TensorFlow 教程 - 由 NVIDIA 使用

通过示例和可视化，结合交互式 Jupyter 笔记本，从零开始学习 TensorFlow。学习如何在 Kaggle 叶片检测挑战赛 中取得好成绩！

所有练习都设计为可以在笔记本电脑的 CPU 上运行，但也可以利用 GPU 资源来加速。

实验室 1 至 4 曾被 NVIDIA 和 Persontyle 在伦敦举办的 使用 TensorFlow 的深度学习课程 中采用。

致谢

实验室 1、2、3 和 5 均基于 Theano/Lasagne 进行了翻译，并做了少量修改，参考了以下仓库：NVIDIA 夏季营 和 02456 深度学习。原作者包括：skaae、casperkaae 和 larsmaaloee。

感谢教授 Ole Winther 对本教程的指导与支持。

设置与安装

关于如何在 Linux、OSX 和 Windows 系统上使用 Docker 下载并安装 TensorFlow 的指南，请参阅 此处。

教材内容

本教材共包含 5 个实验。

Lab1 - FFN

逻辑回归以及在著名 MNIST 数据集上的前馈神经网络（FFN）！

可选阅读材料来自 Michael Nielsen 第 1 至 4 章（建议完成 3 到 5 个可选习题）。

Lab2 - CNN

卷积神经网络（CNN）及图像空间变换器。

可选阅读材料来自 Michael Nielsen 第 6 章（请在“其他深度神经网络方法”一节停止阅读）。

Lab3 - RNN

基于编码器-解码器模型及带注意力机制的编码器-解码器模型的循环神经网络（RNN），用于机器翻译任务。

可选阅读材料来自 Alex Graves 第 3.1、3.2 和 4 章。

Lab4 - Kaggle

使用 FFN、CNN 和 RNN 参加 Kaggle 比赛 叶片分类。

Lab5 - AE

无监督学习：自编码器（AE）仅利用两个隐变量重建 MNIST 数据集。

可选阅读材料来自 deeplearningbook.org 第 14 章。

TensorFlow Tutorial 快速上手指南

本指南基于 Nvidia 使用的开源教程，旨在通过交互式 Jupyter Notebook 和可视化示例，帮助开发者从零开始掌握 TensorFlow。所有练习默认设计为在笔记本电脑 CPU 上运行，同时也支持 GPU 加速。

环境准备

• 操作系统：Linux, macOS 或 Windows
• 核心依赖：Docker（推荐方式，可避免环境配置冲突）
• 硬件要求：
  • 最低配置：普通笔记本电脑 CPU
  • 推荐配置：配备 NVIDIA GPU 的机器（用于加速训练）
• 前置知识：建议具备基础的 Python 编程能力

安装步骤

本项目推荐使用 Docker 进行环境部署，以确保依赖一致性。

1. 安装 Docker 请前往 Docker 官网 下载并安装适合您操作系统的 Docker Desktop。 国内用户可使用阿里云镜像加速器提升拉取速度：

   # 配置 Docker  daemon.json (Linux/macOS 示例)
   {
     "registry-mirrors": ["https://<your-id>.mirror.aliyuncs.com"]
   }
   

2. 克隆项目仓库

   git clone https://github.com/alrojo/tensorflow-tutorial.git
   cd tensorflow-tutorial
   

3. 构建并启动容器 进入 download-and-setup 目录查看具体的 Docker 构建脚本，或直接使用官方提供的镜像（如果可用）。通常步骤如下：

   # 进入设置目录
   cd download-and-setup
   
   # 构建镜像 (具体 Dockerfile 名称请参考该目录下文件)
   docker build -t tensorflow-tutorial .
   
   # 启动容器并映射 Jupyter 端口
   docker run -it -p 8888:8888 -v $(pwd)/..:/home/jovyan/work tensorflow-tutorial
   

   注：启动后终端会输出带有 Token 的 Jupyter Notebook 访问链接（如 http://localhost:8888/?token=...），请在浏览器中打开该链接。

基本使用

启动成功后，您将在 Jupyter 界面中看到 5 个核心实验文件夹。以下是快速体验第一个实验（前馈神经网络）的步骤：

1. 进入实验目录 在 Jupyter 文件浏览器中，点击进入 lab1_FFN 文件夹。

2. 运行示例 Notebook 打开名为 Lab1_FFN_MNIST.ipynb（或类似名称）的文件。

3. 执行代码

   • 点击菜单栏的 Cell -> Run All 依次运行所有单元格。
   • 您将看到逻辑回归和前馈神经网络（FFN）在 MNIST 数据集上的训练过程及可视化结果。

4. 探索其他实验 完成 Lab 1 后，可按顺序挑战以下模块：

   • lab2_CNN: 卷积神经网络与空间变换器。
   • lab3_RNN: 基于 Encoder-Decoder 的翻译模型及注意力机制。
   • lab4_Kaggle: 参与 Kaggle 叶片分类竞赛的综合实战。
   • lab5_AE: 使用自编码器进行无监督学习。

提示：所有代码均在 Notebook 中提供详细说明，您可以直接修改参数观察模型变化，无需额外编写代码即可开始学习。