TensorFlow 研讨会资料

此仓库包含用于 TensorFlow 研讨会的材料。

目前不接受贡献。这并非 Google 的官方产品。

入门

• 构建一个小型入门 TensorFlow 图
• XOR：一个最小的训练示例
• 一个使用 Dataset 的 LinearRegressor 示例。

通过 MNIST 和 'fashion MNIST' 介绍 TensorFlow 高级 API

• 使用 TensorFlow 高级 API 构建分类器，并介绍 TensorBoard。
• 在 'Fashion MNIST' 数据集上使用 Keras 与 TensorFlow eager 模式的一个示例：该笔记本展示了在 'Fashion MNIST' 数据集上使用 Keras 与 TensorFlow eager 模式的示例。此笔记本需要 TensorFlow >=1.7。
• 为使用 CNN 的 MNIST 版本构建自定义 Estimator，可以使用 TensorFlow 或 Keras 层。

'Wide & Deep'

• 使用 tf.estimator 训练 'Wide & Deep' 模型。该示例重点介绍了 tf.feature_columns 的使用，它们是原始数据与 Estimator 之间的桥梁，能够将各种原始数据转换为 Estimator 可以使用的格式，并便于实验。此外还包含了 tf.estimator.train_and_evaluate 和 Datasets 的使用。

附加内容

• 迁移学习：使用预训练模型“启动”新分类的学习 通过 Cloud ML Engine。这个示例仍然有效（并且很有趣），但使用的是 TensorFlow v1.2，因此并未展示当前的最佳实践。

• (可能已过时) 使用自定义 Estimator 构建 word2vec 模型，并探索学习到的嵌入。介绍 TFRecords。

此外，还有一个 extras 目录，其中包含一些较旧的实验，目前未在此研讨会上使用（并且可能无法在最新版本的 TF 上运行），但或许仍具有参考价值。

TensorFlow Workshop 快速上手指南

环境准备

系统要求

• 操作系统：Windows、macOS 或 Linux
• Python 版本：3.6 - 3.9（推荐使用 Python 3.8）
• GPU 支持（可选）：NVIDIA CUDA 11.x 及以上版本

前置依赖

• Python 3.x（建议使用 Anaconda 进行环境管理）
• pip（Python 包管理工具）

推荐使用国内镜像源加速安装，例如：

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

安装步骤

1. 克隆仓库到本地：

git clone https://github.com/tensorflow/workshop.git
cd workshop

2. 安装 TensorFlow：

pip install tensorflow==2.10.0

如果需要 GPU 支持，安装对应的 GPU 版本：

pip install tensorflow-gpu==2.10.0

基本使用

示例：运行一个简单的 TensorFlow 图

进入 getting_started/starter_tf_graph 目录并运行示例代码：

cd workshop_sections/getting_started/starter_tf_graph
python starter_tf_graph.py

示例：运行 XOR 训练示例

进入 getting_started/xor 目录并运行示例代码：

cd workshop_sections/getting_started/xor
python xor.py

示例：使用 Keras 和 Eager Execution 的 Fashion MNIST 分类

打开 workshop_sections/high_level_APIs/mnist_eager_keras.ipynb 并在 Jupyter Notebook 中运行。

注意：该示例需要 TensorFlow >= 1.7。建议使用 TensorFlow 2.x 版本以获得更好的兼容性。