TensorFlow代码实战

备注：

自动下载安装数据集脚本：input.py

数据文件：MNIST_data

1.TensorFlow实现Softmax Regression识别手写数字

Softmax-2.py

2.极客学院翻译文章代码基于TensorFlow1.0以下的老版本实现（有注释和无注释两版）：

TensorFlow实现Softmax Regression识别手写数字

Sofrmax-1.py，Softmax-1-NoComment.py

3.TensorFlow实现Softmax Regression多层感知机

SostmaxOptization.py

4.卷积神经网络测试MNIST数据

cnn_tf_mnist.py

5.TensorFlow实现卷积神经网络（进阶）

（1）TensorFlow官方Model： 官方Model链接

文件	作用
cifar10_input.py	读取本地CIFAR-10的二进制文件格式的内容。
cifar10.py	建立CIFAR-10的模型。
cifar10_train.py	在CPU或GPU上训练CIFAR-10的模型。
cifar10_multi_gpu_train.py	在多GPU上训练CIFAR-10的模型。
cifar10_eval.py	评估CIFAR-10模型的预测性能。

（2）TensorFlow实战代码：

三个代码文件：cifar10.py cifar10_input.py cnn_tf_CIFAR-10.py

卷积神经网络结构：

conv1 卷积层和激活函数

pool1 最大池化

norm1 LRN

conv2 卷积层和激活函数

norm2 LRN

pool2 最大池化层

local3 全连接层和激活函数

local4 全连接层和激活函数

logits 模型Inference的输出结果

TensorFlow实现卷积神经网络（进阶）--- 极客学院相似案例解析

6.TensorFlow运作方式 （更新中）

展示如何利用TensorFlow使用（经典）MNIST数据集训练并评估一个用于识别手写数字的简易前馈神经网络（feed-forward neural network）。我们的目标读者，是有兴趣使用TensorFlow的资深机器学习人士。

官方代码

极客学院教程

两个代码文件：

代码文件	目的
mnist.py	构建一个完全连接（fully connected）的MINST模型所需的代码。
fully_connected_feed.py	利用下载的数据集训练构建好的MNIST模型的主要代码，以数据反馈字典（feed dictionary）的形式作为输入模型。

7.TensorFlow实现AlexNet

alexnet_benchmark.py（forward和backward耗时计算）

alexnet.py（预测与训练）

8.TensorFlow实现VGGNet-16

VGG.py（forward和backward耗时计算）

9.InceptionNet

InceptionNet-V3.py（forward耗时计算）

10.ResNet

ResNet.py（ResNet 152的forward耗时计算）

11.TensorBoard、多GPU并行及分布式并行

Distributed.py（分布式并行）

MultiGPU.py（多GPU并行）

TensorBoard.py（可视化）