TensorFlow 教程

您可以在 python 目录下找到 Python 源代码，在 notebooks 目录下找到相关的笔记本文件。

	源代码	描述
1	basics.py	使用 TensorFlow 进行设置及图计算。
2	linear_regression.py	使用单个特征和偏置进行回归分析。
3	polynomial_regression.py	使用多项式特征进行回归分析。
4	logistic_regression.py	使用单层神经网络进行逻辑回归。
5	basic_convnet.py	构建深度卷积神经网络。
6	modern_convnet.py	构建带有批归一化和 leaky ReLU 激活函数的深度卷积神经网络。
7	autoencoder.py	构建权重共享的深度自编码器。
8	denoising_autoencoder.py	构建对输入进行破坏处理的深度去噪自编码器。
9	convolutional_autoencoder.py	构建深度卷积自编码器。
10	residual_network.py	构建深度残差网络。
11	variational_autoencoder.py	构建具有变分编码的自编码器。

安装指南

• TensorFlow 安装
• 操作系统特定的设置
• 在 EC2 GPU 实例上安装

对于使用 Python 3.4 及以上版本、CUDA 7.5 和 cuDNN 7.0 的 Ubuntu 用户，您可以在 wheels 目录下找到预编译的 wheel 文件。您可以使用命令 pip3 install tensorflow-0.8.0rc0-py3-none-any.whl 进行安装，并确保将以下内容添加到您的 .bashrc 文件中：export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64"。请注意，这仍然需要您在 /usr/local/cuda 下安装 CUDA 7.5 和 cuDNN 7.0。

资源

• 官方 TensorFlow 教程
• TensorFlow API 文档
• TensorFlow Google 群组
• 更多教程

作者

帕拉格·K·米塔尔，2016年1月。

http://pkmital.com

许可证

参见 LICENSE.md

TensorFlow Tutorials 快速上手指南

本指南基于 tensorflow_tutorials 开源项目，帮助开发者快速掌握从基础图计算到深度残差网络等核心概念的 Python 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: 推荐 Ubuntu Linux（Windows 和 macOS 也可运行 CPU 版本）。
• Python 版本: Python 3.4 或更高版本。
• 前置依赖:
  • CPU 版本: 仅需安装标准 Python 环境。
  • GPU 版本 (可选，用于加速深度学习模型):
    • NVIDIA CUDA Toolkit 7.5
    • cuDNN 7.0
    • 需配置环境变量：在 ~/.bashrc 中添加 export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64"。

注意: 本项目原始示例基于 TensorFlow 0.8 版本。为了兼容现代硬件和 Python 环境，建议安装较新的稳定版 TensorFlow（如 2.x），代码语法可能需要微调，但核心逻辑通用。若需复现原始环境，可使用项目 wheels 目录下的旧版 wheel 包。

安装步骤

1. 克隆项目代码

首先将仓库克隆到本地：

git clone https://github.com/pkmital/tensorflow_tutorials.git
cd tensorflow_tutorials

2. 安装 TensorFlow

推荐使用国内镜像源（如清华源）加速安装。

方案 A：安装最新稳定版（推荐）

pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow
# 若需 GPU 支持
# pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu

方案 B：安装项目原始指定版本 (TensorFlow 0.8, 仅限特定研究需求) 如果您使用的是 Ubuntu + Python 3.4 + CUDA 7.5 环境，可以使用项目自带的预编译包：

pip3 install wheels/tensorflow-0.8.0rc0-py3-none-any.whl

3. 安装其他依赖

部分教程可能依赖 numpy, matplotlib 等库，如有缺失请按需安装：

pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy matplotlib

基本使用

项目包含两个主要目录：

• python/: 包含纯 Python 脚本源码。
• notebooks/: 包含可交互的 Jupyter Notebook 示例。

运行第一个示例：基础图计算

让我们运行最基础的教程 01_basics.py，了解 TensorFlow 的会话与图计算机制。

1. 进入 python 目录：

   cd python
   

2. 执行脚本：

   python3 01_basics.py
   

进阶示例：线性回归

尝试运行线性回归示例，观察模型训练过程：

python3 02_linear_regression.py

使用 Jupyter Notebook (推荐)

对于涉及可视化（如卷积神经网络、自编码器）的教程，建议使用 Jupyter Notebook 以获得更好的体验：

1. 启动 Notebook 服务：

   jupyter notebook ../notebooks
   

2. 在浏览器中打开对应的 .ipynb 文件（例如 05_basic_convnet.ipynb），逐个单元格运行代码即可看到网络构建、训练及结果可视化的完整流程。

核心学习路径参考

顺序	文件名	核心内容
1	01_basics.py	TensorFlow 环境设置与图计算基础
2	02_linear_regression.py	单因子线性回归
3	04_logistic_regression.py	单层神经网络实现逻辑回归
4	05_basic_convnet.py	构建基础卷积神经网络 (CNN)
5	10_residual_network.py	构建深度残差网络 (ResNet)