最近，弗吉尼亞理工博士Amirsina Torfi在GitHub上貢獻了一個新的教程，教程清晰簡單，喜提2600顆星~

這個教程不一樣

Torfi小哥一上來，就把GitHub上的其他TensorFlow教程批判了一番：

你們啊，都是為做而做，分享的教程都各種跳入跳出，要么搞的特別復雜，要么沒什么文檔支撐。

搞這些大家都不看的教程有什么用？既不能幫助開發(fā)人員搬磚，也不能幫助研究人員搞科研，浪費這時間干嘛？

所以，Torfi小哥決心做一個內容完整、又不會復雜到坑爹的TensorFlow教程。

教程、代碼、筆記應有盡有

這套教程包含清晰的教程文檔，介紹從如何安裝TensorFlow到TensorFlow的基礎知識，線性回歸模型等基本的機器學習方法，神經(jīng)網(wǎng)絡的基本教程及代碼。

針對每一個部分，這份教程都包含了教程文檔：

代碼：

以及包含注釋的代碼筆記：

而且，開頭還有手把手的安裝視頻。

教程目錄

· 如何安裝TensorFlow· 熱身：測試和運行

· 基礎知識基礎數(shù)學運算TensorFlow變量

· 基本機器學習線性回歸邏輯回歸線性SVMMultiClass內核SVM

· 神經(jīng)網(wǎng)絡多層感知器卷積神經(jīng)網(wǎng)絡自動編碼遞歸神經(jīng)網(wǎng)絡

傳送門

教程地址：

https://github.com/open-source-for-science/TensorFlow-Course#why-use-tensorflow

另外，作者還推薦了其他一些他認可的TensorFlow教程資料：

TensorFlow-Examples

對初學者友好

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

Tensorflow-101

用Jupyter Notebook編寫

https://github.com/sjchoi86/Tensorflow-101

TensorFlow_Exercises

從其他TensorFlow示例重新創(chuàng)建代碼

https://github.com/terryum/TensorFlow_Exercises

LSTM-Human-Activity-Recognition

基于LSTM的TensorFlow在手機傳感器數(shù)據(jù)上的遞歸神經(jīng)網(wǎng)絡分類

https://github.com/guillaume-chevalier/LSTM-Human-Activity-Recognition