DeepLearning.AI TensorFlow 开发者

欢迎来到本课程的公共仓库。

以下是按课程划分的作业和非评分实验列表。

想要贡献吗？

目前我们暂不接受 Pull Request，但如果您有任何建议或发现任何错别字，请提交一个问题。

如果您遇到任何阻碍您学习的错误，请考虑加入我们的社区，我们的导师和团队将为您提供帮助。您也可以在Coursera中的这篇阅读材料中找到更多关于社区的信息。

---

C1 - 人工智能、机器学习和深度学习中的 TensorFlow 入门

第一周

作业

• 房价预测 (C1W1_Assignment.ipynb)

非评分实验

1. 你好世界神经网络 (C1_W1_Lab_1_hello_world_nn.ipynb)

第二周

作业

• 手写数字识别 (C1W2_Assignment.ipynb)

非评分实验

1. 超越“你好世界”：一个计算机视觉示例 (C1_W2_Lab_1_beyond_hello_world.ipynb)
2. 回调函数 (C1_W2_Lab_2_callbacks.ipynb)

第三周

作业

• 使用卷积改进 MNIST 数据集 (C1W3_Assignment.ipynb)

非评分实验

1. 通过卷积提高准确率 (C1_W3_Lab_1_improving_accuracy_using_convolutions.ipynb)
2. 探索卷积 (C1_W3_Lab_2_exploring_convolutions.ipynb)

第四周

作业

• 处理复杂图像 (C1W4_Assignment.ipynb)

非评分实验

1. 图像预处理以训练神经网络 (C1_W4_Lab_1_image_data_preprocessing_no_validation.ipynb)
2. 带验证集的图像数据预处理 (C1_W4_Lab_2_image_data_preprocessing_with_validation.ipynb)
3. 图像压缩 (C1_W4_Lab_3_compacted_images.ipynb)

C2 - TensorFlow 中的卷积神经网络

第一周

作业

• 猫 vs. 狗 (C2W1_Assignment.ipynb)

非评分实验

1. 使用更复杂的图像进行卷积神经网络训练 (C2_W1_Lab_1_cats_vs_dogs.ipynb)

第二周

作业

• 使用数据增强的猫 vs. 狗 (C2W2_Assignment.ipynb)

非评分实验

1. 数据增强下的猫 vs. 狗 (C2_W2_Lab_1_cats_v_dogs_augmentation.ipynb)
2. 数据增强下的马 vs. 人类 (C2_W2_Lab_2_horses_v_humans_augmentation.ipynb)

第三周

作业

• 使用迁移学习的马 vs. 人类 (C2W3_Assignment.ipynb)

非评分实验

1. 探索迁移学习 (C2_W3_Lab_1_transfer_learning.ipynb)

第四周

作业

• 多分类器 (C2W4_Assignment.ipynb)

非评分实验

1. 分类石头、剪刀、布 (C2_W4_Lab_1_multi_class_classifier.ipynb)

C3 - TensorFlow 中的自然语言处理

第一周

作业

• 探索 BBC 新闻档案 (C3W1_Assignment.ipynb)

非评分实验

1. 构建词汇表 (C3_W1_Lab_1_building_a_vocabulary.ipynb)
2. 简单序列 (C3_W1_Lab_2_sequences_basic.ipynb)
3. 讽刺语句 (C3_W1_Lab_3_sarcasm.ipynb)

第二周

作业

• 对 BBC 新闻档案进行分类 (C3W2_Assignment.ipynb)

非评分实验

1. IMDB 评论的情感分析：正面或负面 (C3_W2_Lab_1_imdb.ipynb)
2. 讽刺语句分类器 (C3_W2_Lab_2_sarcasm_classifier.ipynb)
3. IMDB 评论的子词分割 (C3_W2_Lab_3_imdb_subwords.ipynb)

第三周

作业

• 探讨 NLP 中的过拟合问题 (C3W3_Assignment.ipynb)

非评分实验

1. 单层 LSTM 的 IMDB 子词分割 (C3_W3_Lab_1_single_layer_LSTM.ipynb)
2. 多层 LSTM 的 IMDB 子词分割 (C3_W3_Lab_2_multiple_layer_LSTM.ipynb)
3. 带一维卷积层的 IMDB 子词分割 (C3_W3_Lab_3_Conv1D.ipynb)
4. 带 GRU（可选 LSTM 和 Conv1D）的 IMDB 评论 (C3_W3_Lab_4_imdb_reviews_with_GRU_LSTM_Conv1D.ipynb)
5. 双向 LSTM 的讽刺语句分类 (C3_W3_Lab_5_sarcasm_with_bi_LSTM.ipynb)
6. 带一维卷积层的讽刺语句分类 (C3_W3_Lab_6_sarcasm_with_1D_convolutional.ipynb)

第四周

作业

• 使用 LSTM 创作莎士比亚风格的文本 (C3W4_Assignment.ipynb)

非评分实验

1. 爱尔兰音乐与 NLP (C3_W4_Lab_1.ipynb)
2. 从爱尔兰歌词生成诗歌 (C3_W4_Lab_2_irish_lyrics.ipynb)

C4 - 序列、时间序列与预测

第一周

作业

• 创建并预测合成数据 (C4W1_Assignment.ipynb)

非评分实验

1. 时间序列 (C4_W1_Lab_1_time_series.ipynb)
2. 预测 (C4_W1_Lab_2_forecasting.ipynb)

第二周

作业

• 使用 DNN 进行预测 (C4W2_Assignment.ipynb)

非评分实验

1. 准备特征和标签 (C4_W2_Lab_1_features_and_labels.ipynb)
2. 单层神经网络 (C4_W2_Lab_2_single_layer_NN.ipynb)
3. 深度神经网络 (C4_W2_Lab_3_deep_NN.ipynb)

第三周

作业

• 使用 RNN 和 LSTM 处理时间序列 (C4W3_Assignment.ipynb)

非评分实验

1. 循环神经网络 (RNN) (C4_W3_Lab_1_RNN.ipynb)
2. 长短期记忆网络 (LSTM) (C4_W3_Lab_2_LSTM.ipynb)

第四周

作业

• 墨尔本每日最低气温——真实生活数据 (C4W4_Assignment.ipynb)

非评分实验

1. 长短期记忆网络 (LSTM) (C4_W4_Lab_1_LSTM.ipynb)
2. 太阳黑子 (C4_W4_Lab_2_Sunspots.ipynb)
3. 仅使用 DNN 处理太阳黑子 _(C4_W4_Lab_3_DNN_only.ipynb)

TensorFlow Developer 课程开源项目快速上手指南

本指南基于 DeepLearning.AI 的 TensorFlow 开发者课程开源仓库（tensorflow-1-public），旨在帮助中国开发者快速搭建环境并运行课程中的作业与实验代码。

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：Windows 10/11, macOS (Intel 或 Apple Silicon), 或 Linux (Ubuntu 推荐)。
• Python 版本：建议安装 Python 3.8 - 3.10（TensorFlow 2.x 对这些版本支持最稳定）。
• 包管理器：已安装 pip 或 conda。
• 开发工具：推荐安装 Jupyter Notebook 或 JupyterLab，因为课程中的所有作业（Assignment）和实验（Lab）均为 .ipynb 格式。
• 网络环境：部分数据集（如 MNIST, Cats vs Dogs）需要从 Google 服务器下载。国内用户建议配置科学上网环境，或在代码中修改数据加载路径为国内镜像源（如阿里云、腾讯云对象存储）。

安装步骤

推荐使用 conda 创建独立的虚拟环境以避免依赖冲突，也可以使用 venv。

1. 创建并激活虚拟环境

使用 Conda:

conda create -n tf-dev-course python=3.9
conda activate tf-dev-course

使用 Pip (venv):

python -m venv tf-dev-course
# Windows:
tf-dev-course\Scripts\activate
# macOS/Linux:
source tf-dev-course/bin/activate

2. 安装核心依赖

安装 TensorFlow 及课程所需的辅助库（如 matplotlib, numpy 等）。国内用户可使用清华源加速下载。

pip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install jupyterlab matplotlib numpy pandas -i https://pypi.tuna.tsinghua.edu.cn/simple

注意：本课程主要基于 TensorFlow 2.x。如果您需要特定版本的 TensorFlow 以完全匹配旧版课程视频，可指定版本安装，例如：pip install tensorflow==2.10.0。

3. 获取项目代码

克隆仓库或下载源码到本地：

git clone https://github.com/tensorflow/examples.git
# 注意：原 README 指向的是课程配套资源，通常位于 deeplearningai 组织下。
# 若直接访问原课程仓库，请执行：
git clone https://github.com/deeplearning-ai/tensorflow-in-practice.git
cd tensorflow-in-practice

4. 启动 Jupyter

进入项目目录并启动笔记本服务：

jupyter lab

基本使用

项目内容按课程模块（C1-C4）和周次（Week 1-4）组织。每个文件夹包含“作业”（Assignment，需提交评分）和“未评分实验”（Ungraded Labs，供练习参考）。

1. 运行第一个实验：Hello World Neural Network

这是课程 C1 第 1 周的最简示例，用于验证环境是否正常。

1. 在 Jupyter Lab 文件浏览器中，导航至 Course 1 - Introduction to TensorFlow... -> Week 1。
2. 打开文件 C1_W1_Lab_1_hello_world_nn.ipynb。
3. 点击菜单栏的 Kernel -> Restart Kernel and Run All Cells。

代码逻辑简析： 该脚本演示了如何定义一个简单的单层神经网络来拟合 $Y = 2X - 1$ 的规律。

import tensorflow as tf
import numpy as np
from tensorflow import keras

# 定义数据
xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float)
ys = np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0], dtype=float)

# 构建模型
model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])

# 编译模型
model.compile(optimizer='sgd', loss='mean_squared_error')

# 训练模型
model.fit(xs, ys, epochs=500)

# 预测
print(model.predict([10.0]))

2. 运行课程作业：房价预测 (Housing Prices)

完成实验后，可尝试第一周的正式作业。

1. 导航至 Course 1 -> Week 1。
2. 打开 C1W1_Assignment.ipynb。
3. 按照单元格中的注释提示，补全缺失的代码段（通常涉及数据归一化、模型构建参数调整等）。
4. 运行所有单元格，观察损失函数（Loss）的下降曲线及预测结果。

3. 后续课程指引

• C1 (基础): 涵盖密集网络、CNN 基础、图像预处理。
• C2 (卷积神经网络): 深入 CNN、数据增强（Augmentation）、迁移学习（Transfer Learning）。
• C3 (自然语言处理): 涵盖分词（Tokenization）、序列建模、LSTM、GRU 及文本生成。
• C4 (时间序列): 涵盖时间序列特征工程、RNN/LSTM 在预测中的应用。

只需依次进入对应课程的文件夹，按照 Week -> Lab/Assignment 的顺序执行即可。所有实验均设计为独立运行，无需额外配置即可上手。