【导读】Eager模式(动态图)是TensorFlow 1.4之后最重要的新特性之一,也是TensorFlow 2中的主流用法。本文推荐一个Github上的关于TensorFlow Eager的较为完整的图文教程(附Jupyter Notebook)。 教程链接 教程被托管在Github中,作者为Madalina Buzau,链接: https://github.com/madalinabuzau/tensorflow-eager-tutorials 01. 用Eager构建简单的神经网络 在生成的数据上,用Eager构建和训练一个只有一个隐藏层的神经网络。 Jupyter: https://github.com/madalinabuzau/tensorflow-eager-tutorials/blob/master/01_simple_feedforward_neural_network.ipynb 02. 在Eager中使用评价指标 在三种类型机器学习任务中(多分类、不平衡数据和回归)中使用与Eager模式兼容的评价指标。 Jupyter: https://github.com/madalinabuzau/tensorflow-eager-tutorials/blob/master/02_using_metrics_in_eager_mode.ipynb 03. 保存和恢复训练的模型 用Eager保存模型,之后载入模型在新数据上进行预测。 Jupyter: https://github.com/madalinabuzau/tensorflow-eager-tutorials/blob/master/03_save_and_restore_model.ipynb 04. 将文本数据转换为TFRecords 将不等长的文本保存为TFRecords,TFRecords可以被快速地进行padding操作,并使用迭代器读取。 Jupyter: https://github.com/madalinabuzau/tensorflow-eager-tutorials/blob/master/04_text_data_to_tfrecords.ipynb 05. 将图像数据转换为TFRecords 将图像和相关的meta信息(例如图像的目标)保存为TFRecords。 Jupyter: https://github.com/madalinabuzau/tensorflow-eager-tutorials/blob/master/05_images_to_tfrecords.ipynb 06. 将TFRecords读取到batches中 从TFRecords中将不等长的文本或图像读取到batches中。 Jupyter: https://github.com/madalinabuzau/tensorflow-eager-tutorials/blob/master/06_read_data_in_batches_from_tfrecords.ipynb 07. 构建卷积网络进行表情识别 用TensorFlow Eager API和FER2013数据集从头构建一个表情识别卷积网络。在教程的最后,你可以在网络摄像头上来识别你自己的表情,非常有趣的实践。 Jupyter: https://github.com/madalinabuzau/tensorflow-eager-tutorials/blob/master/07_convolutional_neural_networks_for_emotion_recognition.ipynb 08. 构建动态RNN来进行序列分类 用TensorFlow Eager API构建动态RNN在Stanford Large Movie Review数据集上进行序列分类。 Jupyter: https://github.com/madalinabuzau/tensorflow-eager-tutorials/blob/master/08_dynamic_recurrent_neural_networks_for_sequence_classification.ipynb 09. 构建RNN来进行时序回归 构建RNN来进行时序预测。 Jupyter: https://github.com/madalinabuzau/tensorflow-eager-tutorials/blob/master/09_recurrent_neural_networks_for_time_series_regression.ipynb 参考资料:
|
|
来自: LibraryPKU > 《机器学习》