TFLearn 示例

基础

• 线性回归。使用 TFLearn 实现线性回归。
• 逻辑运算符。使用 TFLearn 实现逻辑运算符（还包括“合并”的用法）。
• 权重持久化。保存和恢复模型。
• 微调。在新任务上微调预训练模型。
• 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。

扩展 TensorFlow

• 层。将 TFLearn 层与 TensorFlow 一起使用。
• 训练器。使用 TFLearn 训练器类训练任何 TensorFlow 图。
• 内置操作。将 TFLearn 内置操作与 TensorFlow 一起使用。
• 摘要。将 TFLearn 摘要与 TensorFlow 一起使用。
• 变量。将 TFLearn 变量与 TensorFlow 一起使用。

计算机视觉

监督学习

• 多层感知器。用于 MNIST 分类任务的多层感知器实现。
• 卷积神经网络 (MNIST)。用于对 MNIST 数据集进行分类的卷积神经网络实现。
• 卷积神经网络 (CIFAR-10)。用于对 CIFAR-10 数据集进行分类的卷积神经网络实现。
• 网络中的网络。用于对 CIFAR-10 数据集进行分类的“网络中的网络”实现。
• Alexnet。将 Alexnet 应用于牛津 17 类鲜花分类任务。
• VGGNet。将 VGG 网络应用于牛津 17 类鲜花分类任务。
• VGGNet 微调（快速训练）。使用预先训练的 VGG 网络并在您自己的数据上对其进行重新训练，以实现快速训练。
• RNN 像素。使用 RNN（在像素序列上）对图像进行分类。
• 高速公路网络。用于对 MNIST 数据集进行分类的高速公路网络实现。
• 高速公路卷积网络。用于对 MNIST 数据集进行分类的高速公路卷积网络实现。
• 残差网络 (MNIST)。应用于 MNIST 分类任务的瓶颈残差网络。
• 残差网络 (CIFAR-10)。应用于 CIFAR-10 分类任务的残差网络。
• ResNeXt (CIFAR-10)。应用于 CIFAR-10 分类任务的聚合残差变换网络 (ResNeXt)。
• Google Inception (v3)。应用于牛津 17 类鲜花分类任务的 Google Inception v3 网络。

无监督学习

• 自动编码器。应用于 MNIST 手写数字的自动编码器。
• 变分自动编码器。经过训练以生成数字图像的变分自动编码器 (VAE)。
• GAN（生成式对抗网络）。使用生成式对抗网络 (GAN) 从噪声分布中生成数字图像。
• DCGAN（深度卷积生成式对抗网络）。使用深度卷积生成式对抗网络 (DCGAN) 从噪声分布中生成数字图像。

自然语言处理

• 循环神经网络 (LSTM)。将 LSTM 应用于 IMDB 情感数据集分类任务。
• 双向 RNN (LSTM)。将双向 LSTM 应用于 IMDB 情感数据集分类任务。
• 动态 RNN (LSTM)。应用动态 LSTM 对来自 IMDB 数据集的可变长度文本进行分类。
• 城市名称生成。使用 LSTM 网络生成新的美国城市名称。
• 莎士比亚剧本生成。使用 LSTM 网络生成新的莎士比亚剧本。
• Seq2seq。seq2seq 循环网络的教学示例。有关完整说明，请参阅此存储库。
• CNN Seq。应用一维卷积网络对来自 IMDB 情感数据集的单词序列进行分类。

强化学习

• Atari Pacman 一步 Q 学习。使用一步 Q 学习教机器玩 Atari 游戏（默认为 Pacman）。

其他

• 推荐系统 - 宽度 & 深度网络。用于推荐系统的宽度 & 深度网络的教学示例。

笔记本

• 螺旋分类问题。斯坦福 CS231n 中螺旋分类问题的 TFLearn 实现。