使用 TensorFlow 的深度学习教程

这些深度学习算法由 tensorflow 精心实现。

环境

• Python 3.5
• tensorflow 1.4
• pytorch 0.2.0

目前包含的深度学习算法有：

• 逻辑回归 logisticRegression.py
• 多层感知机 (MLP) mlp.py
• 卷积神经网络 (CNN) cnn.py
• 去噪自编码器 (DA) da.py
• 堆叠去噪自编码器 (SDA) sda.py
• 受限玻尔兹曼机 (RBM) [rbm.py gbrbm.py]
• 深度信念网络 (DBN) dbn.py

注意：该项目旨在模仿 Deep Learning Tutorials 中实现良好的算法（由 Theano 编写）。

CNN 模型

• MobileNet [self paper ref]
• MobileNetv2 [self paper ref]
• SqueezeNet [self paper]
• ResNet [self caffe ref paper1 paper2]
• ShuffleNet [self 由 pytorch 实现 paper]
• ShuffleNetv2 [self ref paper]
• DenseNet [self pytorch_ref paper]

目标检测

• YOLOv1 [self paper ref]
• SSD [self paper slides cafe TF pytorch ]
• YOLOv2 [self paper ref]

实用示例

您可以在这里找到更多使用 tensorflow 的实用示例：

• 用于句子分类的 CNN [self] [blog] [paper]
• 用于语言模型的 RNN [self] [blog] [blog_cn]
• 用于语言模型（PTB 数据）的 LSTM [self] [tutorial] [paper]
• 用于图像分类（物体识别）的 VGG 模型 [self] [source]
• 用于 cifar10 数据集的残差网络 [self] [source] [paper]
• 用于时间序列预测的 LSTM [self] [source]
• 生成对抗网络 (GAN) [self]
• 变分自编码器 (VAE) [self]

结果

有趣博客

• 使用 Seq2Seq 的聊天机器人

个人笔记

• RNN 的 TensorFlow 实现 [tf_rnn.ipynb]
• 自编码器的 TensorFlow 实现 [tf_autoencoder.ipynb]

其他教程

• ageron/handson-ml
• Hvass-Labs/TensorFlow-Tutorials
• BinRoot/TensorFlow-Book
• sjchoi86/dl_tutorials_10weeks

如果本项目对您有帮助，请不要吝惜给它点个赞！

如果您从本教程中受益，请通过微信扫码进行小额捐赠。

微信号：xiaoxiaohu1994

欢迎关注微信公众号：机器学习算法全栈工程师(Jeemy110)

DeepLearning_tutorials 快速上手指南

本指南基于 TensorFlow 实现，涵盖了从基础逻辑回归到主流 CNN、目标检测及生成模型等多种深度学习算法。

环境准备

本项目主要基于 TensorFlow 1.4 构建，部分模型（如 ShuffleNet）依赖 PyTorch 0.2.0。请确保您的开发环境满足以下要求：

• 操作系统: Linux / macOS / Windows
• Python 版本: 3.5 (推荐 3.5.x，高版本可能存在兼容性问题)
• 核心依赖:
  • tensorflow == 1.4
  • pytorch == 0.2.0 (可选，仅用于特定模型)
  • numpy, scipy, matplotlib 等科学计算库

注意：由于项目基于较旧的 TensorFlow 1.x 版本，建议创建独立的虚拟环境以避免依赖冲突。国内用户可使用清华源或阿里源加速安装。

安装步骤

1. 克隆项目

git clone https://github.com/xiaohu2015/DeepLearning_tutorials.git
cd DeepLearning_tutorials

2. 创建虚拟环境并安装依赖

推荐使用 conda 或 venv 管理环境。以下以 pip 配合国内镜像源为例：

# 创建 Python 3.5 环境 (如果使用 conda)
# conda create -n dl_tutorial python=3.5
# conda activate dl_tutorial

# 安装 TensorFlow 1.4 (使用清华镜像加速)
pip install tensorflow==1.4 -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装 PyTorch 0.2.0 (旧版本需指定来源，若无需可跳过)
# 注意：pytorch 0.2.0 较老，可能需要从历史版本源安装或使用 conda
pip install torch==0.2.0.post3 -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装其他通用依赖
pip install numpy scipy matplotlib pillow -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

项目结构清晰，核心算法位于 models/ 目录，经典网络架构位于 CNNs/ 和 ObjectDetections/ 目录，实用案例位于 examples/ 目录。

1. 运行基础算法示例

以多层感知机 (MLP) 为例，直接进入对应脚本运行（需确保当前目录下有对应的数据集，通常代码内会自动下载 MNIST 等标准数据集）：

cd models
python mlp.py

其他基础模型同理：

• 逻辑回归: python logisticRegression.py
• 卷积神经网络: python cnn.py
• 去噪自编码器: python da.py

2. 运行经典 CNN 模型

在 CNNs 目录下提供了 MobileNet, ResNet, DenseNet 等现代架构的实现。

cd ../CNNs
# 运行 ResNet50 示例
python ResNet50.py

3. 运行实用案例 (Practical Examples)

项目包含文本分类、语言模型、时间序列预测等完整案例。以 LSTM 时间序列预测为例：

cd ../examples/lstm_time_series_regression
python <主脚本文件名> 
# 注：具体入口脚本请查看该目录下的 .py 文件，通常为包含 main 函数的文件

4. 查看笔记与教程

项目 notes/ 目录下包含 Jupyter Notebook 格式的简明教程，适合交互式学习：

• RNN 教程: notes/tf_rnn.ipynb
• 自编码器教程: notes/tf_autoencoder.ipynb

您可以使用 Jupyter Notebook 打开查看：

jupyter notebook notes/tf_rnn.ipynb