【编者按】本教程使用 TensorFlow 实现流行的机器学习算法，适合那些想要通过案例轻松深入TensorFlow的初学者，为了可读性，教程还包括笔记和带说明的代码。

项目地址：https://github.com/aymericdamien/TensorFlow-Examples

教程目录

1.入门

Hello World

基本操作

2.基本模型

最近邻

线性回归

Logistic 回归

3.神经网络

多层感知器

卷积神经网络

循环神经网络（LSTM）

双向循环神经网络（LSTM）

动态循环神经网络（LSTM）

自编码器

4.实用技术

保存和恢复模型

图和损失可视化

Tensorboard——高级可视化

5.多 GPU

多 GPU 上的基本操作

数据集

本教程中的一些案例需要 MNIST 数据集进行训练和测试。MNIST 是一个手写数字的数据库。

在运行这些案例时，数据集会被自动下载下来（使用 input_data.py）。

官方网站：

http://yann.lecun.com/exdb/mnist/

更多案例

这部分案例来自 TFLearn，这是一个为 TensorFlow 提供了简化的接口的库。

教程

TFLearn 快速入门：通过一个具体的机器学习任务学习 TFLearn 基础，开发和训练一个深度神经网络分类器。

基础

线性回归。

逻辑运算符。

权重保持：保存和还原一个模型。

微调：在一个新任务上微调一个预训练的模型。

使用 HDF5：使用 HDF5 处理大型数据集。

使用 DASK：使用 DASK 处理大型数据集。

计算机视觉

多层感知器：一种用于 MNIST 分类任务的多层感知实现。

卷积网络（MNIST）：用于分类 MNIST 数据集的一种卷积神经网络实现。

卷积网络（CIFAR-10）：用于分类 CIFAR-10 数据集的一种卷积神经网络实现。

网络中的网络：用于分类 CIFAR-10 数据集的 Network in Network 实现。

Alexnet：将 Alexnet 应用于 Oxford Flowers 17 分类任务。

VGGNet：将 VGGNet 应用于 Oxford Flowers 17 分类任务。

VGGNet Finetuning (Fast Training)：使用一个预训练的 VGG 网络并将其约束到你自己的数据上，以便实现快速训练。

RNN Pixels：使用 RNN（在像素的序列上）分类图像。

Highway Network：用于分类 MNIST 数据集的 Highway Network 实现。

Highway Convolutional Network：用于分类 MNIST 数据集的 Highway Convolutional Network 实现。

Residual Network (MNIST) ：应用于 MNIST 分类任务的一种瓶颈残差网络（bottleneck residual network）。

Residual Network (CIFAR-10)：应用于 CIFAR-10 分类任务的一种残差网络。

Google Inception（v3）：应用于 Oxford Flowers 17 分类任务的谷歌 Inception v3 网络。

自编码器：用于 MNIST 手写数字的自编码器。

自然语言处理

循环神经网络（LSTM）：应用 LSTM 到 IMDB 情感数据集分类任务。

双向 RNN（LSTM）：将一个双向 LSTM 应用到 IMDB 情感数据集分类任务。

动态 RNN（LSTM）：利用动态 LSTM 从 IMDB 数据集分类可变长度文本。

城市名称生成：使用 LSTM 网络生成新的美国城市名。

莎士比亚手稿生成：使用 LSTM 网络生成新的莎士比亚手稿。

Seq2seq：seq2seq 循环网络的教学示例。

CNN Seq：应用一个 1-D 卷积网络从 IMDB 情感数据集中分类词序列。

强化学习

Atari Pacman 1-step Q-Learning：使用 1-step Q-learning 教一台机器玩 Atari 游戏。

其他

Recommender-Wide&Deep Network：推荐系统中 wide & deep 网络的教学示例。

Notebooks

Spiral Classification Problem：对斯坦福 CS231n spiral 分类难题的 TFLearn 实现。

可延展的 TensorFlow层：与 TensorFlow 一起使用 TFLearn 层。

训练器：使用 TFLearn 训练器类训练任何 TensorFlow 图。

Bulit-in Ops：连同 TensorFlow 使用 TFLearn built-in 操作。

Summaries：连同 TensorFlow 使用 TFLearn summarizers。

Variables：连同 TensorFlow 使用 TFLearn Variables。