TensorFlow超级指南 | 你能想到的TF教程和资源都在这里（附链接&视频）

来源：新智元

本文约3500字，建议阅读10+分钟。

本文涵盖与TensorFlow相关的教程、书籍、工具、求职等的大量信息。尽数资源，应有尽有。

[ 导读 ]众所周知，TensorFlow已然成为机器学习的热门工具。不论是学习还是从事与机器学习相关的工作，能够灵活使用TensorFlow可以大幅提高作业效率。

不论你是刚刚“入坑”机器学习，亦或是在机器学习领域摸爬滚打多年，本文所总结的TensorFlow资源，总有一款是你需要的！

话不多说，上干货！

教程

Martin Görner课程—《无需成为博士即可学会TensorFlow和机器学习》：

如果你已经掌握了线性代数，那么这是一个很好的起点。 因为它会涉及几个高级概念，例如：

视频约长1小时，建议WIFI条件下观看

• 什么是神经元；

• 不同类型的激活函数以及为何要使用Relu；

• 如何通过dropout提高模型的精确度；

• 如何评估模型以及如何调参。

Jacob Buckman—《TensorFlow：令人困惑的部分（1）》：

https://jacobbuckman.com/post/tensorflow-the-confusing-parts-1/

Dino Causevic—《TensorFlow入门：机器学习教程》：

https://www.toptal.com/machine-learning/tensorflow-machine-learning-tutorial

《Python TensorFlow教程：构建一个神经网络》：

http://adventuresinmachinelearning.com/python-tensorflow-tutorial

TensorFlow教程：

视频约长50分钟，建议WIFI条件下观看

Jason Brownlee—《掌握机器学习》：

https://machinelearningmastery.com/start-here/

示例

代码示例

https://github.com/aymericdamien/TensorFlow-Examples

https://github.com/MorvanZhou/Tensorflow-Tutorial

工具

Google Colaboratory (Colab)：

https://colab.research.google.com/notebooks/welcome.ipynb#scrollTo=9wi5kfGdhK0R

COLAB笔记本

Colab提供了一个基于Jupyter的交互式Python笔记本，它具有两大优势：

• 可以使用它来生成HTML / CSS的可视化

• 免费的GPU计算时间

Colab是一个用来共享研究、分享学习新工具心得的平台。

Tensorboard：

视频约长20分钟，建议WIFI条件下观看

https://www.tensorflow.org/programmers_guide/summaries_and_tensorboard

https://github.com/tensorflow/tensorboard

Tensorboard正在展示交叉熵图

Tensorboard 3D图

Tensorboard是一种可视化机器学习模型的工具。 旨在解决黑盒问题。 它对以下几方面的内容有较大的作用：

• 设计模型的结构

• 调试

• 可视化性能

• 生成结果图

一些技巧

结合使用Tensorboard和Colab：

https://stackoverflow.com/questions/47818822/can-i-use-tensorboard-with-google-colab

如果你发现了Tensorboard和Colab的价值所在，那么你就值得花费一定的时间学习如何讲它们结合使用。

社区

Announcements & Jokes：

https://www.reddit.com/r/MachineLearning/

Slack：

https://slofile.com/slack/ai-researchers

Discord：

https://discordlist.me/join/167811324590424065/

书籍

神经网络与深度学习（免费在线图书）：

http://neuralnetworksanddeeplearning.com/

深度学习（在线图书）：

http://www.deeplearningbook.org/

Goodreads上流行的数据科学书籍：

https://www.goodreads.com/shelf/show/data-science

更多资源

机器学习研究：

https://distill.pub/

arXiv：

人工智能：

https://arxiv.org/list/cs.AI/new

计算机视觉和模式识别：

https://arxiv.org/list/cs.CV/new

机器学习：

https://arxiv.org/list/cs.LG/new

职业

《如何成为数据科学家》：

https://www.datasciencecentral.com/profiles/blogs/how-to-become-a-data-scientist-for-free

求职

linkedIn：

https://www.linkedin.com/jobs/machine-learning-jobs/

AngelList：

https://angel.co/machine-learning/jobs