深度学习纳米学位基础课程

此仓库包含与 Udacity 的 深度学习纳米学位基础课程 相关的资料。它由一系列关于不同深度学习主题的教程笔记本组成。在大多数情况下，这些笔记本会引导你实现卷积网络、循环网络和生成对抗网络等模型。此外，还涵盖了权重初始化和批归一化等其他主题。

这里也有一些用作纳米学位项目的小笔记本。在课程中，这些项目会由 Udacity 的专家进行评审，但它们同样在此处提供。

目录

教程

• 使用 NumPy 进行情感分析：Andrew Trask 带你构建一个情感分析模型，预测一段文本是正面还是负面。
• TensorFlow 入门：开始使用 TensorFlow 构建神经网络。
• 权重初始化：探索网络权重的初始化如何影响性能。
• 自编码器：使用 TensorFlow 中的前馈网络和卷积网络构建用于图像压缩和去噪的模型。
• 迁移学习（卷积网络）：在实际应用中，大多数人不会在大型数据集上从头训练自己的大型网络，而是使用预训练好的网络，如 VGGNet。在这里，你将使用 VGGNet 对花卉图像进行分类，而无需对这些图像本身进行训练。
• 循环网络入门（按字符的 RNN）：循环神经网络能够利用数据序列中的信息，例如文本中的字符序列。
• 词嵌入（Word2Vec）：实现 Word2Vec 模型，以找到词语的语义表示，用于自然语言处理。
• 情感分析 RNN：实现一个能够预测文本样本是正面还是负面的循环神经网络。
• TensorBoard：使用 TensorBoard 可视化网络结构图，以及训练过程中参数的变化情况。
• 强化学习（Q 学习）：实现一个深度 Q 学习网络，以玩 OpenAI Gym 中的一个简单游戏。
• 序列到序列：实现一个序列到序列的循环网络。
• 批归一化：学习如何通过批归一化提高训练速度并增强网络稳定性。
• MNIST 数据集上的生成对抗网络：在 MNIST 数据集上训练一个简单的生成对抗网络。
• 深度卷积生成对抗网络（DCGAN）：实现一个 DCGAN，以街景房屋号码（SVHN）数据集为基础生成新图像。
• TFLearn 入门：几个关于构建神经网络的高级库的介绍。

项目

• 你的第一个神经网络：使用 NumPy 实现一个神经网络来预测自行车租赁数量。
• 图像分类：使用 TensorFlow 构建一个卷积神经网络，对 CIFAR-10 图像进行分类。
• 文本生成：在《辛普森一家》（版权归福克斯公司所有）的剧本上训练一个循环神经网络，以生成新的剧本。
• 机器翻译：在一个简单的数据集上训练一个序列到序列网络，实现英语到法语的翻译。
• 人脸生成：使用 DCGAN 和 CelebA 数据集生成新颖且逼真的真人脸图像。

依赖项

每个目录都包含一个 requirements.txt 文件，描述了运行该目录下笔记本所需的最低依赖项。

pip

要使用 pip 安装这些依赖项，可以执行 pip3 install -r requirements.txt。

Conda 环境

你可以在 environments 文件夹中找到深度学习课程的 Conda 环境文件。请注意，环境文件是平台相关的。带有 tensorflow-gpu 的版本会在文件名中标注“GPU”。

Deep Learning 开源教程快速上手指南

本仓库包含 Udacity 深度学习纳米学位基础课程的相关材料，提供涵盖卷积网络、循环网络、GANs 等主题的教程笔记本及实战项目。

环境准备

• 操作系统：Linux, macOS 或 Windows (推荐 WSL)
• Python 版本：Python 3.6+ (具体版本视各子目录要求而定)
• 前置依赖：
  • pip 或 conda 包管理器
  • 可选：NVIDIA GPU 及 CUDA 驱动（用于加速 TensorFlow-GPU 训练）

国内加速建议： 推荐使用清华或阿里镜像源加速 Python 包安装：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

由于本仓库由多个独立的教程和项目目录组成，每个目录都有独立的依赖配置，请按需安装。

方式一：使用 pip 安装（推荐）

进入你想要运行的具体教程或项目目录（例如 sentiment-network），执行以下命令安装该目录所需的最小依赖集：

cd <目标目录名称>
pip3 install -r requirements.txt

若需使用国内镜像加速：

pip3 install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：使用 Conda 环境

仓库根目录下的 environments 文件夹提供了预配置的 Conda 环境文件。

1. 根据你的平台（Linux/Mac/Windows）和是否需要 GPU 支持，选择对应的 .yml 文件（文件名含 "GPU" 表示支持 tensorflow-gpu）。
2. 创建并激活环境：

conda env create -f environments/<环境文件名>.yml
conda activate <环境名称>

基本使用

本仓库的核心内容是 Jupyter Notebook (.ipynb) 文件。安装完依赖后，启动 Jupyter 服务即可开始学习。

1. 进入目标目录 选择一个教程或项目，例如“情感分析 (Sentiment Analysis)"：

cd sentiment-network

2. 启动 Jupyter Notebook

jupyter notebook

3. 运行示例 浏览器会自动打开，点击目录中的 .ipynb 文件（如 Sentiment_Analysis.ipynb）。

• 按顺序执行单元格（Cell）中的代码。
• 大多数笔记本会引导你从头构建模型（如使用 Numpy 构建神经网络或使用 TensorFlow 构建 CNN）。
• 对于项目类目录（如 first-neural-network），你需要按照 Notebook 中的指示完成代码填空以实现特定功能（如预测自行车租赁量）。

示例：运行第一个神经网络项目

cd first-neural-network
jupyter notebook
# 在浏览器中打开 'Your_First_Neural_Network.ipynb' 并逐步运行