从基础语法到复杂模型层层递进。以下是运行第一个示例 "Hello World" 的步骤，用于验证 TensorFlow 是否正常工作。

1. 运行 Hello World 示例

你可以选择直接运行 Python 脚本或在 Jupyter Notebook 中交互运行。

方式 A：运行 Python 脚本

python 1-Introduction/helloworld.py

预期输出：成功打印 "hello world" 及相关 Tensor 信息。

方式 B：使用 Jupyter Notebook 在 Jupyter 界面中打开 1-Introduction/helloworld.ipynb，依次执行单元格。

2. 代码示例解析

以下是 helloworld.py 的核心逻辑演示，展示了 TensorFlow 2.0 的即时执行模式（Eager Execution）：

import tensorflow as tf

# 定义一个简单的字符串常量
hello = tf.constant('Hello, TensorFlow!')

# 直接打印 Tensor 的值（TF 2.0 默认开启 Eager Execution）
print(hello.numpy())

3. 探索更多示例

项目结构清晰，你可以根据需求进入对应文件夹学习：

• 基础入门 (1-Introduction): 学习变量、基本运算、激活函数及 GradientTape 自动求导。
• 基础模型 (2-Basical_Models): 实现线性回归、逻辑回归、多层感知机 (MLP) 和 CNN。
• 经典架构 (3-Neural_Network_Architecture): 复现 VGG16, ResNet, AutoEncoder, FPN 等。
• 目标检测 (4-Object_Detection): 包含 RPN, MTCNN, YOLOv3, SSD, Faster R-CNN 等实战代码。
• 图像分割 (5-Image_Segmentation): 学习 FCN 和 U-Net 网络。
• 生成对抗网络 (6-Generative_Adversarial_Networks): 尝试 DCGAN 和 Pix2Pix。

提示：每个文件夹下均提供 .py 源码和对应的 .ipynb 笔记，建议优先阅读 Notebook 以获取详细的代码解释和运行结果展示。