看了《機器學習速成課程》的相關新聞，開始關注并學習TensorFlow。
然后就被里面的各種名詞搞蒙了：邏輯回歸、梯度下降、過擬合……
稀里糊涂把教程堅持下來了，感覺讀了遍天書

于是老老實實從基礎學。
花了一個月時間學習python，認真練習NumPy，Pandas，matplotlib。
機器學習的各種算法了解了點原理，公式基本看不懂，推導更是完全蒙圈。
不過再看相關教程，感覺不那么陌生了，看來是有用。
進一步了解到TensorFlow是眾多機器學習框架中的一個，也是最流行的那個。

這樣算是有了點基礎了，雖然不大牢固吧，但是再看TF覺得不那么困難了。

剛開始看TF，做了MNIST的那個入門例子。
運行出來了，但不大了解原理。
一點點學習里面用到的每一個函數。
花了兩天時間，把例子用到的函數都寫代碼練習了一遍。
特別是feed_dict的使用，做了各種嘗試。
然后再看這個例子，覺得基本上理解了。

總結如下：

python基礎必須有。即便不精通，至少不影響讀代碼。

數學基礎可以不特別深厚。達不到推導公式的水平，但應該了解那些公式的名字和作用。

機器學習的基礎知識需要補補，例如：回歸與分類，訓練集測試集驗證集，準確率召回率……

不能貪快。稀里糊涂做完Demo，沒弄透，到頭來還是不會用。必須扎扎實實往前走。

TF學習對基礎不好的初學者來說，是個龐大的工程，做好長期學習準備。

推薦大家一個可以看模型的神器，Netron. 鏈接： https://github.com/lutzroeder/netron

這個軟件工作中作用不小，在美國社區已經挺普及的了。它可以直接顯示整個graph的flow，適用于.meta, .pb，.tflite格式。
比如freeze出了一個.pb file，直接就可以用這個軟件打開看，每一個node的名字，weights的type, shape和values都一目了然。還自帶每一個op的definition有的還帶數學解析。
不少人現在需要用到fake quantization, 用這個軟件可以清晰的看出哪些地方加了fake quantized nodes，哪些地方該加的沒加導致toco報錯（那些min/max缺失的錯）。toco轉化完以后還可以打開看.tflite的quantized model。

[課程推薦] 北大曹健教授的人工智能實踐：TensorFlow筆記

課程內容如下:

第一講 帶著大家梳理人工智能領域的基本概念：比如什么是人工智能、什么機器學習、什么是深度學習，他們的發展歷史是什么，能用他們做什么。課后，助教會帶領大家安裝Ubuntu系統、Python解釋器 和 Tensorflow環境，把同學們的電腦進行改造，讓它變得更專業。
第二講 串講python語法：課程將幫同學們在最短的時間內把python語法織成網，為后續課程掃清代碼關；
第三講 講解Tensorflow的關鍵詞，搭建神經網絡：這節課會介紹張量、計算圖、會話等概念，并用Python搭建你的第一個神經網絡，總結出神經網絡搭建的八股。
第四講 講解神經網絡的優化：包括損失函數、學習率、滑動平均和正則化。
第五講 講解全連接網絡：使用MNIST數據集，搭建全連接網絡實現手寫數字的識別。包括前向傳播、反向傳播、識別準確率輸出和反向傳播斷點續訓。
第六講 講解全連接網絡應用：更改上一講全連接網絡的代碼，現場手寫一個數字，輸出這個數字的值。
第七講 講解卷積神經網絡：使用MNIST數據集，搭建卷積神經網絡實現前向傳播、反向傳播、識別準確率輸出和反向傳播斷點續訓。
第八講 講解卷積神經網絡應用：復現ImageNet數據集訓練好的模型，實現特定圖片的識別。

課程在中國大學MOOC上
https://www.icourse163.org/course/PKU-1002536002

這門課整體上來說還是十分難得的，但是必須要說的是對于沒有基礎的非常有難度，整體上要求有基本的代碼閱讀能力，基礎的線性代數知識和一般化的電腦軟件安裝能力。對于零基礎的小白來說真的是非常好的入門課程，老師的講解和助教筆記都非常細致。循序漸進式的學習，需要對不清楚的地方多問多看多想，建議沒有基礎的同學多看幾遍，至少講的部分要全會。可以確定的是，由于人工智能的一定門檻，可能這門課的主要目的也沒有想讓所有人能理解大部分知識。但總體而言，這門課是降低了大家學習的門檻的，每一節課都非常具有含金量。

課程學習鏈接：https://www.icourse163.org/course/PKU-1002536002

第一講 人工智能概述
1.1-概述
1.2-雙系統安裝
1.3-Windows虛擬機安裝
1.4-Mac Tensorflow安裝
1.5-Windows Anaconda TensorFlow安裝

第二講 Python語法串講
2.1-Linux指令、Hello World
2.2-列表、元組、字典
2.3-條件語句
2.4-循環語句
2.5-turtle模塊
2.6-函數、模塊、包
2.7-類、對象、面向對象的編程
2.8-文件操作

第三講 Tensorflow框架
3.1-張量、計算圖、會話
3.2-前向傳播
3.3-反向傳播

第四講 神經網絡優化
4.1-損失函數
4.2-學習率
4.3-滑動平均
4.4-正則化
4.5-神經網絡搭建八股

第五講 全連接網絡基礎
5.1-MNIST數據集
5.2-模塊化搭建神經網絡八股
5.3-手寫數字識別準確率輸出

第六講 全連接網絡實踐
6.1-輸入手寫數字圖片輸出識別結果
6.2-制作數據集

第七講 卷積網絡基礎
7.1-卷積神經網絡
7.2-lenet5代碼講解

第八講 卷積網絡實踐
8.1-復現已有的卷積神經網絡
8.2-用vgg16實現圖片識別

第九講 課程項目分享
9.1-真實復雜場景手寫英文體識別
9.2-二值神經網絡實現MNIST手寫數字識別
9.3-車牌號碼識別
9.4-人臉表情識別
9.5-實時目標檢測、識別、計數和追蹤
9.6-圖片自動上色
9.7-圖像風格融合與快速遷移
9.8-圖像中文描述
9.9-跨模態檢索
9.10-強化學習實現“不死鳥” FlappyBird

《Tensorflow：實戰Google深度學習框架》 鄭澤宇，顧思宇 著，電子工業出版社
《深度學習》趙申劍，黎彧君，符天凡，李凱 譯，人民郵電出版社

有空時，可以看看電影 《人工智能》 讓自己充滿熱情地進入這個領域。

機器學習資料準備以及自學方法及資料更新(持續更新)

1、資料、課程

人工智能太火了，資料特別多，但是魚龍混雜，實際上經典的課程資料 paper就足夠，到后期一定要注重多看paper

吳恩達系列
吳恩達老師真乃人工智能屆的孔夫子，在這個水平上還能致力于基礎教學和入門推廣功德無量啊，吳老師的課講的也是真的好。

CS229，強推，Stanford的公開課，網易云課堂有2008年的課件和講義，我就是對著這個學的，打印講義一點點對著推吧。

Coursera Machine Learning，Coursera的課比較基礎，其實有了CS229就不推薦看這個了。

DeepLearning.ai，也是偏基礎的課程，不過還是很值得看，對傳統機器學習、CV、NLP都有一個不是很深入的講解，作為入門很棒。

Machine Learning Yearning，這本書也是偏基礎，工程向，講了實際工程項目中調參等等東西，我學的時候只出了前幾章，后面沒有看過。

李沐 動手學深度學習系列

網址是http://zh.gluon.ai/，強推，非常好的課程，李沐是機器學習的大家，在分布式機器學習領域非常有建樹，除了廣為人知的mxnet，還有parameterserver，這里就不展開說了。李沐的課程是將門斗魚的直播，都錄了下來，在網站上還有配套的代碼講解和書籍，唯一美中不足是基于gluon，這個稍微冷門一些。

莫凡系列

網址是https://morvanzhou.github.io/，怎么說呢，比起其他課程還是遜色不少，不過講的很基礎，而且是不多的講解RL的中文課程。

其他公開課

CS231N，強推，stanford公開課之二,李飛飛的cv實驗室出品，講師是大名鼎鼎的Justin Johnson，雖然是講CV，但對DeepLearning的基礎也講的非常詳細，cs229是最好的ML課程，cs231n是最好的DL課程。

附加：算法導論 6.046J，大名鼎鼎的MIT算法導論公開課，雖然不是ML/DL向，但是基礎算法還是要會的，畢竟算法工程師首先是工程師，課程較難，很多名校本科上過這門課，大部分沒有上過，還是有必要抽空看看的

2、書籍

《CS229講義》，為啥把這個單獨拿出來說呢，因為這個講義真的就是一本書，有詳細的推導過程，并且很多同學看公開課會忽略講義，一定注意。

《統計學習方法》 李航，機器學習最常用的書，人稱小藍書，其實這本書不適合入門，里面很多推導晦澀難懂，但是講的很詳細。有些地方的推導方式和寫作習慣跟吳恩達不一樣，所以兩個一起看有時候會很迷。

《機器學習》 周志華，人稱西瓜書，不僅封面是西瓜，里面的例子也全是西瓜。難度比《統計學習方法》簡單不少，還有各種西瓜例子，入門首選。

3、項目

項目的話強烈推薦kaggle！！！！

在開始kaggle之前，請看看Kaggle的三個GettingStarted比賽，分別是手寫識別（CV），泰坦尼克預測（分類），房價預測（回歸），這三個比賽就是教學比賽，kernel和discuss版塊有大量的教學，好幾個會長篇講如何基本的使用DNN、xgb、lgb、sklearn這些工具，和如何開始做機器學習。

當你開始打featured的比賽的時候，有一點要明確，去打比賽不是為了贏，你是個沒有基礎的初學者，很可能也沒有隊友，只能solo，想拿名次就算了，打kaggle的目的是為了學習，為什么選kaggle不選天池或其他比賽呢？因為kaggle的氛圍非常非常open，討論區和kernel區一定會有人給出自己的完整思路和代碼，不僅有base model，還有各種有用的數據處理代碼，甚至很常見到前10的隊伍公開自己的思路甚至代碼！這是其他比賽不具備的，你可以在看別人代碼，改進自己代碼中成長。

4、積累

這是自學最欠缺的，沒有積累，尤其是科研積累，沒有人帶自己想搞出一篇工作就免了吧，但是熟讀某個方向的paper，對該方向有深入了解是必須的，如果僅僅是達到見過或者會用的程度，肯定拿不到offer的。具體的積累看是什么方向，github上有很多repo是經典paper集合比如這個repo，可以對照著看，也要關注該領域頂會每年的文章，還有就是對自己項目中用到的model、方法的相關工作要熟讀。

5、計劃

時間緊迫，給自己定一個清晰的計劃還是很重要的，筆者自己是打印了一份日歷，然后把暑期實習、秋招等關鍵時間點和自己計劃完成的deadline日期做上標記，每天干過的事情標在當天的日期上，然后劃掉這一天，每天看著時間會有緊迫感促進你學習。

6、老師

自學沒有老師，但俗話說三人行必有我師，周圍相關方向的同學，該請教就請教，有些東西自己搞是搞不出來的，但會的同學隨便點你一下這塊就過去了。

參考資料與推薦閱讀

本書是一本 TensorFlow 技術手冊，并不包含太多關于機器學習 / 深度學習的理論知識。然而一本好的機器學習入門資料仍然對 TensorFlow 技術的理解至關重要。對于希望入門機器學習 / 深度學習原理的讀者，筆者給出（具有個人主觀色彩和局限的）以下閱讀建議。

如果你是一名在校大學生，具有較好的數學基礎，可以從以下教材入手，作為學習機器學習的起點：

李航. 統計學習方法 . 清華大學出版社，2012.
周志華. 機器學習 . 清華大學出版社，2016.
如果你希望更具實踐性的內容，推薦以下書籍：

Aurélien Géron. 機器學習實戰：基于 Scikit-Learn 和 TensorFlow . 機械工業出版社，2018.

探索機器學習，使用Scikit-Learn全程跟蹤一個機器學習項目的例子；探索各種訓練模型；使用TensorFlow庫構建和訓練神經網絡，深入神經網絡架構，包括卷積神經網絡、循環神經網絡和深度強化學習，學習可用于訓練和縮放深度神經網絡的技術。

主要分為兩個部分。第一部分為第1章到第8章，涵蓋機器學習的基礎理論知識和基本算法——從線性回歸到隨機森林等，幫助讀者掌握Scikit-Learn的常用方法；第二部分為第9章到第16章，探討深度學習和常用框架TensorFlow，一步一個腳印地帶領讀者使用TensorFlow搭建和訓練深度神經網絡，以及卷積神經網絡。

學習推薦：

《機器學習實戰基于Scikit-Learn和TensorFlow》高清中文版PDF，帶目錄，文字能夠復制；高清英文PDF，564頁，帶目錄，文字能夠復制；中英文兩版可以對比學習。配套源代碼；

下載: https://pan.baidu.com/s/14G_0aeMh8qiq4TtIvpefWw

提取碼: b46k

鄭澤宇，梁博文，and 顧思宇. TensorFlow：實戰 Google 深度學習框架（第 2 版） . 電子工業出版社，2018.

TensorFlow是谷歌2015年開源的主流深度學習框架，目前已得到廣泛應用。《TensorFlow：實戰Google深度學習框架（第2版）》為TensorFlow入門參考書，旨在幫助讀者以快速、有效的方式上手TensorFlow和深度學習。書中省略了煩瑣的數學模型推導，從實際應用問題出發，通過具體的TensorFlow示例介紹如何使用深度學習解決實際問題。書中包含深度學習的入門知識和大量實踐經驗，是走進這個前沿、熱門的人工智能領域的優選參考書。

第2版將書中所有示例代碼從TensorFlow 0.9.0升級到了TensorFlow
1.4.0。在升級API的同時，第2版也補充了更多只有TensorFlow 1.4.0才支持的功能。另外，第2版還新增兩章分別介紹TensorFlow高層封裝和深度學習在自然語言領域應用的內容。

《TensorFlow：實戰Google深度學習框架（第2版）》適用于想要使用深度學習或TensorFlow的數據科學家、工程師，希望了解深度學習的大數據平臺工程師，對人工智能、深度學習感興趣的計算機相關從業人員及在校學生等。

如果你對大學的知識已經生疏，或者還是高中生，推薦首先閱讀以下教材：

湯曉鷗，and 陳玉琨. 人工智能基礎（高中版） . 華東師范大學出版社，2018.
對于貝葉斯的視角，推薦以下入門書籍：

皮隆，辛愿，鐘黎，and 歐陽婷. 貝葉斯方法：概率編程與貝葉斯推斷 . 人民郵電出版社，2017.

如果你喜歡相對生動的視頻講解，可以參考以下公開課程：

臺灣大學李宏毅教授的《機器學習》課程 （ 講義點此 ，中文，講解生動且更新及時）
谷歌的《機器學習速成課程》 （內容已全部漢化，注重實踐）
Andrew Ng 的《機器學習》課程 （英文含字幕，經典課程，較偏理論，網絡上可搜索到很多課程筆記）
相對的，一本不夠適合的教材則可能會毀掉初學者的熱情。對于缺乏基礎的初學者，不 推薦以下書籍：

Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. 深度學習 . 人民郵電出版社，2017.

又名 “花書”（源于封面），英文版 在線開放閱讀 ，中譯見 exacity/deeplearningbook-chinese 。這是一本深度學習領域的全面專著，但更像是一本工具書。
Bishop, Christopher M. Pattern Recognition and Machine Learning . Information Science and Statistics. New York: Springer, 2006.

又名 “PRML”（書名首字母縮寫），目前已開放 免費下載 。以貝葉斯的視角為主，同時其難度可能很不適于缺乏數學基礎的入門者。
重要

不推薦以上書籍，并不是說這些作品不夠優秀！ 事實上，正是因為這些書籍太優秀，影響力太大，才以至于不得不拿出來特意提醒一下，這些書可能并不適合于絕大多數初學者。就像應該很少有學校用《計算機程序設計藝術》（TAOCP）作為計算機的入門教材一樣。對于已經入門或者有志于深層次研究的學者，當可從這些書籍中受益匪淺。

總結

以上是生活随笔為你收集整理的关于学习TF的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。