Tensorflow Manual Cn

• 起步
  • Introduction || 简介
  • Download and Setup || 下载与安装
    • Requirements ｜ 安装需求
    • Overview | 安装总述
    • Pip Installatioin | Pip 安装
    • Virtualenv installation | 基于 Virtualenv 安装
    • Docker Installation
    • Test the TensorFlow installation | 测试 TensorFlow 安装
    • Installing from source
    • Train your first TensorFlow neural net model | 训练第一个TensorFlow模型
    • Common Problems | 常见问题
  • Basic Usage || 使用基础
    • Overview | 总览
    • The computation graph | 计算图
    • Interactive Usage | 交互式使用
    • Tensors | 张量
    • Variables | 变量
    • Fetches | 取回
    • Feeds | 供给
• 基础教程
  • MNIST机器学习入门
    • The MNIST Data | MNIST数据集
    • Softmax回归介绍
    • 实现回归模型
    • 训练模型
    • Evaluating Our Model || 评估我们的模型
  • Deep MNIST for Experts || 深入MNIST
    • Setup | 安装
    • Build a Softmax Regression Model || 构建 Softmax 回归模型
    • Train the Model | 训练模型
    • Build a Multilayer Convolutional Network | 构建多层卷积网络模型
  • TensorFlow Mechanics 101
    • 教程使用的文件
    • 准备数据
    • 构建图表 （Build the Graph）
    • 训练模型
    • 评估模型
  • 卷积神经网络
    • Overview
    • Code Organization
    • CIFAR-10 模型
    • 开始执行并训练模型
    • 评估模型
    • 在多个GPU板卡上训练模型
    • 下一步
  • Vector Representations of Words
    • 亮点
    • 动机: 为什么需要学习 Word Embeddings?
    • 处理噪声对比训练
    • Skip-gram 模型
    • 建立图形
    • 训练模型
    • 嵌套学习结果可视化
    • 嵌套学习的评估: 类比推理
    • 优化实现
    • 总结
  • 循环神经网络
    • 介绍
    • 语言模型
    • 教程文件
    • 下载及准备数据
    • 模型
    • 编译并运行代码
    • 除此之外？
  • Sequence-to-Sequence Models
    • Sequence-to-Sequence Basics
    • TensorFlow seq2seq Library
    • Neural Translation Model
    • Let's Run It
    • What Next?
  • 偏微分方程
    • 基本设置
    • 定义计算函数
    • 定义偏微分方程
    • 开始仿真
  • MNIST 数据下载
    • 教程 文件
    • 准备数据
• 运作方式
  • Variables: 创建，初始化，保存，和恢复
    • TensorFlow 机制 101
    • TensorBoard: 学习过程的可视化
    • TensorBoard: 图的可视化
    • 数据读入
    • 线程和队列
    • 添加新的 Op
    • 自定义数据的 Readers
    • 使用 GPUs
    • 共享变量 Sharing Variables
  • 变量:创建、初始化、保存和加载
    • 变量创建
    • 变量初始化
    • 保存和加载
  • 共享变量
    • 问题
    • 变量作用域实例
    • 变量作用域是怎么工作的？
    • 使用实例
  • TensorBoard:可视化学习　
    • 数据序列化　
    • 启动TensorBoard　
  • TensorBoard: 图表可视化
    • 名称域（Name scoping）和节点（Node）
    • 交互
  • 数据读取
    • 目录
    • 供给数据
    • 从文件读取数据
    • 预取数据
    • 多输入管道
  • 线程和队列
    • 队列使用概述
    • Coordinator
    • QueueRunner
    • 异常处理
  • 增加一个新 Op
    • 内容
    • 定义 Op 的接口
    • 为 Op 实现 kernel
    • 生成客户端包装器
    • 检查 Op 能否正常工作
    • 验证条件
    • Op 注册
    • GPU 支持
    • 使用 Python 实现梯度
    • 在 Python 中实现一个形状函数
  • 自定义数据读取
    • 主要内容
    • 编写一个文件格式读写器
    • 编写一个记录格式Op
  • 使用 GPUs
    • 支持的设备
    • 记录设备指派情况
    • 手工指派设备
    • 在多GPU系统里使用单一GPU
    • 使用多个 GPU
• Python API
  • Overview
  • Building Graphs
    • Contents
    • Core graph data structures
    • Tensor types
    • Utility functions
    • Graph collections
    • Defining new operations
  • Constants, Sequences, and Random Values
    • Contents
    • Constant Value Tensors
    • Sequences
    • Random Tensors
  • Variables
    • Contents
    • Variables
    • Variable helper functions
    • Saving and Restoring Variables
    • Sharing Variables
    • Sparse Variable Updates
  • Tensor Transformations
    • Contents
    • Casting
    • Shapes and Shaping
    • Slicing and Joining
  • Math
    • Contents
    • Arithmetic Operators
    • Basic Math Functions
    • Matrix Math Functions
    • Complex Number Functions
    • Reduction
    • Segmentation
    • Sequence Comparison and Indexing
  • Control Flow
    • Contents
    • Control Flow Operations
    • Logical Operators
    • Comparison Operators
    • Debugging Operations
  • Images
    • Contents
    • Encoding and Decoding
    • Resizing
    • Cropping
    • Flipping and Transposing
    • Image Adjustments
  • Sparse Tensors
    • Contents
    • Sparse Tensor Representation
    • Sparse to Dense Conversion
    • Manipulation
  • Inputs and Readers
    • Contents
    • Placeholders
    • Readers
    • Converting
    • Queues
    • Dealing with the filesystem
    • Input pipeline
  • Data IO (Python functions)
    • Contents
    • Data IO (Python Functions)
  • Neural Network
    • Contents
    • Activation Functions
    • Convolution
    • Pooling
    • Normalization
    • Losses
    • Classification
    • Embeddings
    • Evaluation
    • Candidate Sampling
  • Running Graphs
    • Contents
    • Session management
    • Error classes
  • Training
    • Contents
    • Optimizers
    • Gradient Computation
    • Gradient Clipping
    • Decaying the learning rate
    • Moving Averages
    • Coordinator and QueueRunner
    • Summary Operations
    • Adding Summaries to Event Files
    • Training utilities
• C++ API
• 资源
• 其他