TensorFlow 入门
2017-05-09 14:58
246 查看
原文: http://blog.csdn.net/aliceyangxi1987/article/details/70788930
在 Day 1 里,先了解了一下 NLP 和 DP 的主要概念,对它们有了一个大体的印象,用向量去表示研究对象,用神经网络去学习,用 TensorFlow 去训练模型,基本的模型和算法包括
word2vec,softmax,RNN,LSTM,GRU,CNN,大型数据的 seq2seq,还有未来比较火热的研究方向 DMN,还有模型的调优。
今天先不直接进入理论学习,而是先学习一下 TensorFlow,在原课程里,这部分在第7讲,但是我觉得最高效地学习算法的方式,就是一边学理论,一边写代码,实践中才能理解更深刻。
Day 2 先认识 TensorFlow,了解一下基本用法,下一次就写代码来训练模型算法,以问题为导向,以项目为驱动。
本文结构:
1. TensorFlow 是什么
2. 为什么需要 TensorFlow
3. TensorFlow 的优点
4. TensorFlow 的工作原理
5. 安装
6. TensorFlow 基本用法
要点
例子
概念
图
张量
会话
是一个深度学习库,由 Google 开源,可以对定义在 Tensor(张量)上的函数自动求导。
Tensor(张量)意味着 N 维数组,Flow(流)意味着基于数据流图的计算,TensorFlow即为张量从图的一端流动到另一端。
它的一大亮点是支持异构设备分布式计算,它能够在各个平台上自动运行模型,从电话、单个CPU / GPU到成百上千GPU卡组成的分布式系统。
支持CNN、RNN和LSTM算法,是目前在 Image,NLP 最流行的深度神经网络模型。
深度学习通常意味着建立具有很多层的大规模的神经网络。
除了输入X,函数还使用一系列参数,其中包括标量值、向量以及最昂贵的矩阵和高阶张量。
在训练网络之前,需要定义一个代价函数,常见的代价函数包括回归问题的方差以及分类时候的交叉熵。
训练时,需要连续的将多批新输入投入网络,对所有的参数求导后,代入代价函数,从而更新整个网络模型。
这个过程中有两个主要的问题:1. 较大的数字或者张量在一起相乘百万次的处理,使得整个模型代价非常大。2. 手动求导耗时非常久。
所以 TensorFlow 的对函数自动求导以及分布式计算,可以帮我们节省很多时间来训练模型。
第一,基于Python,写的很快并且具有可读性。
第二,在多GPU系统上的运行更为顺畅。
第三,代码编译效率较高。
第四,社区发展的非常迅速并且活跃。
第五,能够生成显示网络拓扑结构和性能的可视化图。
TensorFlow是用数据流图(data flow graphs)技术来进行数值计算的。
数据流图是描述有向图中的数值计算过程。
有向图中,节点通常代表数学运算,边表示节点之间的某种联系,它负责传输多维数据(Tensors)。
节点可以被分配到多个计算设备上,可以异步和并行地执行操作。因为是有向图,所以只有等到之前的入度节点们的计算状态完成后,当前节点才能执行操作。
极客学院有官方文档翻译版,讲的很清楚,有各种安装方式的讲解。
我选择基于 Anaconda 的安装,因为这个很方便。
Anaconda 是一个集成许多第三方科学计算库的 Python 科学计算环境,用 conda 作为自己的包管理工具,同时具有自己的计算环境,类似 Virtualenv。
安装 Anaconda
我之前已经安装过 Anaconda 了,直接从下面进行:
建立一个 conda 计算环境
2
3
4
1
2
3
4
激活环境,使用 conda 安装 TensorFlow
2
3
4
5
6
1
2
3
4
5
6
安装成功后,每次使用 TensorFlow 的时候需要激活 conda 环境
conda 环境激活后,你可以测试是否成功,在终端进入
python,输入下面代码,没有提示错误,说明安装 TensorFlow 成功:
2
3
4
5
6
7
8
9
10
11
12
13
1
2
3
4
5
6
7
8
9
10
11
12
13
当你不用 TensorFlow 的时候,关闭环境:
2
3
1
2
3
再次使用的时候再激活:
2
3
4
5
1
2
3
4
5
在 Jupyter notebook 里用 TensorFlow
我在 (tensorflow)$ 直接输入 jupyter notebook 后,输入 import tensorflow as tf 是有错误的,可以参考这里。
接下来按照官方文档中的具体代码,来看一下基本用法。
你需要理解在TensorFlow中,是如何:
将计算流程表示成图;
通过Sessions来执行图计算;
将数据表示为tensors;
使用Variables来保持状态信息;
分别使用feeds和fetches来填充数据和抓取任意的操作结果;
先看个栗子:
例1,生成三维数据,然后用一个平面拟合它:
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
注意这几条代码:
2
3
4
5
6
7
8
9
10
11
1
2
3
4
5
6
7
8
9
10
11
接下来看具体概念:
TensorFlow 用图来表示计算任务,图中的节点被称之为operation,缩写成op。
一个节点获得 0 个或者多个张量 tensor,执行计算,产生0个或多个张量。
图必须在会话(Session)里被启动,会话(Session)将图的op分发到CPU或GPU之类的设备上,同时提供执行op的方法,这些方法执行后,将产生的张量(tensor)返回。
1. 构建图
例2,计算矩阵相乘:
2
3
4
5
6
7
8
9
10
11
1
2
3
4
5
6
7
8
9
10
11
默认图有三个节点, 两个 constant() op, 和一个 matmul() op. 为了真正进行矩阵相乘运算, 并得到矩阵乘法的结果, 你必须在会话里启动这个图.
2. 张量 Tensor
从向量空间到实数域的多重线性映射(multilinear maps)(v是向量空间,v*是对偶空间)
例如代码中的 [[3., 3.]],Tensor 可以看作是一个 n 维的数组或列表。在 TensorFlow 中用 tensor 数据结构来代表所有的数据,
计算图中, 操作间传递的数据都是 tensor。
3. 在一个会话中启动图
创建一个 Session 对象, 如果无任何创建参数, 会话构造器将启动默认图。
会话负责传递 op 所需的全部输入,op 通常是并发执行的。
2
3
4
5
6
7
8
9
10
11
12
13
14
1
2
3
4
5
6
7
8
9
10
11
12
13
14
交互式使用
在 Python API 中,使用一个会话 Session 来 启动图, 并调用 Session.run() 方法执行操作.
为了便于在 IPython 等交互环境使用 TensorFlow,需要用 InteractiveSession 代替 Session 类, 使用 Tensor.eval() 和 Operation.run() 方法代替 Session.run()。
例3,计算 ‘x’ 减去 ‘a’:
2
3
4
5
6
7
8
9
10
11
12
13
14
1
2
3
4
5
6
7
8
9
10
11
12
13
14
变量 Variable
上面用到的张量是常值张量(constant)。
变量 Variable,是维护图执行过程中的状态信息的. 需要它来保持和更新参数值,是需要动态调整的。
下面代码中有
Tensorflow 的变量必须先初始化,然后才有值!而常值张量是不需要的。
下面的 assign() 操作和 add() 操作,在调用 run() 之前, 它并不会真正执行赋值和加和操作。
例4,使用变量实现一个简单的计数器:
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
上面的代码定义了一个如下的计算图:
Ok,总结一下,来一个清晰的代码:
过程就是:建图->启动图->运行取值
计算矩阵相乘:
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
上面的几个代码介绍了基本用法,通过观察,有没有觉得 tf 和 numpy 有点像呢。
TensorFlow和普通的Numpy的对比
在cs224d的课件中有下面这个代码,来看一下二者之间的区别:
eval()
在 Python 中定义完 a 后,直接打印就可以看到 a。
2
3
4
5
6
7
8
1
2
3
4
5
6
7
8
In [38]: ta = tf.zeros((2,2))
In [40]: print(ta)
Tensor(“zeros_1:0”, shape=(2, 2), dtype=float32)
In [41]: print(ta.eval())
[[ 0. 0.]
[ 0. 0.]]
“`
通过几个例子了解了基本的用法,feed 在上面的例子中还没有写到,下一次就能用到了,其他的可以查询这里。
Day 1 宏观了解了 NLP,Day 2 搞定了工具,下次要直接先进入实战,训练模型,先从 Logistic 和 NN 开始,一边看模型一边写代码一边思考模型原理,这样理解才会更深刻!
[cs224d]
Day 1. 深度学习与自然语言处理 主要概念一览
Day 2. TensorFlow 入门
Day 3. word2vec 模型思想和代码实现
Day 4. 怎样做情感分析
Day 5. CS224d-Day 5: RNN快速入门
Day 6. 一文学会用 Tensorflow 搭建神经网络
Day 7. 用深度神经网络处理NER命名实体识别问题
Day 8. 用 RNN 训练语言模型生成文本
Day 9. RNN与机器翻译
Day 10. 用 Recursive Neural Networks 得到分析树
Day 11. RNN的高级应用
CS224d-Day 2:
在 Day 1 里,先了解了一下 NLP 和 DP 的主要概念,对它们有了一个大体的印象,用向量去表示研究对象,用神经网络去学习,用 TensorFlow 去训练模型,基本的模型和算法包括word2vec,softmax,RNN,LSTM,GRU,CNN,大型数据的 seq2seq,还有未来比较火热的研究方向 DMN,还有模型的调优。
今天先不直接进入理论学习,而是先学习一下 TensorFlow,在原课程里,这部分在第7讲,但是我觉得最高效地学习算法的方式,就是一边学理论,一边写代码,实践中才能理解更深刻。
Day 2 先认识 TensorFlow,了解一下基本用法,下一次就写代码来训练模型算法,以问题为导向,以项目为驱动。
本文结构:
1. TensorFlow 是什么
2. 为什么需要 TensorFlow
3. TensorFlow 的优点
4. TensorFlow 的工作原理
5. 安装
6. TensorFlow 基本用法
要点
例子
概念
图
张量
会话
1. TensorFlow 是什么
是一个深度学习库,由 Google 开源,可以对定义在 Tensor(张量)上的函数自动求导。Tensor(张量)意味着 N 维数组,Flow(流)意味着基于数据流图的计算,TensorFlow即为张量从图的一端流动到另一端。
它的一大亮点是支持异构设备分布式计算,它能够在各个平台上自动运行模型,从电话、单个CPU / GPU到成百上千GPU卡组成的分布式系统。
支持CNN、RNN和LSTM算法,是目前在 Image,NLP 最流行的深度神经网络模型。
2. 为什么需要 TensorFlow 等库
深度学习通常意味着建立具有很多层的大规模的神经网络。除了输入X,函数还使用一系列参数,其中包括标量值、向量以及最昂贵的矩阵和高阶张量。
在训练网络之前,需要定义一个代价函数,常见的代价函数包括回归问题的方差以及分类时候的交叉熵。
训练时,需要连续的将多批新输入投入网络,对所有的参数求导后,代入代价函数,从而更新整个网络模型。
这个过程中有两个主要的问题:1. 较大的数字或者张量在一起相乘百万次的处理,使得整个模型代价非常大。2. 手动求导耗时非常久。
所以 TensorFlow 的对函数自动求导以及分布式计算,可以帮我们节省很多时间来训练模型。
3. TensorFlow 的优点
第一,基于Python,写的很快并且具有可读性。第二,在多GPU系统上的运行更为顺畅。
第三,代码编译效率较高。
第四,社区发展的非常迅速并且活跃。
第五,能够生成显示网络拓扑结构和性能的可视化图。
4. TensorFlow 的工作原理
TensorFlow是用数据流图(data flow graphs)技术来进行数值计算的。数据流图是描述有向图中的数值计算过程。
有向图中,节点通常代表数学运算,边表示节点之间的某种联系,它负责传输多维数据(Tensors)。
节点可以被分配到多个计算设备上,可以异步和并行地执行操作。因为是有向图,所以只有等到之前的入度节点们的计算状态完成后,当前节点才能执行操作。
5. 安装
极客学院有官方文档翻译版,讲的很清楚,有各种安装方式的讲解。我选择基于 Anaconda 的安装,因为这个很方便。
Anaconda 是一个集成许多第三方科学计算库的 Python 科学计算环境,用 conda 作为自己的包管理工具,同时具有自己的计算环境,类似 Virtualenv。
安装 Anaconda
我之前已经安装过 Anaconda 了,直接从下面进行:
建立一个 conda 计算环境
# 计算环境名字叫 tensorflow: # Python 2.7 $ conda create -n tensorflow python=2.71
2
3
4
1
2
3
4
激活环境,使用 conda 安装 TensorFlow
$ source activate tensorflow (tensorflow)$ # Your prompt should change # Mac OS X, CPU only: (tensorflow)$ pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/mac/tensorflow-0.8.0rc0-py2-none-any.whl1
2
3
4
5
6
1
2
3
4
5
6
安装成功后,每次使用 TensorFlow 的时候需要激活 conda 环境
conda 环境激活后,你可以测试是否成功,在终端进入
python,输入下面代码,没有提示错误,说明安装 TensorFlow 成功:
$ python ... >>> import tensorflow as tf >>> hello = tf.constant('Hello, TensorFlow!') >>> sess = tf.Session() >>> print(sess.run(hello)) Hello, TensorFlow! >>> a = tf.constant(10) >>> b = tf.constant(32) >>> print(sess.run(a + b)) 42 >>>1
2
3
4
5
6
7
8
9
10
11
12
13
1
2
3
4
5
6
7
8
9
10
11
12
13
当你不用 TensorFlow 的时候,关闭环境:
(tensorflow)$ source deactivate $ # Your prompt should change back1
2
3
1
2
3
再次使用的时候再激活:
$ source activate tensorflow (tensorflow)$ # Run Python programs that use TensorFlow. ... (tensorflow)$ source deactivate1
2
3
4
5
1
2
3
4
5
在 Jupyter notebook 里用 TensorFlow
我在 (tensorflow)$ 直接输入 jupyter notebook 后,输入 import tensorflow as tf 是有错误的,可以参考这里。
6. TensorFlow 基本用法
接下来按照官方文档中的具体代码,来看一下基本用法。你需要理解在TensorFlow中,是如何:
将计算流程表示成图;
通过Sessions来执行图计算;
将数据表示为tensors;
使用Variables来保持状态信息;
分别使用feeds和fetches来填充数据和抓取任意的操作结果;
先看个栗子:
例1,生成三维数据,然后用一个平面拟合它:
# (tensorflow)$ python 用 Python API 写 TensorFlow 示例代码 import tensorflow as tf import numpy as np # 用 NumPy 随机生成 100 个数据 x_data = np.float32(np.random.rand(2, 100)) y_data = np.dot([0.100, 0.200], x_data) + 0.300 # 构造一个线性模型 b = tf.Variable(tf.zeros([1])) W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0)) y = tf.matmul(W, x_data) + b # 最小化方差 loss = tf.reduce_mean(tf.square(y - y_data)) optimizer = tf.train.GradientDescentOptimizer(0.5) train = optimizer.minimize(loss) # 初始化变量 init = tf.initialize_all_variables() # 启动图 (graph) sess = tf.Session() sess.run(init) # 拟合平面 for step in xrange(0, 201): sess.run(train) if step % 20 == 0: print step, sess.run(W), sess.run(b) # 输出结果为: 0 [[-0.14751725 0.75113136]] [ 0.2857058] 20 [[ 0.06342752 0.32736415]] [ 0.24482927] 40 [[ 0.10146417 0.23744738]] [ 0.27712563] 60 [[ 0.10354312 0.21220125]] [ 0.290878] 80 [[ 0.10193551 0.20427427]] [ 0.2964265] 100 [[ 0.10085492 0.201565 ]] [ 0.298612] 120 [[ 0.10035028 0.20058727]] [ 0.29946309] 140 [[ 0.10013894 0.20022322]] [ 0.29979277] 160 [[ 0.1000543 0.20008542]] [ 0.29992008] 180 [[ 0.10002106 0.20003279]] [ 0.29996923] 200 [[ 0.10000814 0.20001261]] [ 0.29998815]1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
注意这几条代码:
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0)) y = tf.matmul(W, x_data) + b init = tf.initialize_all_variables() sess = tf.Session() sess.run(init) sess.run(train) print step, sess.run(W), sess.run(b)1
2
3
4
5
6
7
8
9
10
11
1
2
3
4
5
6
7
8
9
10
11
接下来看具体概念:
TensorFlow 用图来表示计算任务,图中的节点被称之为operation,缩写成op。
一个节点获得 0 个或者多个张量 tensor,执行计算,产生0个或多个张量。
图必须在会话(Session)里被启动,会话(Session)将图的op分发到CPU或GPU之类的设备上,同时提供执行op的方法,这些方法执行后,将产生的张量(tensor)返回。
1. 构建图
例2,计算矩阵相乘:
import tensorflow as tf # 创建一个 常量 op, 返回值 'matrix1' 代表这个 1x2 矩阵. matrix1 = tf.constant([[3., 3.]]) # 创建另外一个 常量 op, 返回值 'matrix2' 代表这个 2x1 矩阵. matrix2 = tf.constant([[2.],[2.]]) # 创建一个矩阵乘法 matmul op , 把 'matrix1' 和 'matrix2' 作为输入. # 返回值 'product' 代表矩阵乘法的结果. product = tf.matmul(matrix1, matrix2)1
2
3
4
5
6
7
8
9
10
11
1
2
3
4
5
6
7
8
9
10
11
默认图有三个节点, 两个 constant() op, 和一个 matmul() op. 为了真正进行矩阵相乘运算, 并得到矩阵乘法的结果, 你必须在会话里启动这个图.
2. 张量 Tensor
从向量空间到实数域的多重线性映射(multilinear maps)(v是向量空间,v*是对偶空间)
例如代码中的 [[3., 3.]],Tensor 可以看作是一个 n 维的数组或列表。在 TensorFlow 中用 tensor 数据结构来代表所有的数据,
计算图中, 操作间传递的数据都是 tensor。
3. 在一个会话中启动图
创建一个 Session 对象, 如果无任何创建参数, 会话构造器将启动默认图。
会话负责传递 op 所需的全部输入,op 通常是并发执行的。
# 启动默认图. sess = tf.Session() # 调用 sess 的 'run()' 方法, 传入 'product' 作为该方法的参数, # 触发了图中三个 op (两个常量 op 和一个矩阵乘法 op), # 向方法表明, 我们希望取回矩阵乘法 op 的输出. result = sess.run(product) # 返回值 'result' 是一个 numpy `ndarray` 对象. print result # ==> [[ 12.]] # 任务完成, 需要关闭会话以释放资源。 sess.close()1
2
3
4
5
6
7
8
9
10
11
12
13
14
1
2
3
4
5
6
7
8
9
10
11
12
13
14
交互式使用
在 Python API 中,使用一个会话 Session 来 启动图, 并调用 Session.run() 方法执行操作.
为了便于在 IPython 等交互环境使用 TensorFlow,需要用 InteractiveSession 代替 Session 类, 使用 Tensor.eval() 和 Operation.run() 方法代替 Session.run()。
例3,计算 ‘x’ 减去 ‘a’:
# 进入一个交互式 TensorFlow 会话. import tensorflow as tf sess = tf.InteractiveSession() x = tf.Variable([1.0, 2.0]) a = tf.constant([3.0, 3.0]) # 使用初始化器 initializer op 的 run() 方法初始化 'x' x.initializer.run() # 增加一个减法 sub op, 从 'x' 减去 'a'. 运行减法 op, 输出结果 sub = tf.sub(x, a) print sub.eval() # ==> [-2. -1.]1
2
3
4
5
6
7
8
9
10
11
12
13
14
1
2
3
4
5
6
7
8
9
10
11
12
13
14
变量 Variable
上面用到的张量是常值张量(constant)。
变量 Variable,是维护图执行过程中的状态信息的. 需要它来保持和更新参数值,是需要动态调整的。
下面代码中有
tf.initialize_all_variables,是预先对变量初始化,
Tensorflow 的变量必须先初始化,然后才有值!而常值张量是不需要的。
下面的 assign() 操作和 add() 操作,在调用 run() 之前, 它并不会真正执行赋值和加和操作。
例4,使用变量实现一个简单的计数器:
# -创建一个变量, 初始化为标量 0. 初始化定义初值 state = tf.Variable(0, name="counter") # 创建一个 op, 其作用是使 state 增加 1 one = tf.constant(1) new_value = tf.add(state, one) update = tf.assign(state, new_value) # 启动图后, 变量必须先经过`初始化` (init) op 初始化, # 才真正通过Tensorflow的initialize_all_variables对这些变量赋初值 init_op = tf.initialize_all_variables() # 启动默认图, 运行 op with tf.Session() as sess: # 运行 'init' op sess.run(init_op) # 打印 'state' 的初始值 # 取回操作的输出内容, 可以在使用 Session 对象的 run() 调用 执行图时, # 传入一些 tensor, 这些 tensor 会帮助你取回结果. # 此处只取回了单个节点 state, # 也可以在运行一次 op 时一起取回多个 tensor: # result = sess.run([mul, intermed]) print sess.run(state) # 运行 op, 更新 'state', 并打印 'state' for _ in range(3): sess.run(update) print sess.run(state) # 输出: # 0 # 1 # 2 # 31
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
上面的代码定义了一个如下的计算图:
Ok,总结一下,来一个清晰的代码:
过程就是:建图->启动图->运行取值
计算矩阵相乘:
import tensorflow as tf # 建图 matrix1 = tf.constant([[3., 3.]]) matrix2 = tf.constant([[2.],[2.]]) product = tf.matmul(matrix1, matrix2) # 启动图 sess = tf.Session() # 取值 result = sess.run(product) print result sess.close()1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
上面的几个代码介绍了基本用法,通过观察,有没有觉得 tf 和 numpy 有点像呢。
TensorFlow和普通的Numpy的对比
在cs224d的课件中有下面这个代码,来看一下二者之间的区别:
eval()
在 Python 中定义完 a 后,直接打印就可以看到 a。
In [37]: a = np.zeros((2,2)) In [39]: print(a) [[ 0. 0.] [ 0. 0.]] ``` 但是在 Tensorflow 中需要显式地输出(evaluation,也就是说借助eval()函数)!1
2
3
4
5
6
7
8
1
2
3
4
5
6
7
8
In [38]: ta = tf.zeros((2,2))
In [40]: print(ta)
Tensor(“zeros_1:0”, shape=(2, 2), dtype=float32)
In [41]: print(ta.eval())
[[ 0. 0.]
[ 0. 0.]]
“`
通过几个例子了解了基本的用法,feed 在上面的例子中还没有写到,下一次就能用到了,其他的可以查询这里。
Day 1 宏观了解了 NLP,Day 2 搞定了工具,下次要直接先进入实战,训练模型,先从 Logistic 和 NN 开始,一边看模型一边写代码一边思考模型原理,这样理解才会更深刻!
[cs224d]
Day 1. 深度学习与自然语言处理 主要概念一览
Day 2. TensorFlow 入门
Day 3. word2vec 模型思想和代码实现
Day 4. 怎样做情感分析
Day 5. CS224d-Day 5: RNN快速入门
Day 6. 一文学会用 Tensorflow 搭建神经网络
Day 7. 用深度神经网络处理NER命名实体识别问题
Day 8. 用 RNN 训练语言模型生成文本
Day 9. RNN与机器翻译
Day 10. 用 Recursive Neural Networks 得到分析树
Day 11. RNN的高级应用
相关文章推荐
- TensorFlow官方文档学习|TensorFlow运作方式入门
- TensorFlow安装与入门: 使用CNN训练MNIST
- Tensorflow入门学习网站以及资料<一>
- TensorFlow学习笔记1:入门
- TensorFlow入门-Inception(v3)图像识别
- TensorFlow全新的数据读取方式:Dataset API入门教程
- TensorFlow入门基础知识(三)lrn函数详解
- TensorFlow和深度学习入门教程
- [深度学习] TensorFlow 入门之基本使用
- TensorFlow 实现 RNN 入门教程
- TensorFlow入门很好的教程:你好,TensorFlow!
- 真正从零开始,TensorFlow详细安装入门图文教程!
- TensorFlow学习笔记之三——适合入门的一些资源
- TensorFlow极速入门
- TensorFlow和深度学习入门教程(TensorFlow and deep learning without a PhD)
- 跟着TensorFlow的入门级教程实现MNIST库的训练
- mac下安装tensorflow及入门例子
- TensorFlow全新的数据读取方式:Dataset API入门教程
- 深度学习-2:tensorflow 入门以及简单的线性拟合
- TensorFlow 教程 --新手入门--1.3 安装实例