使用 TensorFlow Eager 的深度学习简单教程

本仓库旨在帮助希望使用 TensorFlow Eager 模式开始实践深度学习的朋友们。TensorFlow Eager 模式让你像使用 NumPy 一样轻松构建神经网络，同时还具备自动微分的强大优势（再也不用手写反向传播了！耶！）。它还支持在 GPU 上运行，从而使神经网络的训练速度大幅提升。

我会尽量让这些教程对所有人都友好易懂，因此会优先选择不需要 GPU 即可运行的问题来讲解。

教程中使用的 TensorFlow 版本：1.7

可用教程列表：

入门

---

• 01. 构建一个简单的神经网络 - 本教程将向你展示如何使用 TensorFlow 的 Eager 模式，在一个合成生成的数据集上构建并训练一个单隐层神经网络。

• 02. 在 Eager 模式中使用指标 - 本教程将介绍如何在 Eager 模式下为三类机器学习问题（多分类、不平衡数据集和回归）使用相应的指标。

简单但实用的内容

---

• 03. 保存与恢复训练好的模型 - 本教程将教你如何保存训练好的模型，并在后续随时加载该模型对新数据进行预测。

• 04. 将文本数据转换为 TFRecords - 本教程将演示如何将变长序列的文本数据存储到 TFRecords 文件中。在使用迭代器读取数据集时，可以在批处理过程中动态地对数据进行填充。

• 05. 将图像数据转换为 TFRecords - 本教程将介绍如何简单高效地将图像数据及其元信息（如标签）转换为 TFRecords 格式。

• 06. 如何以批处理方式读取 TFRecords 数据 - 本教程将展示如何从 TFRecords 中以批处理的方式读取变长序列数据或图像数据。

卷积神经网络

---

• 07. 构建用于情绪识别的 CNN - 本教程将指导你使用 TensorFlow Eager API 和 FER2013 数据集从零开始构建一个卷积神经网络。教程结束时，你还可以通过摄像头亲自测试这个网络。非常有趣的一次练习！

循环神经网络

---

• 08. 构建用于序列分类的动态 RNN - 学习如何处理变长序列输入数据。本教程将展示如何使用 TensorFlow Eager API 和 Stanford Large Movie Review Dataset 构建一个动态 RNN。

• 09. 构建用于时间序列回归的 RNN - 学习如何构建用于时间序列预测的 RNN。

关于教程的需求：

• 如果你有特定的教程需求，请随时告诉我。

改进建议：

• 如果你有任何改进这系列教程的建议，请务必告知我。我的目标是帮助大家更好地掌握这个框架，同时我也希望借此提升自己的编程能力，因此任何反馈都将不胜感激 :)！

TensorFlow Eager 教程快速上手指南

本指南基于 tensorflow-eager-tutorials 项目，旨在帮助开发者快速掌握 TensorFlow 1.7 版本的 Eager 模式（即时执行模式）。该模式允许像使用 NumPy 一样构建神经网络，同时支持自动微分和 GPU 加速。

注意：本教程系列专为 TensorFlow 1.7 设计。若使用新版 TensorFlow (2.x+)，Eager 模式已默认开启且 API 有所变化，部分代码可能需要调整。

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 3.5 或 3.6 (兼容 TF 1.7)
• 硬件要求：
  • 基础教程：仅需 CPU 即可运行。
  • 进阶教程（如 CNN/RNN）：推荐配备 NVIDIA GPU 以加速训练，但本仓库教程已优化为无 GPU 也可运行。
• 前置依赖：
  • pip 包管理工具
  • git (用于克隆仓库)

安装步骤

1. 克隆项目仓库

首先将教程代码下载到本地：

git clone https://github.com/hkchengrex/tensorflow-eager-tutorials.git
cd tensorflow-eager-tutorials

2. 安装 TensorFlow 1.7

由于教程基于特定版本，建议创建虚拟环境并安装指定版本的 TensorFlow。

国内加速方案：推荐使用清华或阿里镜像源加速安装。

# 创建虚拟环境 (可选但推荐)
python -m venv tf_eager_env
source tf_eager_env/bin/activate  # Windows 用户请使用: tf_eager_env\Scripts\activate

# 使用清华镜像源安装 TensorFlow 1.7
pip install tensorflow==1.7.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

注：如果您需要 GPU 支持且环境配置复杂，可尝试安装 tensorflow-gpu==1.7.0，但需确保已正确安装对应的 CUDA 和 cuDNN 版本。

3. 安装其他依赖

进入教程目录，检查是否有额外的 requirements.txt 文件（如有），或直接安装常用数据处理库：

pip install numpy matplotlib opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

本仓库包含多个由浅入深的教程脚本。以下是运行第一个入门教程的示例，该教程演示如何在合成数据集上构建并训练一个简单的单隐藏层神经网络。

运行入门教程：构建简单神经网络

进入 tutorials 目录（假设脚本位于此目录下，具体路径请根据实际文件结构调整），执行以下命令：

cd tutorials
python 01_build_simple_nn.py

预期流程：

1. 脚本会自动生成合成数据集。
2. 定义网络结构并利用 Eager 模式进行前向传播。
3. 利用自动微分计算梯度并更新权重。
4. 输出训练过程中的损失值变化。

探索更多示例

项目涵盖了从基础指标使用、模型保存/恢复，到 CNN 情感识别和 RNN 时间序列预测等多个场景。您可以直接运行对应的脚本文件：

• 使用评估指标：python 02_using_metrics.py
• 保存与恢复模型：python 03_save_restore_model.py
• 构建 CNN 进行表情识别：python 07_cnn_emotion_recognition.py (需摄像头权限测试)
• 构建 RNN 进行文本分类：python 08_dynamic_rnn_sequence_classification.py

所有脚本均设计为独立运行，无需复杂的配置文件，非常适合通过阅读代码学习 TensorFlow Eager API 的核心用法。