如何高效的學習 TensorFlow 代碼? 或者如何掌握TensorFlow，應用到任何領域？
鏈接：https://www.zhihu.com/question/41667903/answer/109611087
來源：知乎
著作權歸作者所有。商業轉載請聯系作者獲得授權，非商業轉載請注明出處。
有同學反應資源太多不知道從何看起，或者有點基礎了想快速上手，因此就直接把幾個比較好的教程放在這里，后面的內容作為參考。
- Stanford的CS 20SI課程，專門針對TensorFlow的課程，Tensorflow for Deep Learning Research
- 兩本書籍：TensorFlow Machine Learning Cookbook以及TensorFlow for Machine Intelligence，這兩本網絡均有pdf版本，請自行搜索。
- Udacity公開課，深度學習
有些技術（網絡方面）在知乎是不適合公開討論的，因此還是要貼上自己這篇博客的鏈接：新手向的TensorFlow學習之路2（Learning paths 2）
前言：其實TensorFlow本身僅僅是一個分布式的高性能計算框架，想要用TF做深度學習，僅僅學習這個框架本身是沒有太大意義的。因此應該將TF看作技術路線中的一個核心點，去掌握整個開發所需要的必要技術，知識。尤其是深度學習的基本原理，這對日后搭建模型，模型調參以至提出新的模型都是極其有用的。
第一篇學習之路寫於2016年6月份，時過境遷，特別是深度學習這個日新月異的領域，隔了那么久，不得不說已經有些過時了，並且隨着學習的深入，越發覺得之前的學習之路過於籠統，加之TensorFlow發布了1.0正式版，因此整理一下，再次寫一篇。這次在內容的結構上將會大體分為三種，首先是公共基礎部分，這個無需多解釋。另外，一個是偏向應用性質的快節奏（fast peace），針對不想也沒必要深入了解理論知識希望盡快應用的人群，另一種是偏向研究性質的人群（hard way），針對例如研究生之類希望深入理論知識的人群。當然，hard way的前提是fast peace。但是寫法上，並沒有分別寫，因為某種意義上這兩種是相互包含的，分開寫會顯得冗長與重復，因此采用粗體標記提示特定部分是屬於哪一種。
1. 穩定的網絡【公共基礎】：這是個不是技術的技術，TensorFlow畢竟出自Google，官方文檔訪問不是很穩定。
2. Github【公共基礎】：這是個開源程序的網站，Linux內核在這個網站也有鏡像。Github的核心是Git，一種版本控制系統，已經逐漸取代SVN。這個網站托管了很多高質量的或者說世界頂尖的開源項目，比如TensorFlow。學習一下這個網站如何使用，注冊個賬號，學習一下Git的使用方法。這個網站有自己的tutorial和guide。而且后期自己的項目管理多半也會用到git，所以，早點學習肯定是有好處的。
【fast peace（即簡略的快節奏教程，下同）】：
1. Git 參考手冊（推薦）
【hard way（即大而全的完整或者正式教程，下同）】：
3. Git Tutorial
3. Python【公共基礎】：這是一種非常流行的腳本語言，龐大的第三方庫可以快速寫出短小容易理解的代碼，而且也是TensorFlow的推薦開發語言。不僅僅是對於TensorFlow這門語言很重要，對於整個機器學習，應用層面放眼望去基本就是Python與R的天下了，而R更偏向與統計學領域，深度學習Python簡直是紅透了半邊天，當然我是針對初學者，如果已經掌握了其他語言，例如Java，C++，那么其實理論上而言可以不用掌握Python，選擇自己熟悉的語言的API即可。但是對於TensorFlow，只有Python的API最全面，文檔社區也最完善（截至2017年3月），當然隨着TensorFlow的發展都會完善，可是現在就要用呀：）。而且，最重要的是，對於已經掌握其他語言的人來說，學習Python不會花費太久的。並且，Pytohn寫起來短小精悍，易於理解，很適合這種用來搭架子調用框架而且不怎么需要考慮效率的場景（一般來講，最需要效率的部分框架會用C++實現，Python僅僅是作為頂層去調用）。另外，推薦學習Python3，這才是Python的未來，2.7的支持在2020年會停止。而且，后面會知道的，對於Python2.7向3的支持很多情況僅僅是import幾個future包。
【fast peace】：
1. Tutorial – Learn Python in 10 minutes
【hard way】：
1. 廖雪峰的Python教程
4. Linux【公共基礎】：TensorFlow的主要運行平台之一就是Linux，但是正式版對Windows的支持日趨完善，真的沒時間學習Linux平台可以先在Windows上運行TensorFlow。不過，學習Linux真的用不了多久（當然是指做開發環境日常日用，立志做系統管理員還是要下一番功夫的）。推薦Ubuntu 16.04 LTS，這不僅是“新手友好”的發行版，也是Google很多產品的官方支持版本，官方支持就會帶來很多便捷以及少一些”坑“。LTS（長期支持版本）的加成保證了系統的穩定（穩定不僅指運行穩定，更是指軟件環境，例如python不會突然默認變成3.6，gcc不會突然就默認變成6，插一句，之所以這么說，是因為以前用的是Arch，裝了TensorFlow一直跑的很開心，直到有天突然發現跑不起來了，原來是Arch升級了一下Python的默認版本變成了3.6了XD。）
【fast peace】：
1. 我的知乎回答
【hard way】：
1. UNIX Tutorial for Beginners
3. Linux工具快速教程
5. 深度學習–概念與基礎：
【fast peace】（偏向概念介紹，introduction）：
1. 深度學習wiki
【hard way】（偏向概念解釋，數學推導，基本原理）：
兩本經典中的經典書籍：第一本傾向於理論闡述，第二本則是傾向於直觀解釋。
2. Neural Networks and Deep Learning
第三本則是代碼應用向的，使用Theano從零搭建各種常見的網絡結構，雖然是Theano，但是基本思想是統一的。
6. Python常用科學計算庫【公共基礎】：
1. Numpy
2. Sklearn
3. Matplotlib
4. Pandas
雖然說是公共基礎部分，但是系統學習這幾個庫，也不是一件容易的事，而且很耗時間。因此還是遵循夠用即可的原則。但是還是想列在這里，因為后來發現如果這幾個庫掌握的比較熟練，數據預處理后處理都能極大地節省時間，當你還在苦苦想如何設計預處理方法的時候，其實去查一查手冊，大概率在這幾個庫里已經寫好了。這幾個庫的官方文檔都很優秀，比如Pandas的10 Minutes to pandas。因此，閑余時間多看看官方tutorial即可。
7. TensorFlow：
【fast peace】（偏向應用性質，到手即用，pretrained-models，tflearn，keras等）：
1. TensorFlow的白皮書，對TensorFlow的整體有個把握或者說印象是很有必要的，對后期的“圖編程”，優化，都很有啟發。
2. TFLearn，基於TensorFlow的高級API，不需要了解太多細節，應用向的可以直接看這個。
3. TFSlim，基於TensorFlow的高級API，和TensorFlow契合度更好。
4. Keras，高級API，后端可以使用TensorFlow（默認）
【hard way】（偏向理論性質，調用基本API手寫，自定義layer，自定義kernel，自定義optimizer等）：
- 官網教程，Get Start，Programmer’s guide，Tutorials，Performance過一遍。
- Google的Udacity課程
- Stanford的CS20SI課程
8. 論文閱讀路線圖【hard way】： github上有個很有名的Deep Learning papers reading roadmap，已經過萬stars，從事深度學習科研者的必讀清單，在我寫的上一篇學習之路中，雖然整理了很多論文，但是過於雜亂，在此就不做引用啦。
9. 相關博客等其他資源：
- 先放上我的博客啦（笑）
- Beginner-level tutorials for a powerful framework
- CS231n: Convolutional Neural Networks for Visual Recognition
- CS224n: Natural Language Processing with Deep Learning
- UFLDL Tutorial
- UFLDL教程（上面UFLDL Tutorial舊版，但是是中文的）
- First Contact With TensorFlow
- Deep Learning
- Deep Learning For Coders-36 hours of lessons for free（一個不錯的視頻教程）
- colah’s blog（推薦，寫了很多晦澀概念可視化的博客）
- DeepLearning4J（雖然是一個面向Java的深度學習框架，但是文檔很好，通用性也很強）
- Chris McCormick · Machine Learning Tutorials and Insights（這個和下面的幾個都是不錯的博客，推薦關注）
- Daniil's blog
- Café, bonne nuit
- Hackery, Math & Design
10. 不錯的資源類網站：
---------------------------------舊答案的分割線---------------------------------
已更新。
發一波預告～最近剛用tensorflow搞完一個算是接近實際並且帶有移動端應用外加inception retrain的項目，打算考試結束更新一波～：)
TensorFlow已經發布1.0版本！
已更新。
近期更新計划：
1.重新整理Learning path，將各個部分更加詳盡闡述，同時給出合適的快速入手教程。
2.及時跟進最新進展，刪除陳舊信息。
我在blog中總結了學習路線，針對新手。
新手向的Tensorflow學習之路（Learning paths）
文中的教程或者blog以及論文書籍基本上都是經典，推薦入門學習。
貼在這里：
在學習Tensorflow的過程中磕磕碰碰，總結一些個人心得記錄於此，志同道合之友共勉~~
1.穩定的網絡：Tensorflow畢竟出自Google，官方文檔訪問不是很穩定。而且一般來說，對於英文的文檔，資料和疑問，Google搜索的結果要比Baidu好很多。（不是偏見，是各有所長，天氣地圖電影啥的，百度還是做的很好的）
2.Github：這是個開源程序的網站，Linux內核就在這個網站托管。Github的核心是Git，一種版本控制系統，已經逐漸取代SVN。這個網站托管了很多高質量的或者說世界頂尖的開源項目，比如Tensorflow。學習一下這個網站如何使用，注冊個賬號，學習一下Git的使用方法。這個網站有自己的tutorial和guide。
3.Linux: Tensorflow的主要運行平台就是Linux，目前在Windows上運行的方案是虛擬機，但是深度學習對計算要求還是比較高的，虛擬機效率不是太高，因此還是推薦在原生Linux中運行。新手推薦發行版是Ubuntu 或者Linux mint。這個可以自行搜索。學習Linux也有很多好處，因為很多開源軟件都only linux的。
4.Python：這是一種非常流行的腳本語言，龐大的第三方庫可以快速寫出短小容易理解的代碼，而且也是Tensorflow的推薦開發語言。教程太多了，這里給幾個優秀的教程：官網教程，Learn Python the Hard Way，Python2.7教程
5.深度學習（Deep Learning，DL）：雖然Tensorflow已經封裝好了大部分DL的細節，但是如果不了解DL的相關核心概念，就會很難着手分析問題。首先強烈推薦這個教程，通讀一遍，然后還有這個，可以快速瀏覽或者只看自己不太明白的地方，還有這個分塊介紹的，還有幾篇blog，這個和這個講的是卷積神經網絡。圖像識別用的比較多的就是卷積神經網絡，這兩篇可以看看。
6.Tensorflow：前面都是鋪墊，是為了更好地使用Tensorflow。官方的文檔不錯，可以從get started然后tutorial看起，有個中文的翻譯版，但是更新不及時（官方已經v1.0，這個可能是v0.8或者v0.7），可能有坑，可以和英文對照着看，還有個Tensorflow的教程，也不錯。有篇FIRST CONTACT WITH TENSORFLOW也不錯。
7.優秀博客：Hackery, Math & Design， Mike Bostock， http://colah.github.io/， Café, bonne nuit這幾個都是我在學習中遇到的非常nice的blog，有時間讀讀定會有所收獲。
8.經典論文及書籍：收集了一些DL的經典論文&書籍，有些雜亂，不過幾乎都是經典，各取所需吧。百度雲地址：（已刪除，內容上有些陳舊了，並且百度雲總是封殺鏈接）。各位有更好的歡迎推薦，我會整理上傳。
9.幾篇原創TF相關文章（持續更新）：如何理解TensorFlow中的batch和minibatch，結合TensorFlow PlayGround的簡單神經網絡原理解釋，TensorFlow從源碼安裝，利用TF重訓練Google Inception模型，在Android端使用TensorFlow
其中，Python，DL，Tensorflow是重點，其他都是輔助， 自己感覺夠用即可，無需深入。學習中遇到困難首先向搜索引擎詢問。
2017.9.23 更新：更新部分鏈接以及資源描述
2017.7.31 更新：添加了一些推薦資源，序號重新排版，在首部重點推薦了幾個教程，方便快速上手
2017.7.30 更新：修正一些排版問題，刪除百度雲鏈接，增加CS 20SI課程
2017.5.16 更新：更新失效的百度雲地址
2017.4.3 更新：修正筆誤，同時加了前言
2017.3.30 更新：修正一些筆誤
2017.3.28 更新：完成了近期更新計划，重新整理了所有內容，同時及時跟進了新的內容
2017.2.17 更新：更新了在移動端使用TF的項目筆記，添加了近期更新計划
2016.11.25 更新：更新預告
2016.10.15 更新：更新了提及的軟件版本號，添加了第九部分原創TF相關博文
2016.8.8 更新：更新了提及的軟件版本號
2016.7.27 更新：重新排版，上傳了資料
2016.7.6 更新：重新排版
出處：https://www.zhihu.com/question/41667903