Tensorflow - semchan/DeepLearning GitHub Wiki
Tensorflow install on ubuntu:https://www.leiphone.com/news/201606/ORlQ7uK3TIW8xVGF.html
Linux Version Python version Compiler Build tools tensorflow-1.11.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.15.0 tensorflow-1.10.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.15.0 tensorflow-1.9.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.11.0 tensorflow-1.8.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.10.0 tensorflow-1.7.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.10.0 tensorflow-1.6.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.9.0 tensorflow-1.5.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.8.0 tensorflow-1.4.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.5.4 tensorflow-1.3.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.4.5 tensorflow-1.2.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.4.5 tensorflow-1.1.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.4.2 tensorflow-1.0.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.4.2
http://blog.csdn.net/class_brick/article/details/72934068
https://yq.aliyun.com/articles/176252
step by step for tensorflow: http://www.tensorfly.cn/tfdoc/get_started/os_setup.html
http://blog.csdn.net/jdbc/article/details/52402302
ImportError: No module named examples.tutorials.mnist
Traceback (most recent call last): File "nearest_neighbor.py", line 14, in from tensorflow.examples.tutorials.mnist import input_data
ImportError: No module named examples.tutorials.mnist
安装的tensorflow升级版本后就OK了, 0.8.0 -> 0.9.0
sudo pip install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.9.0rc0-cp27-none-linux_x86_64.whl
sudo pip install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/protobuf-3.0.0b2.post2-cp27-none-linux_x86_64.whl
How to use tensorboard?
https://my.oschina.net/yilian/blog/661900
pip install --upgrade tensorflow-gpu
Lirh_china
Tensorflow实例集
这是使用 TensorFlow 实现流行的机器学习算法的教程汇集。本汇集的目标是让读者可以轻松通过案例深入 TensorFlow。
这些案例适合那些想要清晰简明的 TensorFlow 实现案例的初学者。本教程还包含了笔记和带有注解的代码。
•项目地址： https://github.com/aymericdamien/TensorFlow-Examples
教程索引
0 - 先决条件
机器学习入门：
•MNIST 数据集入门
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
一些案例需要 MNIST 数据集进行训练和测试。不要担心，运行这些案例时，该数据集会被自动下载下来（使用 input_data.py） 。MNIST 是一个手写数字的数据库，查看这个笔记了解关于该数据集的描述： https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/0_Prerequisite/mnist_dataset_intro.ipynb
•官方网站： http://yann.lecun.com/exdb/mnist/
更多案例
接下来的示例来自 TFLearn ，这是一个为 TensorFlow 提供了简化的接口的库。你可以看看，这里有很多示例和预构建的运算和层。
•示例： https://github.com/tflearn/tflearn/tree/master/examples
•预构建的运算和层： http://tflearn.org/doc_index/#api
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。
•笔记：<https://github.com/tflearn/tflearn/blob/master/tutorials/intro/quickstart.md
基础
•线性回归，使用 TFLearn 实现线性回归： https://github.com/tflearn/tflearn/blob/master/examples/basics/linear_regression.py
•逻辑运算符。使用 TFLearn 实现逻辑运算符： https://github.com/tflearn/tflearn/blob/master/examples/basics/logical.py
•权重保持。保存和还原一个模型： https://github.com/tflearn/tflearn/blob/master/examples/basics/weights_persistence.py
•微调。在一个新任务上微调一个预训练的模型： https://github.com/tflearn/tflearn/blob/master/examples/basics/finetuning.py
•使用 HDF5。使用 HDF5 处理大型数据集： https://github.com/tflearn/tflearn/blob/master/examples/basics/use_hdf5.py
•使用 DASK。使用 DASK 处理大型数据集： https://github.com/tflearn/tflearn/blob/master/examples/basics/use_dask.py
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： https://github.com/tflearn/tflearn/blob/master/examples/images/dnn.py
•卷积网络（MNIST）。用于分类 MNIST 数据集的一种卷积神经网络实现： https://github.com/tflearn/tflearn/blob/master/examples/images/convnet_mnist.py
•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： https://github.com/tflearn/tflearn/blob/master/examples/images/convnet_cifar10.py
•网络中的网络。用于分类 CIFAR-10 数据集的 Network in Network 实现： https://github.com/tflearn/tflearn/blob/master/examples/images/network_in_network.py
•Alexnet。将 Alexnet 应用于 Oxford Flowers 17 分类任务： https://github.com/tflearn/tflearn/blob/master/examples/images/alexnet.py
•VGGNet。将 VGGNet 应用于 Oxford Flowers 17 分类任务： https://github.com/tflearn/tflearn/blob/master/examples/images/vgg_network.py
•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： https://github.com/tflearn/tflearn/blob/master/examples/images/vgg_network_finetuning.py
•RNN Pixels。使用 RNN（在像素的序列上）分类图像： https://github.com/tflearn/tflearn/blob/master/examples/images/rnn_pixels.py
•Highway Network。用于分类 MNIST 数据集的 Highway Network 实现： https://github.com/tflearn/tflearn/blob/master/examples/images/highway_dnn.py
•Highway Convolutional Network。用于分类 MNIST 数据集的 Highway Convolutional Network 实现： https://github.com/tflearn/tflearn/blob/master/examples/images/convnet_highway_mnist.py
•Residual Network (MNIST) ( https://github.com/tflearn/tflearn/blob/master/examples/images/residual_network_mnist.py ).。应用于 MNIST 分类任务的一种瓶颈残差网络（bottleneck residual network）： https://github.com/tflearn/tflearn/blob/master/examples/images/residual_network_mnist.py
•Residual Network (CIFAR-10)。应用于 CIFAR-10 分类任务的一种残差网络： https://github.com/tflearn/tflearn/blob/master/examples/images/residual_network_cifar10.py
•Google Inception（v3）。应用于 Oxford Flowers 17 分类任务的谷歌 Inception v3 网络： https://github.com/tflearn/tflearn/blob/master/examples/images/googlenet.py
•自编码器。用于 MNIST 手写数字的自编码器： https://github.com/tflearn/tflearn/blob/master/examples/images/autoencoder.py
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： https://github.com/tflearn/tflearn/blob/master/examples/nlp/lstm.py
•双向 RNN（LSTM），将一个双向 LSTM 应用到 IMDB 情感数据集分类任务： https://github.com/tflearn/tflearn/blob/master/examples/nlp/bidirectional_lstm.py
•动态 RNN（LSTM），利用动态 LSTM 从 IMDB 数据集分类可变长度文本： https://github.com/tflearn/tflearn/blob/master/examples/nlp/dynamic_lstm.py
•城市名称生成，使用 LSTM 网络生成新的美国城市名： https://github.com/tflearn/tflearn/blob/master/examples/nlp/lstm_generator_cityname.py
•莎士比亚手稿生成，使用 LSTM 网络生成新的莎士比亚手稿： https://github.com/tflearn/tflearn/blob/master/examples/nlp/lstm_generator_shakespeare.py
•Seq2seq，seq2seq 循环网络的教学示例： https://github.com/tflearn/tflearn/blob/master/examples/nlp/seq2seq_example.py
•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： https://github.com/tflearn/tflearn/blob/master/examples/nlp/cnn_sentence_classification.py
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： https://github.com/tflearn/tflearn/blob/master/examples/reinforcement_learning/atari_1step_qlearning.py
其他
Recommender-Wide&Deep Network，推荐系统中 wide & deep 网络的教学示例： https://github.com/tflearn/tflearn/blob/master/examples/others/recommender_wide_and_deep.py
Notebooks
•Spiral Classification Problem，对斯坦福 CS231n spiral 分类难题的 TFLearn 实现： https://github.com/tflearn/tflearn/blob/master/examples/notebooks/spiral.ipynb
可延展的 TensorFlow
•层，与 TensorFlow 一起使用 TFLearn 层： https://github.com/tflearn/tflearn/blob/master/examples/extending_tensorflow/layers.py
•训练器，使用 TFLearn 训练器类训练任何 TensorFlow 图： https://github.com/tflearn/tflearn/blob/master/examples/extending_tensorflow/layers.py
•Bulit-in Ops，连同 TensorFlow 使用 TFLearn built-in 操作： https://github.com/tflearn/tflearn/blob/master/examples/extending_tensorflow/builtin_ops.py
•Summaries，连同 TensorFlow 使用 TFLearn summarizers： https://github.com/tflearn/tflearn/blob/master/examples/extending_tensorflow/summaries.py
•Variables，连同 TensorFlow 使用 TFLearn Variables： https://github.com/tflearn/tflearn/blob/master/examples/extending_tensorflow/variables.py