收藏！最全TensorFlow模型实现开源库，手把手教你实现各种模型！

人工智能算法与Python大数据

致力于提供深度学习、机器学习、人工智能干货文章，为AI人员提供学习路线以及前沿资讯

23篇原创内容

公众号

点上方人工智能算法与Python大数据获取更多干货

在右上方 ··· 设为星标 ★，第一时间获取资源

仅做学术分享，如有侵权，联系删除

转载于 ：Github

https://github.com/tensorflow/models，主要内容有利用TensorFlow构建的模型和示例的教程，最新更新是几小时之前。

TensorFlow实现模型

地址：

https://github.com/tensorflow/models/blob/master/research

实现模型主要在research中，包含研究人员实施的机器学习模型，每个模型有使用的教程，以及对应的论文链接，一站式服务。

如其中的一个模型：

deep convolutional networks for computer vision（用于计算机视觉的深度卷积网络）

包含了几个内容：

1、在TensorFlow中

ImageNet是用于训练图像识别系统的机器学习中的常见学术数据集。此目录中的代码演示了如何使用TensorFlow训练和评估此学术数据集上的一种卷积神经网络（CNN）。特别是，我们演示了如何训练Inception v3体系结构，如下所述：

重新思考计算机视觉的初始架构

Christian Szegedy，Vincent Vanhoucke，Sergey Ioffe，Jonathon Shlens，Zbigniew Wojna

http:///abs/1512.00567

对于单帧评估，该网络实现了21.2％的前1和5.6％的前5误差，每个推理的计算成本为50亿乘法，并且使用的参数少于2500万。以下是模型架构的可视化。

模型架构可视化

2、代码说明

有详细的代码使用说明，代码库提供了三个核心二进制文件：

• 使用ImageNet 2012 Challenge培训数据集在多个GPU和/或多台计算机上从头开始培训初始v3网络。

• 使用ImageNet 2012 Challenge验证数据集评估Inception v3网络。

• 在新任务上重新训练初始v3网络并反向传播错误以微调网络权重。

训练过程采用跨多个GPU的同步随机梯度下降。用户可以指定他们希望利用的GPU的数量。同步训练通过将给定批次划分为多个GPU来执行批量分割。

训练设置几乎与使用多GPU卡训练模型一节相同 ，我们已将CIFAR-10模型架构替换为Inception v3。与该设置的主要区别是：

• 在培训期间计算并更新批次规范统计数据，以便在评估期间替换它们。

• 使用称为TensorFlow-Slim的（仍然是实验性的）更高级语言指定模型体系结构。

有关TensorFlow-Slim的更多详细信息，请参阅Slim README。请注意，此更高级别的语言仍处于 试验阶段，API可能会随着时间的推移而变化，具体取决于使用情况和后续研究。

3、入门

4、如何从零开始训练

有详细的步骤教你如何从零开始训练：

在继续之前，请阅读卷积神经网络教程; 特别是，专注于使用多GPU卡训练模型。模型训练方法几乎与CIFAR-10多GPU模型训练中描述的相同。简而言之，模型训练

在每个GPU上放置单独的模型副本。

在GPU中拆分批处理。

通过等待所有GPU完成处理一批数据来同步更新模型参数。

训练过程由该图表封装，该图表分别表示操作和变量如何放在CPU和GPU上。

操作和变量如何放在CPU和GPU上

5、如何在分布式环境中从零开始训练

6、如何评估

7、如何在新任务上微调预训练模型

• 入门

• 如何在花卉数据上重新训练训练模型

8、如何构建一个新的再培训数据集

9、培养模型的实践考虑

10、寻找好的超参数

11、调整内存需求

12、故障排除

以上包含了从零开始训练到模型实现以及模型的扩展的所有过程，超详细的步骤，一站式的服务，赶快去学习吧！

---------♥---------