TensorFlow 示例

本教程旨在通过示例帮助您轻松入门 TensorFlow。为提高可读性，教程同时提供了带有讲解的笔记本和源代码，涵盖 TensorFlow 1.x 和 2.x 版本。

它非常适合希望找到清晰简洁的 TensorFlow 示例的初学者。除了传统的“原生”TensorFlow 实现外，您还可以学习最新的 TensorFlow API 使用实践（例如 layers、estimator、dataset 等）。

更新（2020年5月16日）： 所有默认示例已迁移到 TensorFlow 2。如需查看 TensorFlow 1.x 的示例，请访问：此处。

教程索引

0 - 前置知识

• 机器学习简介。
• MNIST 数据集简介。

1 - 入门

• Hello World (笔记本)。一个非常简单的示例，用于学习如何使用 TensorFlow 2.0+ 打印“hello world”。
• 基本操作 (笔记本)。一个简单的示例，涵盖 TensorFlow 2.0+ 的基本操作。

2 - 基础模型

• 线性回归 (笔记本)。使用 TensorFlow 2.0+ 实现线性回归。
• 逻辑回归 (笔记本)。使用 TensorFlow 2.0+ 实现逻辑回归。
• Word2Vec（词嵌入） (笔记本)。使用 TensorFlow 2.0+，基于维基百科数据构建词嵌入模型（Word2Vec）。
• GBDT（梯度提升决策树） (笔记本)。使用 TensorFlow 2.0+ 实现梯度提升决策树，以波士顿住房数据集预测房价。

3 - 神经网络

监督学习

• 简单神经网络 (笔记本)。使用 TensorFlow 2.0 的 layers 和 model API 构建一个简单的神经网络，用于分类 MNIST 数字数据集。
• 简单神经网络（低阶实现） (笔记本)。对 MNIST 数字数据集进行分类的简单神经网络的原始实现。
• 卷积神经网络 (笔记本)。使用 TensorFlow 2.0+ 的 layers 和 model API 构建卷积神经网络，用于分类 MNIST 数字数据集。
• 卷积神经网络（低阶实现） (笔记本)。对 MNIST 数字数据集进行分类的卷积神经网络的原始实现。
• 循环神经网络（LSTM） (笔记本)。使用 TensorFlow 2.0 的 layers 和 model API 构建循环神经网络（LSTM），用于分类 MNIST 数字数据集。
• 双向循环神经网络（LSTM） (笔记本)。使用 TensorFlow 2.0+ 的 layers 和 model API 构建双向循环神经网络（LSTM），用于分类 MNIST 数字数据集。
• 动态循环神经网络（LSTM） (笔记本)。使用 TensorFlow 2.0+ 的 layers 和 model API 构建动态计算的循环神经网络（LSTM），用于对变长序列进行分类。

无监督学习

• 自编码器 (笔记本)。构建自编码器，将图像编码为低维表示并重新构造。
• DCGAN（深度卷积生成对抗网络） (笔记本)。构建深度卷积生成对抗网络（DCGAN），从噪声中生成图像。

4 - 工具

• 保存和恢复模型 (笔记本)。使用 TensorFlow 2.0+ 保存和恢复模型。
• 构建自定义层与模块 (笔记本)。学习如何构建自己的层或模块，并将其集成到 TensorFlow 2.0+ 模型中。
• TensorBoard (笔记本)。使用 TensorFlow 2.0+ 的 TensorBoard 跟踪和可视化神经网络的计算图、指标、权重等。

5 - 数据管理

• 加载和解析数据 (笔记本)。使用 TensorFlow 2.0 构建高效的数据流水线（NumPy 数组、图像、CSV 文件、自定义数据等）。
• 构建和加载 TFRecords (笔记本)。将数据转换为 TFRecords 格式，并使用 TensorFlow 2.0+ 加载。
• 图像变换（即图像增强） (笔记本)。使用 TensorFlow 2.0+ 应用各种图像增强技术，生成用于训练的扭曲图像。

6 - 硬件

• 多 GPU 训练 (笔记本)。在 CIFAR-10 数据集上使用多个 GPU 训练卷积神经网络。

TensorFlow v1

TF v1 的教程索引在此处提供：TensorFlow v1.15 示例。或者参见下方的示例列表。

数据集

一些示例需要使用 MNIST 数据集进行训练和测试。不用担心，运行这些示例时，该数据集会自动下载。 MNIST 是一个手写数字数据库。如需对该数据集的简要介绍，可以查看 这个笔记本。

官方网站：http://yann.lecun.com/exdb/mnist/。

安装

要下载所有示例，只需克隆此仓库：

git clone https://github.com/aymericdamien/TensorFlow-Examples

要运行这些示例，您还需要最新版本的 TensorFlow。安装方法如下：

pip install tensorflow

或者（支持 GPU）：

pip install tensorflow_gpu

有关 TensorFlow 安装的更多详细信息，请参阅 TensorFlow 安装指南。

TensorFlow v1 示例索引

TF v1 的教程索引在此处提供：TensorFlow v1.15 示例。

0 - 前置知识

• 机器学习简介。
• MNIST 数据集简介。

1 - 入门

• Hello World（笔记本）（代码）。这是一个非常简单的示例，用于学习如何使用 TensorFlow 打印“hello world”。
• 基本操作（笔记本）（代码）。这是一个简单的示例，涵盖了 TensorFlow 的基本操作。
• TensorFlow Eager API 基础（笔记本）（代码）。开始使用 TensorFlow 的 Eager API。

2 - 基本模型

• 线性回归（笔记本）（代码）。使用 TensorFlow 实现线性回归。
• 线性回归（Eager API）（笔记本）（代码）。使用 TensorFlow 的 Eager API 实现线性回归。
• 逻辑回归（笔记本）（代码）。使用 TensorFlow 实现逻辑回归。
• 逻辑回归（Eager API）（笔记本）（代码）。使用 TensorFlow 的 Eager API 实现逻辑回归。
• 最近邻算法（笔记本）（代码）。使用 TensorFlow 实现最近邻算法。
• K-Means 聚类（笔记本）（代码）。使用 TensorFlow 构建 K-Means 分类器。
• 随机森林（笔记本）（代码）。使用 TensorFlow 构建随机森林分类器。
• 梯度提升决策树（GBDT）（笔记本）（代码）。使用 TensorFlow 构建梯度提升决策树（GBDT）。
• Word2Vec（词嵌入）（笔记本）（代码）。使用 Wikipedia 数据，通过 TensorFlow 构建词嵌入模型（Word2Vec）。

3 - 神经网络

监督学习

• 简单神经网络（笔记本）（代码）。构建一个简单的神经网络（即多层感知机），用于对MNIST手写数字数据集进行分类。原始TensorFlow实现。
• 简单神经网络（tf.layers/estimator API）（笔记本）（代码）。使用TensorFlow的‘layers’和‘estimator’API，构建一个简单的神经网络（即多层感知机），用于对MNIST手写数字数据集进行分类。
• 简单神经网络（eager API）（笔记本）（代码）。使用TensorFlow Eager API，构建一个简单的神经网络（即多层感知机），用于对MNIST手写数字数据集进行分类。
• 卷积神经网络（笔记本）（代码）。构建一个卷积神经网络，用于对MNIST手写数字数据集进行分类。原始TensorFlow实现。
• 卷积神经网络（tf.layers/estimator API）（笔记本）（代码）。使用TensorFlow的‘layers’和‘estimator’API，构建一个卷积神经网络，用于对MNIST手写数字数据集进行分类。
• 循环神经网络（LSTM）（笔记本）（代码）。构建一个循环神经网络（LSTM），用于对MNIST手写数字数据集进行分类。
• 双向循环神经网络（LSTM）（笔记本）（代码）。构建一个双向循环神经网络（LSTM），用于对MNIST手写数字数据集进行分类。
• 动态循环神经网络（LSTM）（笔记本）（代码）。构建一个循环神经网络（LSTM），能够对不同长度的序列进行动态计算并分类。

无监督学习

• 自编码器（笔记本）（代码）。构建一个自编码器，将图像编码为低维表示，并将其重构。
• 变分自编码器（笔记本）（代码）。构建一个变分自编码器（VAE），用于从噪声中编码和生成图像。
• GAN（生成对抗网络）（笔记本）（代码）。构建一个生成对抗网络（GAN），用于从噪声中生成图像。
• DCGAN（深度卷积生成对抗网络）（笔记本）（代码）。构建一个深度卷积生成对抗网络（DCGAN），用于从噪声中生成图像。

4 - 工具类

• 保存与恢复模型（笔记本）（代码）。使用TensorFlow保存和恢复模型。
• TensorBoard - 图形与损失可视化（笔记本）（代码）。使用TensorBoard可视化计算图并绘制损失曲线。
• TensorBoard - 高级可视化（笔记本）（代码）。深入探索TensorBoard；可视化变量、梯度等更多内容……

5 - 数据管理

• 构建图像数据集（笔记本）（代码）。使用 TensorFlow 数据队列，从图像文件夹或数据集文件中构建您自己的图像数据集。
• TensorFlow Dataset API（笔记本）（代码）。介绍 TensorFlow Dataset API，用于优化输入数据流水线。
• 加载和解析数据（笔记本）。构建高效的数据流水线（NumPy 数组、图像、CSV 文件、自定义数据等）。
• 构建并加载 TFRecords（笔记本）。将数据转换为 TFRecords 格式，并加载它们。
• 图像变换（即图像增强）（笔记本）。应用各种图像增强技术，生成用于训练的扭曲图像。

6 - 多 GPU

• 多 GPU 上的基本操作（笔记本）（代码）。一个简单的示例，介绍 TensorFlow 中的多 GPU 使用。
• 在多 GPU 上训练神经网络（笔记本）（代码）。一个清晰且简单的 TensorFlow 实现，用于在多个 GPU 上训练卷积神经网络。

更多示例

以下示例来自 TFLearn，这是一个为 TensorFlow 提供简化接口的库。您可以查看其中的许多 示例 和 预构建的操作与层。

教程

• TFLearn 快速入门。通过一个具体的机器学习任务学习 TFLearn 的基础知识。构建并训练一个深度神经网络分类器。

示例

• TFLearn 示例。大量使用 TFLearn 的示例集合。

TensorFlow-Examples 快速上手指南

本指南基于 TensorFlow-Examples 开源项目，旨在帮助开发者通过清晰的代码示例快速掌握 TensorFlow 2.x 的核心用法。项目涵盖了从基础操作、经典机器学习模型到深度神经网络（CNN, RNN, GAN 等）的完整实现。

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：推荐 Python 3.6 - 3.9
• 前置依赖：
  • git：用于克隆代码仓库
  • pip：Python 包管理工具
  • Jupyter Notebook (可选)：用于运行 .ipynb 格式的教程笔记
• 硬件建议：
  • 基础示例：普通 CPU 即可运行
  • 深度学习/多 GPU 示例：建议配备 NVIDIA GPU 并安装对应的 CUDA 驱动

安装步骤

1. 克隆项目仓库

使用以下命令将示例代码下载到本地：

git clone https://github.com/aymericdamien/TensorFlow-Examples
cd TensorFlow-Examples

国内加速提示：如果访问 GitHub 速度较慢，可使用国内镜像源（如 Gitee 镜像，若有）或配置代理。

2. 安装 TensorFlow

项目默认基于 TensorFlow 2.x。根据您的硬件环境选择安装命令：

方案 A：仅 CPU 版本（通用）

pip install tensorflow

方案 B：GPU 支持版本（需具备 NVIDIA 显卡）

pip install tensorflow-gpu

国内源加速：推荐使用清华源或阿里源加速安装：

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

3. 安装其他依赖（可选）

部分笔记可能需要 matplotlib, numpy, pandas 等库，通常 TensorFlow 会自带部分依赖。如有缺失，可执行：

pip install jupyter matplotlib numpy pandas

基本使用

本项目提供了两种主要的使用方式：直接运行 Python 脚本或使用 Jupyter Notebook 交互式学习。

方式一：运行 Hello World 示例

这是最简单的入门示例，用于验证环境是否配置正确。

1. 进入示例目录：

cd tensorflow_v2/notebooks/1_Introduction

2. 运行基础操作示例（以 Python 脚本为例，若目录下为 notebook 请使用 jupyter notebook 打开）： 如果您想直接测试 TensorFlow 是否正常工作，可以在终端运行以下简短代码：

import tensorflow as tf

# 打印 TensorFlow 版本
print("TensorFlow version:", tf.__version__)

# 简单的张量计算
hello = tf.constant('Hello, TensorFlow!')
print(hello.numpy())

方式二：使用 Jupyter Notebook 学习

这是本项目推荐的学习方式，包含详细的代码解释和运行结果。

1. 启动 Jupyter Notebook：

jupyter notebook

(注：请在项目根目录或 tensorflow_v2/notebooks 目录下运行此命令)

2. 在浏览器中导航至感兴趣的教程，例如：

   • 基础入门：1_Introduction/helloworld.ipynb
   • 线性回归：2_BasicModels/linear_regression.ipynb
   • 卷积神经网络：3_NeuralNetworks/convolutional_network.ipynb

3. 点击单元格按 Shift + Enter 依次运行代码。

   • 注意：首次运行涉及数据集（如 MNIST）的示例时，系统会自动下载数据，请保持网络连接畅通。

核心学习路径推荐

按照以下顺序循序渐进：

1. Prerequisite：了解机器学习基础与 MNIST 数据集。
2. Introduction：掌握 TF 2.x 的基本运算与 eager execution。
3. Basic Models：实践线性回归、逻辑回归等传统算法。
4. Neural Networks：深入 CNN、RNN/LSTM 及生成对抗网络（GAN）。
5. Utilities & Data Management：学习模型保存、自定义层及高效数据管道构建。