TFLearn 範例

基礎

• 線性回歸使用 TFLearn 實作線性回歸。
• 邏輯運算子使用 TFLearn 實作邏輯運算子（也包含「合併」用法）。
• 權重持久性儲存和還原模型。
• 微調將已預訓練的模型對新任務進行微調。
• 使用 HDF5使用 HDF5 來處理大型資料集。
• 使用 DASK使用 DASK 來處理大型資料集。

擴充 TensorFlow

• 層在 TensorFlow 中使用 TFLearn 層。
• 訓練器使用 TFLearn 訓練器類別訓練任何 TensorFlow 圖形。
• 內建運算在 TensorFlow 中使用 TFLearn 內建運算。
• 摘要在 TensorFlow 中使用 TFLearn 摘要。
• 變數在 TensorFlow 中使用 TFLearn 變數。

電腦視覺

監督

• 多層感知器針對 MNIST 分類任務的多層感知器實作。
• 卷積網路（MNIST）針對分類 MNIST 資料集的卷積神經網路實作。
• 卷積網路（CIFAR-10）針對分類 CIFAR-10 資料集的卷積神經網路實作。
• 網絡中網路。 用於分類 CIFAR-10 資料集的「網路中網路」實作。
• Alexnet。將 Alexnet 應用於 Oxford Flowers 17 分類任務。
• VGGNet。將 VGG 網路應用於 Oxford Flowers 17 分類任務。
• VGGNet 微調 (快速訓練)。使用預訓練的 VGG 網路並在您自己的資料上進行重新訓練，以實現快速訓練。
• RNN Pixels。使用 RNN (跨像素序列) 來分類影像。
• 高速公路網路。用於分類 MNIST 資料集的高速公路網路實作。
• 高速公路卷積網路。用於分類 MNIST 資料集的高速公路卷積網路實作。
• 殘差網路 (MNIST)。應用於 MNIST 分類任務的瓶頸殘差網路。
• 殘差網路 (CIFAR-10)。應用於 CIFAR-10 分類任務的殘差網路。
• ResNeXt (CIFAR-10)。聚合殘差轉換網路 (ResNeXt) 應用於 CIFAR-10 分類任務。
• Google Inception (v3)。Google 的 Inception v3 網路應用於 Oxford Flowers 17 分類任務。

無監督

• 自動編碼器。應用於 MNIST 手寫數字的自動編碼器。
• 變分自動編碼器。訓練用於生成數字影像的變分自動編碼器 (VAE)。
• GAN (生成對抗網路)。使用生成對抗網路 (GAN) 從雜訊分佈中生成數字影像。
• DCGAN (深度卷積生成對抗網路)。使用深度卷積生成對抗網路 (DCGAN) 從雜訊分佈中生成數字影像。

自然語言處理

• 遞迴神經網路 (LSTM)。將 LSTM 應用於 IMDB 意見分類任務。
• 雙向 RNN (LSTM)。將雙向 LSTM 應用於 IMDB 意見分類任務。
• 動態 RNN (LSTM)。將動態 LSTM 應用於對 IMDB 資料集中的長度可變文字進行分類。
• 城市名稱生成。使用 LSTM 網路生成新的美國城市名稱。
• 莎士比亞腳本生成。使用 LSTM 網路生成新的莎士比亞腳本。
• Seq2seq。遞迴網路 seq2seq 的教學範例。有關完整說明，請參閱這個儲存庫。
• CNN Seq。使用一維卷積網路對來自 IMDB 情感資料集的字詞順序進行分類。

強化學習

• Atari Pacman 一步 Q 學習。使用一步 Q 學習，教導機器玩 Atari 遊戲（預設為 Pacman）。

其他

• 推薦系統 - 廣泛且深入的網路。推薦系統廣泛且深入的網路教學範例。

筆記本

• 螺旋分類問題。TFLearn 執行史丹佛大學 CS231n 中的螺旋分類問題。