TensorFlow实现流行机器学习算法教程汇集（下）

保留初心，砥砺前行

文章来源：Github

看到了其他同学发的这个资源，但是原文给的链接不能直接点击，很不方便，为了方便使用，在这里修改一下。

为TF新手准备的各个类型的案例、模型和数据集

初步了解：TFLearnTensorFlow

接下来的示例来自TFLearn，这是一个为 TensorFlow 提供了简化的接口的库。里面有很多示例和预构建的运算和层。

使用教程：TFLearn 快速入门。通过一个具体的机器学习任务学习 TFLearn 基础。开发和训练一个深度神经网络分类器。

TFLearn

TFLearn示例

预构建的运算和层

TFLearn笔记

• 基础模型以及数据集

线性回归。使用 TFLearn 实现线性回归

逻辑运算符。使用 TFLearn 实现逻辑运算符

权重保持。保存和还原一个模型

微调。在一个新任务上微调一个预训练的模型

使用 HDF5。使用 HDF5 处理大型数据集

使用 DASK。使用 DASK 处理大型数据集

• 计算机视觉模型及数据集

多层感知器。一种用于 MNIST 分类任务的多层感知实现

卷积网络（MNIST）。用于分类 MNIST 数据集的一种卷积神经网络实现

卷积网络（CIFAR-10）。用于分类 CIFAR-10 数据集的一种卷积神经网络实现

网络中的网络。用于分类 CIFAR-10 数据集的 Network in Network 实现

Alexnet。将 Alexnet 应用于 Oxford Flowers 17 分类任务

VGGNet。将 VGGNet 应用于 Oxford Flowers 17 分类任务

VGGNet Finetuning (Fast Training)。使用一个预训练的 VGG 网络并将其约束到你自己的数据上，以便实现快速训练

RNN Pixels。使用 RNN（在像素的序列上）分类图像

Highway Network。用于分类 MNIST 数据集的 Highway Network 实现

Highway Convolutional Network。用于分类 MNIST 数据集的 Highway Convolutional Network 实现

Residual Network (MNIST) 。应用于 MNIST 分类任务的一种瓶颈残差网络（bottleneck residual network）

Residual Network (CIFAR-10)。应用于 CIFAR-10 分类任务的一种残差网络

Google Inception（v3）。应用于 Oxford Flowers 17 分类任务的谷歌 Inception v3 网络

自编码器。用于 MNIST 手写数字的自编码器

• 自然语言处理模型及数据集

循环神经网络（LSTM），应用 LSTM 到 IMDB 情感数据集分类任务

双向 RNN（LSTM），将一个双向 LSTM 应用到 IMDB 情感数据集分类任务

动态 RNN（LSTM），利用动态 LSTM 从 IMDB 数据集分类可变长度文本

城市名称生成，使用 LSTM 网络生成新的美国城市名

莎士比亚手稿生成，使用 LSTM 网络生成新的莎士比亚手稿

Seq2seq，seq2seq 循环网络的教学示例

CNN Seq，应用一个 1-D 卷积网络从 IMDB 情感数据集中分类词序列

• 强化学习案例

Atari Pacman 1-step Q-Learning，使用 1-step Q-learning 教一台机器玩 Atari 游戏

为TF新手准备的其他方面内容

Recommender-Wide&Deep Network，推荐系统中 wide & deep 网络的教学示例

Spiral Classification Problem，对斯坦福 CS231n spiral 分类难题的 TFLearn 实现

层，与 TensorFlow 一起使用 TFLearn 层

训练器，使用 TFLearn 训练器类训练任何 TensorFlow 图

Bulit-in Ops，连同 TensorFlow 使用 TFLearn built-in 操作

Summaries，连同 TensorFlow 使用 TFLearn summarizers

Variables，连同 TensorFlow 使用 TFLearn Variables

相关链接：TensorFlow实现流行机器学习算法教程汇集（上）