令人惊叹的 TensorFlow

一份精心整理的、关于 TensorFlow 的优秀实验、库和项目的列表。灵感来源于 awesome-machine-learning。

什么是 TensorFlow？

TensorFlow 是一个开源软件库，用于通过数据流图进行数值计算。换句话说，它是构建深度学习模型的最佳方式。

更多信息请见 这里。

目录

• 教程
• 模型/项目
• 由 TensorFlow 驱动
• 库
• 工具/实用程序
• 视频
• 论文
• 博客文章
• 社区
• 书籍

教程

• TensorFlow 教程 1 - 从基础到稍微复杂一些的 TensorFlow 应用
• TensorFlow 教程 2 - 基于 Google 的 TensorFlow 框架的深度学习入门教程。这些教程直接移植自 Newmu 的 Theano。
• TensorFlow 教程 3 - 这些教程面向深度学习和 TensorFlow 的初学者，代码有详细注释，并配有 YouTube 视频。
• TensorFlow 示例 - 面向初学者的 TensorFlow 教程和代码示例
• Sungjoon 的 TensorFlow-101 - 用 Python 和 Jupyter Notebook 编写的 TensorFlow 教程
• Terry Um 的 TensorFlow 练习 - 重新实现其他 TensorFlow 示例中的代码
• 在树莓派 3 上安装 TensorFlow - 在树莓派上成功编译并运行 TensorFlow
• 时间序列分类 - 使用 LSTM 对手机传感器数据进行循环神经网络分类
• 在 Android 上开始使用 TensorFlow - 构建你的第一个 TensorFlow Android 应用
• 预测时间序列 - 学习如何在简单数据集上使用 seq2seq 模型，以此作为了解该架构广阔可能性的入门
• 单张随机点立体图 - SIRDS 是一种将 3D 数据以 2D 图像形式呈现的方法。它允许以瀑布图的形式展示科学数据，且不会因视角而出现隐藏线条。
• CS20 SI：用于深度学习研究的 TensorFlow - 斯坦福大学 2017 年关于 TensorFlow 的课程 - 课程大纲 - 非官方视频
• TensorFlow 世界 - 提供简洁易用、文档详尽的 TensorFlow 教程。
• 高效 TensorFlow - TensorFlow 使用指南及最佳实践。涵盖基础知识以及高级主题。
• TensorLayer - 为 TensorFlow 官方教程提供的模块化实现。(中文版)。
• 理解 TensorFlow Estimator API 对 Estimator API 的概念性概述，包括何时以及为何使用它。
• 人工智能、机器学习和深度学习中的 TensorFlow 入门 - Coursera 提供的 TensorFlow 入门课程
• TensorFlow 中的卷积神经网络 - Coursera 提供的 TensorFlow 卷积神经网络课程
• TensorLayerX - 让 TensorFlow 的使用体验更接近 PyTorch。(API 文档)

模型/项目

• TensorFlow项目模板 - 一个简单且设计良好的TensorFlow项目模板。
• 领域迁移网络 - 无监督跨域图像生成的实现
• Show, Attend and Tell - 基于注意力机制的图像字幕生成器
• 神经风格迁移 神经风格迁移的实现
• SRGAN - 使用生成对抗网络实现照片级真实感单幅图像超分辨率
• Pretty Tensor - Pretty Tensor提供了一个高层次的构建API
• 神经风格迁移 - 神经风格迁移的实现
• AlexNet3D - AlexNet3D的实现。这是一个简单的AlexNet模型，但使用了三维卷积层（conv3d）。
• TensorFlow白皮书笔记 - TensorFlow白皮书的注释和摘要，附带SVG图表和文档链接
• NeuralArt - 艺术风格神经算法的实现
• 使用TensorFlow的生成式手写演示 - 尝试实现Alex Graves论文中随机手写生成的部分
• TensorFlow中的神经图灵机 - 神经图灵机的实现
• GoogleNet卷积神经网络按场景对电影片段进行分组 - 根据视频中出现的物体、地点等信息搜索、筛选和描述视频
• 使用TensorFlow在莎士比亚作品与现代英语之间进行神经机器翻译 - 这是一个单语翻译任务，可以在现代英语和莎士比亚英语之间相互转换。
• 聊天机器人 - “一种神经对话模型”的实现
• Seq2seq聊天机器人 - 用200行代码实现的聊天机器人
• DCGAN - 深度卷积生成对抗网络
• GAN-CLS - 生成对抗文本到图像合成
• im2im - 使用生成对抗网络进行无监督图像到图像转换
• 改进的CycleGAN - 非配对图像到图像转换
• DAGAN - 快速压缩感知MRI重建
• Colornet - 用于将灰度图像上色的神经网络 - 用于将灰度图像上色的神经网络
• 神经字幕生成器 - “Show and Tell”（展示与讲述）的实现
• 带有注意力机制的神经字幕生成器 - “Show, Attend and Tell”（展示、关注与讲述）的实现
• 弱监督检测器 - “学习判别性定位的深度特征”的实现
• 动态容量网络 - “动态容量网络”的实现
• TensorFlow中的隐马尔可夫模型 - HMM的维特比算法和前向/后向算法的实现
• DeepOSM - 使用OpenStreetMap特征和卫星图像训练TensorFlow神经网络。
• DQN-tensorflow - Devsisters.com基于OpenAI Gym实现的DeepMind“通过深度强化学习达到人类水平控制”的TensorFlow版本
• 策略梯度 - 用于玩Atari乒乓球游戏
• 深度Q网络 - 用于玩Frozen Lake游戏
• AC - 用于玩离散动作空间游戏（Cartpole）的Actor-Critic
• A3C - 用于连续动作空间游戏（双足行走者）的异步优势演员评论家（A3C）
• DAGGER - 用于玩Gym Torcs
• TRPO - 适用于连续和离散动作空间
• 高速公路网络 - TensorFlow实现的“训练非常深的网络”，并配有博客文章
• 层次化注意力网络 - TensorFlow实现的“用于文档分类的层次化注意力网络”
• 使用CNN进行句子分类 - TensorFlow实现的“用于句子分类的卷积神经网络”，并配有博客文章
• 端到端记忆网络 - “端到端记忆网络”的实现
• 字符感知神经语言模型 - TensorFlow实现的“字符感知神经语言模型”
• YOLO TensorFlow ++ - “YOLO：实时目标检测”的TensorFlow实现，支持训练并在移动设备上实现实时运行。
• Wavenet - 这是用于音频生成的[WaveNet生成式神经网络架构]的TensorFlow实现。
• 记忆下降法 - TensorFlow实现的“记忆下降法：一种应用于端到端人脸对齐的递归过程”
• 使用TensorFlow可视化CNN - TensorFlow实现的“可视化与理解卷积网络”
• VGAN TensorFlow - Vondrick等人关于MIT“生成具有场景动态的视频”的TensorFlow实现
• TensorFlow中的3D卷积神经网络 - Torfi等人在TensorFlow中实现的“用于说话人验证应用的3D卷积神经网络”
• U-Net - 用于脑肿瘤分割
• 空间变换网络 - 学习变换函数
• 唇读 - 使用TensorFlow中的3D架构进行跨音频-视觉识别 - Torfi等人关于“利用深度学习在野外进行跨音频-视觉识别”的TensorFlow实现
• 注意力对象跟踪 - “分层注意力循环跟踪”的实现
• 用于知识图谱补全和链接预测的全息嵌入 - “知识图谱的全息嵌入”的实现
• 无监督对象计数 - “Attend, Infer, Repeat”的实现
• TensorFlow FastText - 受Facebook的FastText启发的简单嵌入式文本分类器
• MusicGenreClassification - 使用神经网络从10秒的音频流中分类音乐类型
• Kubeflow - 一个便于将TensorFlow与Kubernetes结合使用的框架
• TensorNets - 40多种流行的计算机视觉模型，并带有预训练权重。
• 阶梯网络 - 在Keras和TensorFlow中实现的用于半监督学习的阶梯网络
• TF-Unet - 在Keras中实现的通用U型网络，用于图像分割
• Sarus TF2模型 - 一系列最近的生成模型，以干净、易于复用的TensorFlow 2代码实现（普通自编码器、VAE、VQ-VAE、PixelCNN、门控PixelCNN、PixelCNN++、PixelSNAIL、条件神经过程）。
• Model Maker - 一个迁移学习库，简化了TensorFlow Lite模型的训练、评估和部署流程（支持：图像分类、目标检测、文本分类、BERT问答、音频分类、推荐等；API参考）。

由 TensorFlow 提供支持

• YOLO TensorFlow - “YOLO：实时目标检测”的实现
• android-yolo - 使用 YOLO 网络在 Android 上进行实时目标检测，由 TensorFlow 提供支持。
• Magenta - 一项研究项目，旨在推动音乐和艺术生成领域机器智能的前沿发展

库

• TensorFlow Estimators - 高级 TensorFlow API，极大简化了机器学习编程（最初来自 tensorflow/skflow）
• R 语言的 TensorFlow 接口 - R 语言对 TensorFlow API 的接口，包括 Estimators、Keras、Datasets 等。
• Lattice - 在 TensorFlow 中实现单调校准插值查找表
• tensorflow.rb - 使用 SWIG 实现的 Ruby 原生 TensorFlow 接口
• tflearn - 具有更高层次 API 的深度学习库
• TensorLayer - 面向研究人员和工程师的深度学习与强化学习库
• TensorFlow-Slim - 用于定义模型的高级库
• TensorFrames - Apache Spark 的 TensorFlow 绑定
• TensorForce - TensorForce：一个用于应用强化学习的 TensorFlow 库
• TensorFlowOnSpark - 来自 Yahoo! 的倡议，旨在使 TensorFlow 能够与 Apache Spark 配合使用。
• caffe-tensorflow - 将 Caffe 模型转换为 TensorFlow 格式
• keras - 适用于 TensorFlow 和 Theano 的极简、模块化的深度学习库
• SyntaxNet：句法的神经网络模型 - 对 Globally Normalized Transition-Based Neural Networks, Andor et al. (2016) 中描述的模型的 TensorFlow 实现
• keras-js - 在浏览器中运行 Keras 模型（使用 TensorFlow 后端），并支持 GPU 加速
• NNFlow - 一个简单的框架，可以将 ROOT NTuple 文件转换为 NumPy 数组，然后在 Google TensorFlow 中使用。
• Sonnet - Sonnet 是 DeepMind 基于 TensorFlow 构建的库，用于构建复杂的神经网络。
• tensorpack - 基于 TensorFlow 的神经网络工具箱，专注于训练速度和大规模数据集。
• tf-encrypted - 在 TensorFlow 之上的一层，用于在加密数据上进行机器学习
• pytorch2keras - 将 PyTorch 模型转换为 Keras 格式（使用 TensorFlow 后端）
• gluon2keras - 将 Gluon 模型转换为 Keras 格式（使用 TensorFlow 后端）
• TensorIO - 一个轻量级、跨平台的库，用于将 TensorFlow Lite 模型部署到移动设备上。
• StellarGraph - 图上的机器学习，一个用于图结构（网络结构）数据的 Python 库。
• DeepBay - 高级 Keras 补充库，用于实现常见的架构堆栈，作为易于使用的即插即用模块
• Tensorflow-Probability - 基于 TensorFlow 的概率编程，使得在现代硬件上轻松结合概率模型和深度学习成为可能。
• TensorLayerX - TensorLayerX：一个统一的深度学习框架，适用于所有硬件、后端和操作系统，包括 TensorFlow。
• Txeo - 一个现代化的 C++ 封装，用于 TensorFlow。

工具/实用程序

• Speedster - 自动应用最先进的优化技术，以在您的硬件上实现最大的推理加速。
• Guild AI - TensorFlow 的任务运行器和包管理器
• ML Workspace - 一体化的机器学习和数据科学 Web IDE。它将 TensorFlow、Jupyter、VS Code、TensorBoard 以及其他许多工具/库整合到一个 Docker 镜像中。
• create-tf-app - 一个用于 TensorFlow 的项目构建命令行工具，涵盖环境管理、代码检查和日志记录。

视频

• TensorFlow 指南 1 - 安装和使用指南
• TensorFlow 指南 2 - 第一集的续集
• TensorFlow 基本用法 - 介绍基本用法的指南
• TensorFlow 专家级深度 MNIST - 讲解深度 MNIST
• TensorFlow Udacity 深度学习 - 在 Cloud 9 在线服务上免费安装 TensorFlow 的基本步骤，提供 1GB 数据空间
• 为什么谷歌希望每个人都能使用 TensorFlow
• 2016年1月19日 TensorFlow 硅谷聚会视频
• 2016年1月21日 TensorFlow 硅谷聚会视频
• 斯坦福 CS224d 第7讲 - TensorFlow 介绍，2016年4月19日 - Richard Socher 主讲的 CS224d 自然语言处理深度学习课程
• 通过 TensorFlow 深入机器学习 - 2016 年波特兰俄勒冈州 Pycon 大会，幻灯片 和 代码 由 Julia Ferraioli、Amy Unruh 和 Eli Bixby 提供
• 使用 TensorFlow 的大规模深度学习 - Jeff Dean 在 2016 年 Spark 峰会上的主题演讲
• TensorFlow 和深度学习 - 无需博士学位 - 由 Martin Görner 制作
• TensorFlow 和深度学习 - 无需博士学位，第二部分（Google Cloud Next '17） - 由 Martin Görner 制作
• 使用 TensorFlow 在 Go 中进行图像识别 - 由 Alex Pliutau 制作

论文

• TensorFlow：异构分布式系统上的大规模机器学习 - 本文介绍了 TensorFlow 接口以及我们在 Google 构建的该接口实现
• TensorFlow Estimators：高级机器学习框架中的简单性与灵活性管理
• TF.Learn：TensorFlow 的分布式机器学习高级模块
• 深度学习软件框架比较研究 - 该研究针对多种深度学习架构展开，评估了上述框架在单机环境下分别运行于多线程 CPU 和 GPU（Nvidia Titan X）时的性能
• 使用 MPI 的分布式 TensorFlow - 在本文中，我们将最近提出的 Google TensorFlow 扩展到大规模集群上运行，并采用消息传递接口（MPI）
• 全局归一化的基于转换的神经网络 - 本文描述了 SyntaxNet 背后的模型。
• TensorFlow：一个用于大规模机器学习的系统 - 本文将 TensorFlow 数据流模型与其他现有系统进行对比，并展示了其卓越的性能
• TensorLayer：高效深度学习开发的多功能库 - 本文介绍了一个多功能 Python 库，旨在帮助研究人员和工程师高效地开发深度学习系统。（荣获 ACM MM 2017 最佳开源软件奖）

官方公告

• TensorFlow：更智能的机器学习，面向所有人 - TensorFlow 的简介
• 宣布 SyntaxNet：世界上最精确的语法分析器开源 - 发布 SyntaxNet，“一个基于 TensorFlow 实现的开源神经网络框架，为自然语言理解系统提供了基础。”

博客文章

• 官方 TensorFlow 博客
• 为什么 TensorFlow 将改变人工智能的游戏规则
• TensorFlow 对诗人而言 - 讲解 TensorFlow 的实现
• Scikit Flow 简介 - TensorFlow 的简化接口 - 关键特性详解
• 在 TensorFlow 中构建机器学习估算器 - 深入了解 TensorFlow Learn 估算器的内部机制
• TensorFlow - 不仅适用于深度学习
• indico 机器学习团队对 TensorFlow 的看法
• TensorFlow 的优点、缺点与不足 - 对六个月快速发展的回顾（包含技巧、黑客手段及修复问题的代码），Dan Kuster 于 indico 公司，2016年5月9日
• TensorFlow 中的 Fizz Buzz - Joel Grus 的一个玩笑
• TensorFlow 中的 RNN：实用指南与未文档化功能 - 分步指南，附完整代码示例，可在 GitHub 上找到
• 使用 TensorBoard 可视化 TensorFlow 中的图像分类再训练
• TFRecords 指南 - 语义分割及 TFRecord 文件格式的处理
• TensorFlow Android 指南 - Android TensorFlow 机器学习示例。
• 现代 Intel® 架构上的 TensorFlow 优化 - 基于 Intel/Google 合作，介绍了在 Intel® Xeon® 和 Intel® Xeon Phi™ 处理器平台上对 TensorFlow 的优化
• 可口可乐的图像识别应用 - 可口可乐的产品编码图像识别神经网络，带有用户反馈循环
• TensorFlow 是如何工作的 机器学习库 TensorFlow 是如何工作的？

社区

• Stack Overflow
• @TensorFlow 在 Twitter 上
• Reddit
• 邮件列表

书籍

• 使用 TensorFlow 的机器学习 第2版，作者为克里斯·A·马特曼博士，他是加州大学洛杉矶分校的首席数据与人工智能官，同时也是《Tika 实战》一书的作者。本书将人工智能和机器学习这一数学密集型主题以易于理解且实用的方式呈现给初学者。已更新至 TensorFlow 2 和该书的最新版本。
• 与 TensorFlow 的初次接触，作者为巴塞罗那理工大学教授、巴塞罗那超级计算中心的研究经理兼高级顾问乔迪·托雷斯。
• 用 Python 进行深度学习——使用 Keras 在 Theano 和 TensorFlow 上开发深度学习模型，作者为杰森·布朗利。
• TensorFlow 用于机器智能——从图计算的基础知识到深度学习模型，再到在生产环境中使用 TensorFlow 的完整指南——Bleeding Edge Press 出版。
• TensorFlow 入门——由詹卡洛·扎科内编写，帮助读者快速上手谷歌最新的数值计算库，并深入挖掘数据。
• 使用 Scikit-Learn 和 TensorFlow 的动手机器学习——作者为奥雷利安·热隆，他曾任 YouTube 视频分类团队负责人。本书涵盖机器学习基础、利用 TensorFlow 在多台服务器和 GPU 上训练与部署深度网络、最新的 CNN、RNN 和自编码器架构，以及强化学习（Deep Q）等内容。
• 使用 TensorFlow 构建机器学习项目——作者为罗道尔福·邦宁。本书介绍了多个 TensorFlow 项目，展示了在不同场景下使用 TensorFlow 可以实现的功能。书中提供了关于模型训练、机器学习、深度学习以及各种神经网络操作的项目。每个项目都具有吸引力且富有洞察力，能够教会读者如何使用 TensorFlow，并展示通过张量操作如何探索数据的层次结构。
• 使用 TensorLayer 进行深度学习——由董浩等人编写。本书同时涵盖了深度学习以及使用 TensorFlow 和 TensorLayer 的实现方法。
• TensorFlow 2.0 实战——作者为图山·加内格达拉。这本实用的指南介绍了如何利用 TensorFlow 2.0 的新特性构建深度学习模型，内容丰富，语言通俗易懂，并覆盖了最新的算法。
• 面向黑客的概率编程与贝叶斯方法——作者为卡梅伦·戴维森-皮隆。介绍使用 tensorflow-probability（或 PyMC2/3）进行贝叶斯方法和概率图模型的入门知识。

贡献

我们始终欢迎您的贡献！

如果您希望为本列表贡献力量（请务必这样做），可以向我发送 Pull Request，或通过 @jtoy 与我联系。

此外，如果您发现上述任何仓库因以下原因之一应被弃用：

• 仓库所有者明确表示“此库不再维护”；
• 长期未提交代码（2~3 年）。

更多信息请参阅贡献指南。

致谢

• 部分 Python 库摘录自 vinta。
• 我找到的一些 Go 相关参考资料来自此页面。

Awesome TensorFlow 快速上手指南

awesome-tensorflow 并非一个可直接安装的软件库，而是一个精选的 TensorFlow 实验、库、项目和教程的资源列表。本指南将帮助你快速搭建 TensorFlow 环境，并利用该列表中的资源开始深度学习之旅。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统: Windows, macOS, 或 Linux (推荐 Ubuntu 18.04+)
• Python: 版本 3.7 - 3.10 (推荐 3.8 或 3.9)
• 硬件:
  • CPU: 任意现代多核处理器
  • GPU (可选但推荐): NVIDIA GPU (需安装 CUDA Toolkit 和 cuDNN) 以加速训练
• 包管理器: pip (通常随 Python 安装) 或 conda

前置依赖检查: 建议在虚拟环境中操作，以避免依赖冲突。

# 创建并激活虚拟环境 (使用 venv)
python -m venv tf-env
source tf-env/bin/activate  # Linux/macOS
# tf-env\Scripts\activate   # Windows

安装步骤

由于 awesome-tensorflow 是资源列表，你需要安装的是 TensorFlow 核心库。国内开发者推荐使用清华或阿里镜像源以加速下载。

1. 配置国内镜像源 (推荐)

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

2. 安装 TensorFlow

方案 A: 安装 CPU 版本 (适合初学者或无 NVIDIA GPU 的用户)

pip install tensorflow-cpu

方案 B: 安装 GPU 版本 (适合有 NVIDIA GPU 的用户) 注意：请根据你的显卡驱动版本确认所需的 CUDA 和 cuDNN 版本，参考 TensorFlow 官方兼容性表。

pip install tensorflow

3. 验证安装

运行以下命令检查是否安装成功：

python -c "import tensorflow as tf; print(tf.__version__); print('GPU Available:', tf.config.list_physical_devices('GPU'))"

基本使用

安装完成后，你可以参考 awesome-tensorflow 列表中的 Tutorials 部分进行学习。以下是一个基于 TensorFlow 2.x 的最简示例，展示如何构建并训练一个简单的神经网络。

最简代码示例 (Hello World)

此示例加载 MNIST 手写数字数据集，构建模型并进行训练。

import tensorflow as tf

# 1. 加载数据 (MNIST 手写数字)
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 2. 数据预处理 (归一化)
x_train, x_test = x_train / 255.0, x_test / 255.0

# 3. 构建模型
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10)
])

# 4. 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 5. 训练模型
print("开始训练...")
model.fit(x_train, y_train, epochs=5)

# 6. 评估模型
test_loss, test_acc = model.evaluate(x_test,  y_test, verbose=2)
print(f'\n测试集准确率：{test_acc:.4f}')

# 7. 进行预测
probability_model = tf.keras.Sequential([model, tf.keras.layers.Softmax()])
predictions = probability_model.predict(x_test[:1])
print(f"第一张图的预测概率分布：{predictions[0]}")

进阶资源指引

完成基础练习后，请访问 awesome-tensorflow 仓库探索更多专项内容：

• 项目模板: 参考 Models/Projects 中的 Tensorflow-Project-Template 规范你的代码结构。
• 经典模型复现: 查找 Neural Style, GAN, BERT 等具体实现代码。
• 中文教程: 特别关注列表中标记为 [CN] 的 TensorLayer 文档或其他中文社区贡献的教程链接。