人工智能系統Google開源的TensorFlow官方文檔中文版
2015年11月9日，Google發布人工智能系統TensorFlow並宣布開源，機器學習作為人工智能的一種類型，可以讓軟件根據大量的數據來對未來的情況進行闡述或預判。如今，領先的科技巨頭無不在機器學習下予以極大投入。Facebook、蘋果、微軟，甚至國內的百度。Google 自然也在其中。「TensorFlow」是 Google 多年以來內部的機器學習系統。如今，Google 正在將此系統成為開源系統，並將此系統的參數公布給業界工程師、學者和擁有大量編程能力的技術人員，這意味着什么呢？
打個不太恰當的比喻，如今 Google 對待 TensorFlow 系統，有點類似於該公司對待旗下移動操作系統 Android。如果更多的數據科學家開始使用 Google 的系統來從事機器學習方面的研究，那么這將有利於 Google 對日益發展的機器學習行業擁有更多的主導權。
Google TensorFlow項目負責人Jeff Dean為該中文翻譯項目回信稱："看到能夠將TensorFlow翻譯成中文我非常激動，我們將TensorFlow開源的主要原因之一是為了讓全世界的人們能夠從機器學習與人工智能中獲益，類似這樣的協作翻譯能夠讓更多的人更容易地接觸到TensorFlow項目，很期待接下來該項目在全球范圍內的應用!"
總覽 | TensorFlow 官方文檔中文版
http://www.tensorfly.cn/tfdoc/tutorials/overview.html
TensorFlow官方文檔中文版_TensorFlow中文教程_TensorFlow開發中文手冊[PDF]下載-極客學院Wiki
http://wiki.jikexueyuan.com/project/tensorflow-zh/
-----------------------------
面向機器學習初學者的 MNIST 初級教程
如果你是機器學習領域的新手, 我們推薦你從本文開始閱讀. 本文通過講述一個經典的問題, 手寫數字識別 (MNIST), 讓你對多類分類 (multiclass classification) 問題有直觀的了解.
面向機器學習專家的 MNIST 高級教程
如果你已經對其它深度學習軟件比較熟悉, 並且也對 MNIST 很熟悉, 這篇教程能夠引導你對 TensorFlow 有初步了解.
TensorFlow 使用指南
這是一篇技術教程, 詳細介紹了如何使用 TensorFlow 架構訓練大規模模型. 本文繼續使用MNIST 作為例子.
卷積神經網絡
這篇文章介紹了如何使用 TensorFlow 在 CIFAR-10 數據集上訓練卷積神經網絡. 卷積神經網絡是為圖像識別量身定做的一個模型. 相比其它模型, 該模型利用了平移不變性(translation invariance), 從而能夠更更簡潔有效地表示視覺內容.
單詞的向量表示
本文讓你了解為什么學會使用向量來表示單詞, 即單詞嵌套 (word embedding), 是一件很有用的事情. 文章中介紹的 word2vec 模型, 是一種高效學習嵌套的方法. 本文還涉及了對比噪聲(noise-contrastive) 訓練方法的一些高級細節, 該訓練方法是訓練嵌套領域最近最大的進展.
循環神經網絡 (Recurrent Neural Network, 簡稱 RNN)
一篇 RNN 的介紹文章, 文章中訓練了一個 LSTM 網絡來預測一個英文句子的下一個單詞(該任務有時候被稱作語言建模).
Mandelbrot 集合
TensorFlow 可以用於與機器學習完全無關的其它計算領域. 這里實現了一個原生的 Mandelbrot 集合的可視化程序.
偏微分方程
這是另外一個非機器學習計算的例子, 我們利用一個原生實現的偏微分方程, 對雨滴落在池塘上的過程進行仿真.
MNIST 數據下載
一篇關於下載 MNIST 手寫識別數據集的詳細教程.
視覺物體識別 (Visual Object Recognition)
我們將毫無保留地發布已經選訓練好的, 目前最先進的 Inception 物體識別模型.
Deep Dream 視幻覺軟件
我們將發布一個 TensorFlow 版本的 Deep Dream,這是一款基於 Inception 識別模型的神經網絡視幻覺軟件.
-------------------------------
TensorFlow 官方文檔中文版
1. 新手入門
1.1. 介紹
1.2. 下載及安裝
1.3. 基本用法
2. 完整教程
2.1. 總覽
2.2. MNIST 數據下載
2.3. MNIST 入門
2.4. MNIST 進階
2.5. TENSORFLOW 運作方式入門
2.6. 卷積神經網絡
2.7. 字詞的向量表示
2.8. 遞歸神經網絡
2.9. 曼德布洛特(MANDELBROT)集合
2.10. 偏微分方程
3. 進階指南
3.1. 總覽
3.2. 變量:創建、初始化、保存和加載
3.3. TENSORBOARD:可視化學習
3.4. TENSORBOARD:圖表可視化
3.5. 讀取數據
3.6. 線程和隊列
3.7. 添加新的OP
3.8. 自定義數據讀取
3.9. 使用GPU
3.10. 共享變量
4. 資源
4.1. 總覽
4.2. BIBTEX 引用
4.3. 示例使用
4.4. FAQ
4.5. 術語表
4.6. TENSOR排名、形狀和類型
5. 其他
5.1. 更多TF相關資源
5.2. 更多機器學習資源
6. API DOC
6.1. Cc API
6.1.1. CLASS ENV
6.1.2. CLASS ENV WRAPPER
6.1.3. CLASS RANDOM ACCESS FILE
6.1.4. CLASS SESSION
6.1.5. CLASS STATUS
6.1.6. CLASS TENSOR
6.1.7. CLASS TENSOR BUFFER
6.1.8. CLASS TENSOR SHAPE
6.1.9. CLASS TENSOR SHAPE ITER
6.1.10. CLASS TENSOR SHAPE UTILS
6.1.11. CLASS THREAD
6.1.12. CLASS WRITABLE FILE
6.1.13. STRUCT SESSION OPTIONS
6.1.14. STRUCT STATE
6.1.15. STRUCT TENSOR SHAPE DIM
6.1.16. STRUCT THREAD OPTIONS
6.1.17. INDEX
6.2. Images API
6.2.1. INDEX
6.3. Python API
6.3.1. ARRAY OPS
6.3.2. CLIENT
6.3.3. CONSTANT OP
6.3.4. CONTROL FLOW OPS
6.3.5. FRAMEWORK
6.3.6. IMAGE
6.3.7. INDEX
6.3.8. IO OPS
6.3.9. MATH OPS
6.3.10. NN
6.3.11. PYTHON IO
6.3.12. SPARSE OPS
6.3.13. STATE OPS
6.3.14. TRAIN
PUBLISHED WITH GITBOOK