教程深度学习机器学习【免费下载链接】TensorFlow-Course:satellite: Simple and ready-to-use tutorials for TensorFlow项目地址https://gitcode.com/gh_mirrors/te/TensorFlow-Course点击查看免费下载TensorFlow-Course 是一个以“简单、即拿即用”为核心理念的 TensorFlow 教程仓库每个教程都配套可运行的 Python 源码与 Jupyter Notebook并附有独立文档。本文以仓库首页文档docs/index.rst 及其引入的 README.rst为主线完整梳理项目定位、环境安装、六大教程分类与源码结构并结合 docs/tutorials/installation/README.rst 等配套文档讲透从零搭建 TensorFlow 环境到训练 CNN 图像分类器的每一步。项目概览这个仓库解决什么问题该仓库的目标是提供简单、可直接使用的 TensorFlow 教程。每一个教程都包含source code源码且大多数教程配有独立的documentation文档。从仓库结构看源码统一放在 codes/ 目录下以python与ipython两个子目录分别承载.py脚本与.ipynbNotebook配套文档则位于 docs/tutorials/ 目录。项目状态说明该仓库已更新到 TensorFlow 2.3见 README.rst 中的 Status 声明因此教程中的代码以 TF 2.x 时代的实践为基础编写。仓库文档使用 Sphinx 构建docs/conf.py 中master_doc index、source_suffix .rst首页 docs/index.rst 通过.. include:: ../README.rst直接引入仓库根 README因此本文的骨架即仓库完整的官方教程目录与安装指引。TensorFlow 简介与项目动机TensorFlow 是什么按首页文档的定义TensorFlow 是一个开源的软件库用于跨任务的数据流编程dataflow programming同时也是一个符号数学库常被用于神经网络等机器学习应用。它在 Google 内部既用于研究也用于生产并取代了其闭源前身 DistBelief。TensorFlow 由 Google Brain 团队开发于 2015 年 11 月 9 日以 Apache 2.0 开源许可证发布。为什么选择 TensorFlow文档给出的理由是深度学习对算法与架构的快速、优化实现有迫切需求而 TensorFlow 正为此设计。它的强大优势在于设计高度模块化模型时的灵活性——但这对初学者也可能是一大劣势因为创建模型时必须同时考虑大量组件。这一痛点已通过 Keras、Slim 等高层 API 得到缓解它们抽象了设计机器学习算法时的大量拼图。此外TensorFlow 社区庞大且增长迅速研究者与开发者遇到的常见问题往往已有现成解决方案。这个仓库的独特之处文档明确指出项目并非“为了开源而开源”。市面上的 TensorFlow 教程要么过于复杂要么缺少文档只有少数教程既简洁、结构良好又能为具体的模型实现提供足够洞见。因此本项目的宗旨是用结构化的教程与简洁、优化的代码实现帮助社区快速、高效地掌握 TensorFlow核心目标是“提供文档完善的教程与不复杂的代码”。安装与环境准备首页文档明确推荐使用虚拟环境进行安装以避免包冲突并保留自定义工作环境的灵活性。完整的源码级安装指引收录于 docs/tutorials/installation/README.rst其核心流程如下1. 准备环境按顺序执行TensorFlow Python 依赖安装终端执行sudo apt-get install python-numpy python-dev python-pip python-wheel python-virtualenv sudo apt-get install python3-numpy python3-dev python3-pip python3-wheel python3-virtualenv第二行针对 Python 3。Bazel 安装源码编译依赖 Bazel 构建工具。文档特别警告Bazel 安装可能改变 GPU 支持的内核版本若未同步更新 GPU 驱动评估 TensorFlow 安装时会报错kernel version X does not match DSO version Y -- cannot find working devices in this configuration解决办法是清除并重装/更新 NVIDIA 驱动。TensorFlow GPU 前置条件NVIDIA CUDA Toolkit 及配套驱动推荐版本 8.0cuDNN 库推荐版本 5.1安装libcupti-devsudo apt-get install libcupti-dev。2. 创建虚拟环境可选但推荐sudo mkdir ~/virtualenvs sudo virtualenv --system-site-packages ~/virtualenvs/tensorflow激活环境并配置别名避免每次输入冗长命令source ~/virtualenvs/tensorflow/bin/activate echo alias tensorflowsource $HOME/virtualenvs/tensorflow/bin/activate ~/.bash_aliases bash之后只需在终端输入tensorflow即可激活环境。同时应检查~/.bash_aliases中确实包含该 alias且~/.bashrc中存在加载.bash_aliases的片段if [ -f ~/.bash_aliases ]; then . ~/.bash_aliases; fi。3. 配置源码安装克隆 TensorFlow 源码仓库后进入目录运行配置脚本。配置过程中的关键 flag 直接决定了安装的兼容性典型交互如下$ ./configure Please specify the location of python. [Default is /usr/bin/python]: /usr/bin/python2.7 Please specify optimization flags to use during compilation ... [Default is -marchnative]: Do you wish to use jemalloc as the malloc implementation? [Y/n] Y Do you wish to build TensorFlow with Google Cloud Platform support? [y/N] N Do you wish to build TensorFlow with Hadoop File System support? [y/N] N Do you wish to build TensorFlow with the XLA just-in-time compiler (experimental)? [y/N] N Please input the desired Python library path to use. Default is [/usr/local/lib/python2.7/dist-packages] Do you wish to build TensorFlow with OpenCL support? [y/N] N Do you wish to build TensorFlow with CUDA support? [y/N] Y Please specify which gcc should be used by nvcc as the host compiler. [Default is /usr/bin/gcc]: Please specify the Cuda SDK version you want to use, e.g. 7.0. [Leave empty to use system default]: 8.0 Please specify the location where CUDA 8.0 toolkit is installed. [Default is /usr/local/cuda]: Please specify the cuDNN version you want to use. [Leave empty to use system default]: 5.1.10 Please specify the location where cuDNN 5 library is installed. [Default is /usr/local/cuda]: Please specify a list of comma-separated Cuda compute capabilities you want to build with. [Default is: 3.5,5.2]: 5.2注意事项cuDNN 版本必须依据/usr/local/cuda下的实际文件精确确定compute capability 需与机器上的 GPU 型号匹配如 Geforce GTX Titan X 对应 5.2如需重新配置建议先执行bazel clean若要在虚拟环境中安装必须先激活环境再运行./configure。4. 构建并安装 pip 包bazel build --configopt --configcuda //tensorflow/tools/pip_package:build_pip_package bazel-bin/tensorflow/tools/pip_package/build_pip_package ~/tensorflow_package随后可选择原生安装sudo pip install ~/tensorflow_package/file_name.whl或虚拟环境安装先tensorflow激活环境再执行pip install不要加 sudo否则会指向系统原生包。5. 验证安装python import tensorflow as tf hello tf.constant(Hello, TensorFlow!) sess tf.Session() print(sess.run(hello))常见错误排查内核版本与 DSO 不匹配重装 CUDA 驱动。ImportError: cannot import name pywrap_tensorflowPython 从错误目录加载了库重新打开终端、确保位于系统根目录再测试。ImportError: No module named packaging.version与 pip 安装有关用python -m pip install -U pip重装 pip。教程目录全景首页文档将教程划分为五大分类每个分类都包含“Run一键运行”“Source Code源码”与“Media视频教程”三列信息。下表完整继承了官方目录Warm-up入门热身#主题源码1Start-upNotebook / PythonBasicsTensorFlow 基础#主题源码1TensorsNotebook / Python2Automatic DifferentiationNotebook / Python3Introduction to GraphsNotebook / Python4TensorFlow ModelsNotebook / PythonBasic Machine Learning基础机器学习#主题源码更多1Linear RegressionNotebook / Python文档2Data AugmentationNotebook / Python—Neural Networks神经网络#主题源码1Multi Layer PerceptronNotebook / Python2Convolutional Neural NetworksNotebook / PythonCNN 的完整文档见 docs/tutorials/3-neural_network/convolutiona_neural_network/README.rst。Advanced进阶#主题源码1Custom TrainingNotebook / Python2Dataset GeneratorNotebook / Python3Create TFRecordsNotebook / Python仓库还包含codes/application/image/image_classification.py这样的落地应用示例图像分类可视为教程之外的实战延伸。分类教程深度解析Warm-up用 TensorBoard 迈出第一步文档 指出本分类教程是进入 TensorFlow 世界的起点重点引入TensorBoard——TensorFlow 自带的图可视化工具用于理解、调试和优化复杂的 TensorFlow 程序。关键代码模式对应 welcome.py 与 codes/python/0-welcome/welcome.py 的实现思路from __future__ import print_function import tensorflow as tf import os # 定义事件日志目录默认与脚本同目录下的 logs 文件夹 tf.app.flags.DEFINE_string( log_dir, os.path.dirname(os.path.abspath(__file__)) /logs, Directory where event logs are written to.) FLAGS tf.app.flags.FLAGS # 强制使用绝对路径方便 TensorBoard 定位 if not os.path.isabs(os.path.expanduser(FLAGS.log_dir)): raise ValueError(You must assign absolute path for --log_dir) # 定义常量张量 welcome tf.constant(Welcome to TensorFlow world!) # 会话执行 写入事件文件 with tf.Session() as sess: writer tf.summary.FileWriter(os.path.expanduser(FLAGS.log_dir), sess.graph) print(output: , sess.run(welcome)) writer.close() sess.close()要点tf.summary.FileWriter负责把计算图写入事件文件event files任何 Tensor 必须通过sess.run()才会真正求值为算子指定name属性有助于在 TensorBoard 中获得更清晰的图展示。Basics张量、自动微分、图与模型1-basics四个教程分别对应 TensorFlow 最核心的四块基石配套文档索引见 docs/tutorials/1-basics/readme.rstTensors张量是 TensorFlow 数据流的基本载体Automatic Differentiation自动微分是反向传播与优化器工作的数学基础Introduction to Graphs计算图定义了“做什么、怎么做”是 TensorFlow 静态图执行模型的核心抽象TensorFlow Models把前三个概念组装成可训练模型。以基础数学运算教程docs/tutorials/1-basics/basic_math_operations/README.rst为例它展示了张量算子与会话执行的最小闭环a tf.constant(5.0, namea) b tf.constant(10.0, nameb) x tf.add(a, b, nameadd) y tf.div(a, b, namedivide) with tf.Session() as sess: writer tf.summary.FileWriter(os.path.expanduser(FLAGS.log_dir), sess.graph) print(output: , sess.run([a, b, x, y])) writer.close() sess.close()终端输出为[5.0, 10.0, 15.0, 0.5]。运行tensorboard --logdirabsolute/path/to/log_dir后即可在浏览器中查看由算子与张量节点构成的计算图。Basic Machine Learning线性回归与数据增强线性回归教程docs/tutorials/2-basics_in_machine_learning/linear_regression/README.rst是理解“用 TensorFlow 训练模型”的标准范式用优化问题拟合 X 与 Y 的线性关系。数据集来自 Stanford CS 20SI 课程fire_theft.xls。流程拆解源码对应 codes/python/basics_in_machine_learning/linearregression.py加载数据并定义 flag用xlrd读取 xls用tf.app.flags.DEFINE_integer定义num_epochs默认 50定义可训练变量W tf.Variable(0.0, nameweights)、b tf.Variable(0.0, namebias)拆分为四个函数inputs()定义X、Y两个tf.placeholderinference()前向计算X * W bloss(X, Y)用tf.squared_difference计算预测值与标签的差train(loss)tf.train.GradientDescentOptimizer(learning_rate0.0001).minimize(loss)训练循环sess.run(tf.global_variables_initializer())全局初始化后逐 epoch 遍历数据、执行train_op更新参数并打印每轮 loss评估与绘图用学到的wcoeff、bias计算预测线与原始数据一同绘制。文档特别强调随机优化stochastic optimization找到的线性模型并不保证是最优的但线性回归的简洁性正是其最大优势。Neural NetworksMLP 与全卷积 CNN 图像分类器CNN 教程docs/tutorials/3-neural_network/convolutiona_neural_network/README.rst是仓库中最深入的实战文档之一对应源码 codes/python/neural_networks/cnns.py数据输入管线使用 MNIST60000 训练 / 10000 测试图28x28x1 手写数字。源码中from tensorflow.examples.tutorials.mnist import input_data mnist input_data.read_data_sets(MNIST_data/, reshapeFalse, one_hotFalse)reshapeFalse保留图像原始 28x28x1 空间结构one_hotFalse便于自定义预处理。训练集被拆为 55000 训练 5000 验证便于交叉验证超参。网络架构与 LeNet 高度相似但采用全卷积形式——没有全连接层最后一层用卷积层替代。逐层结构为conv132 个 5x5 卷积核→ max_pool2d2x2stride 2conv264 个 5x5 卷积核→ max_pool2d2x2stride 2fc31024 个 7x7 卷积核paddingVALID——当输入空间尺寸等于卷积核尺寸时该层在数学上等价于含 1024 个隐藏单元的全连接层dropoutdropout_keep_prob0.5仅训练阶段生效fc4num_classes 个 1x1 卷积核再用tf.squeeze把 [batch, 1, 1, num_classes] 压成 [batch, num_classes] 作为 logits。关键工程细节文档原文强调参数共享与初始化net_arg_scope用arg_scope统一各卷积层默认参数paddingSAME、weights_regularizerl2_regularizer(0.0005)、weights_initializervariance_scaling_initializer。文档指出 ReLU 激活配合 Variance-Scaling 初始化比经典 Xavier 初始化更有效其依据来自《Understanding the difficulty of training deep feedforward neural networks》论文。SAME vs VALID paddingSAME 通过零填充保持输出空间尺寸不变VALID 不填充。fc3 层将 padding 覆写为 VALID使 7x7 输入与 7x7 核恰好输出单点实现“卷积化的全连接层”。Dropout随机灭活一部分神经元以对抗过拟合dropout_keep_prob控制保留比例is_training控制其在训练/测试阶段的开关。计算图与训练graph tf.Graph() with graph.as_default(): global_step tf.Variable(0, nameglobal_step, trainableFalse) # 指数衰减学习率 learning_rate tf.train.exponential_decay( FLAGS.initial_learning_rate, global_step, decay_steps, FLAGS.learning_rate_decay_factor, staircaseTrue, nameexponential_decay_learning_rate) # 占位符 image_place tf.placeholder(tf.float32, shape([None, height, width, num_channels]), nameimage) label_place tf.placeholder(tf.float32, shape([None, FLAGS.num_classes]), namegt) dropout_param tf.placeholder(tf.float32) # 模型与损失 logits, end_points net.net_architecture(...) loss tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logitslogits, labelslabel_place)) # 优化器Adam 梯度更新 optimizer tf.train.AdamOptimizer(learning_ratelearning_rate) grads_and_vars optimizer.compute_gradients(loss) train_op optimizer.apply_gradients(grads_and_vars, global_stepglobal_step)文档逐一解释了这些片段Graph Default显式定义 graph 并as_default()便于把图传给 SessionParametersglobal_step是每个 batch 梯度更新后自增 1 的非可训练计数器配合exponential_decay实现学习率调度Place Holders第一维设为None使 batch size 灵活可变dropout 参数也做成占位符测试时可设为 1.0 关闭 dropoutModel and Evaluationsoftmax_cross_entropy_with_logits在内部计算 softmax数值更稳定accuracy 通过tf.argmax与tf.equal计算Training TensorsAdam 因自适应特性被选为优化器每次执行train_op即一个训练步Summaries分别用 image、scalar、histogram 三类 summary 记录输入图像、loss/accuracy/global_step/learning_rate 标量、以及各层激活分布通过collections参数把 summary 分流到 train / test / per_epoch_train 三组再用tf.summary.merge_all(train)等分别合并。会话配置与训练循环tf.ConfigProto(allow_soft_placement..., log_device_placement...)控制设备调度soft placement 可避免“GPU 不支持某算子”导致的崩溃tf.train.Saver(max_to_keepFLAGS.max_num_checkpoint)默认最多保留 5 份负责保存/恢复 checkpoint。训练每 epoch 依次执行 batch 前向反向、写入训练 summary、对整个测试集评估一次文档提醒测试集过大时应改为 batch 评估以防内存溢出最后保存模型evaluation()函数从 checkpoint 恢复权重并输出最终测试准确率。Advanced自定义训练、数据生成器与 TFRecords进阶三讲面向工程化场景Custom Trainingcodes/python/advanced/custom_training.py演示脱离高层封装、手动控制训练循环的方法Dataset Generatorcodes/python/advanced/dataset_generator.py实现自定义数据生成器为大规模/流式数据训练做准备Create TFRecordscodes/python/advanced/tfrecords.py讲解 TFRecords 格式的写入与读取是 TensorFlow 高效数据管线tf.data的基石。三者共同补齐了从“能跑通模型”到“生产级数据工程”的能力拼图。文档构建与阅读方式仓库文档采用 Sphinx 构建入口 docs/index.rst即本文依据的首页配置见 docs/conf.py扩展sphinx.ext.autodoc、mathjax、viewcode、githubpages主题alabasterhtml_title TensorFlow World构建入口master_doc index源码后缀.rst。本地阅读可直接浏览 docs/tutorials/ 下各分类的 README.rstWelcome、Basics、线性回归、逻辑回归、CNN、自编码器、安装指南等每篇均配有可复现的代码片段与结果图动手实践则直接运行 codes/ 下对应的.py脚本或在 Jupyter 中打开.ipynbNotebook。贡献指南要点首页文档对贡献者提出了明确约定提交 Pull Request 前先通过 issue、邮件等方式与维护者讨论拟做的变更拼写错误不要提 PR请在 issues 中声明PR 主体应为代码脚本建议或改进非代码类 PR 需对文档产生显著改进否则应通过 issues 提出不要直接修改 ipython 文件请修改对应的 Python 文件构建时移除安装/构建依赖对接口变更新环境变量、暴露端口、文件位置、容器参数添加注释说明至少获得一位其他开发者的同意后方可合并否则可请求维护者合并。此外项目要求所有交互遵守 CODE_OF_CONDUCT.md。总结TensorFlow-Course 以“文档完善、代码不复杂”为第一目标构建了一条从 TensorBoard 入门、张量与自动微分基础、线性回归等经典模型到 MLP/CNN 图像分类器再到自定义训练、数据生成器与 TFRecords 数据工程的完整学习路径。本文基于 docs/index.rst即仓库根 README.rst完整继承了官方教程目录与安装指引并深入 docs/tutorials/ 与 codes/ 展开源码级讲解——无论你是想快速跑通第一个 TensorFlow 程序还是希望理解 CNN 分类器背后的图、会话、summary 与训练机制都能在这份仓库指南中找到可直接复用的方案。赞分享教程深度学习机器学习【免费下载链接】TensorFlow-Course:satellite: Simple and ready-to-use tutorials for TensorFlow项目地址https://gitcode.com/gh_mirrors/te/TensorFlow-Course点击查看免费下载相关推荐色彩与排版的魔法Awesome Sass高级特性完全指南色彩与排版的魔法Awesome Sass高级特性完全指南 Awesome Sass是一个精心策划的资源列表汇集了最优秀的Sass和SCSS框架、库、样式指南如何快速掌握TensorFlow从零到精通的完整AI开发指南 如何快速掌握TensorFlow从零到精通的完整AI开发指南 想要学习TensorFlow但不知道从何开始TensorFlow Course项目为你提教程深度学习机器学习CANN/pypto MACHINE组件错误码MACHINE 组件错误码 范围 F7 F8XXXX 本文档说明 MACHINE 组件的错误码定义、场景说明与排查建议。 错误码定义与使用说明 相关错误码的枚人工智能编译器模型编译高性能计算深度学习CANN上一篇终极指南3步实现Mac Mouse Fix配置文件跨设备同步下一篇TinyUSB USB音频设备延迟优化UAC2同步机制实现创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考