- https://github.com/fchollet/keras
- https://github.com/tflearn/tflearn
- https://github.com/beniz/deepdetect
- https://github.com/tensorflow/fold
- [https://github.com/leriomaggio/deep-learning-keras-tensorflow】(https://github.com/leriomaggio/deep-learning-keras-tensorflow)
- https://github.com/tensorflow/models
- https://github.com/aymericdamien/TensorFlow-Examples
- https://github.com/donnemartin/data-science-ipython-notebooks
- https://github.com/jtoy/awesome-tensorflow
- https://github.com/jikexueyuanwiki/tensorflow-zh
- https://github.com/nlintz/TensorFlow-Tutorials
- https://github.com/pkmital/tensorflow_tutorials
- https://github.com/deepmind/learning-to-learn
- https://github.com/BinRoot/TensorFlow-Book
- https://github.com/jostmey/NakedTensor
- https://github.com/alrojo/tensorflow-tutorial
- https://github.com/CreatCodeBuild/TensorFlow-and-DeepLearning-Tutorial
- https://github.com/sjchoi86/Tensorflow-101
- https://github.com/chiphuyen/tf-stanford-tutorials
- https://github.com/google/prettytensor
- https://github.com/ahangchen/GDLnotes
- https://github.com/Hvass-Labs/TensorFlow-Tutorials
- https://github.com/NickShahML/tensorflow_with_latest_papers
- https://github.com/nfmcclure/tensorflow_cookbook
- https://github.com/ppwwyyxx/tensorpack
- https://github.com/rasbt/deep-learning-book
- https://github.com/pkmital/CADL
- https://github.com/tensorflow/skflow
- TensorFlow Tutorial 1 — 从基础到更有趣的 TensorFlow 应用
- TensorFlow Tutorial 2 — 基于 Google TensorFlow 框架的深度学习简介,这些教程是 Newmu 的Theano 直接端口
- TensorFlow Examples — 给初学者的 TensorFlow 教程和代码示例
- Sungjoon's TensorFlow-101 — 通过 Python 使用 Jupyter Notebook 编写的 TensorFlow 教程
- Terry Um’s TensorFlow Exercises — 从其他 TensorFlow 示例重新创建代码
- Installing TensorFlow on Raspberry Pi 3 — TensorFlow 在树莓派上正确编译和运行
- Classification on time series — 在 TensorFlow 中使用 LSTM 对手机传感器数据进行递归神经网络分类
- Show, Attend and Tell — 基于聚焦机制的图像字幕生成器(聚焦机制「Attention Mechanism」是当下深度学习前沿热点之一,能够逐个关注输入的不同部分,给出一系列理解)
- Neural Style — Neural Style 的实现(Neural Style 是让机器模仿已有画作的绘画风格把一张图片重新绘制的算法)
- Pretty Tensor — Pretty Tensor 提供了一个高级构建器 API
- Neural Style — Neural Style 的实现
- TensorFlow White Paper Notes — 带注释的笔记和 TensorFlow 白皮书的摘要,以及 SVG 图形和文档链接
- NeuralArt — 艺术风格神经算法的实现
- 使用 TensorFlow 和 PyGame 来深度强化学习乒乓球
- Generative Handwriting Demo using TensorFlow — 尝试实现 Alex Graves 的论文中随机手写生成部分
- Neural Turing Machine in TensorFlow — 神经图灵机的 TensorFlow 实现
- GoogleNet Convolutional Neural Network Groups Movie Scenes By Setting — 根据对象,地点和其中显示的其他内容来搜索、过滤和描述视频
- Neural machine translation between the writings of Shakespeare and modern English using TensorFlow — 单语翻译,从现代英语到莎士比亚,反之亦然
- Chatbot — “一个神经会话模型”的实现
- Colornet - Neural Network to colorize grayscale images — 通过神经网络给灰度图像着色
- Neural Caption Generator with Attention — 图像理解的 Tensorflow 实现
- Weakly_detector — “学习深层特征以区分本地化”的 TensorFlow 实现
- Dynamic Capacity Networks — “动态容量网络”的实现
- HMM in TensorFlow — HMM 的维特比和前向/后向算法的实现
- DeepOSM — 使用 OpenStreetMap 功能和卫星图像训练 TensorFlow 神经网络
- DQN-tensorflow — 使用 TensorFlow 通过 OpenAI Gym 实现 DeepMind 的“通过深度强化学习的人类水平控制”
- Highway Network — "深度网络训练" 的 TensorFlow 实现
- Sentence Classification with CNN — TensorFlow 实现“卷积神经网络的句子分类”
- End-To-End Memory Networks — 端到端记忆网络的实现
- Character-Aware Neural Language Models — 字符感知神经语言模型的 TensorFlow 实现
- YOLO TensorFlow ++ — TensorFlow 实现的 “YOLO:实时对象检测”,具有训练和支持在移动设备上实时运行的功能
- Wavenet — WaveNet 生成神经网络架构的 TensorFlow 实现,用于生成音频
- Mnemonic Descent Method — 助记符下降法:应用于端对端对准的复现过程
- 无人驾驶
- 无人驾驶
- 深度强化学习
- 深度强化学习
- 深度强化学习
- 深度强化学习
- 深度强化学习
- 深度强化学习
- 深度强化学习
- 深度强化学习
- 文本分类
- 序列建模
- 中文分词
- 基于文本的图像合成
- RNN语言建模
- RNN语言建模
- 神经图灵机
- 语音合成
- 语音合成
- 语音识别
- 语音识别
- 风格转换
- 风格转换
- 运用GAN图像生成
- 图像识别
- 图像到图像的翻译
- 图像超分辨
- 人脸识别
- 目标检测
- 运动识别
- 图像复原
- 生成模型
- TensorFlow实时debug工具
- TensorFlow在树莓派上的应用
- TensorFlow基于R的应用
- 实时Spark与TensorFlow的输入pipeline
- 实时Spark与TensorFlow的输入pipeline
- caffe与TensorFlow结合
- 概率建模
- YOLO TensorFlow — 实现 “YOLO:实时对象检测”
- Magenta — 音乐和艺术的生成与机器智能(研究项目)
- Scikit Flow (TF Learn) — 深度/机器学习的简化接口(现在是 TensorFlow 的一部分)
- tensorflow.rb — 使用 SWIG 用于 Ruby 的 TensorFlow 本地接口
- tflearn — 深度学习库,具有更高级别的 API
- TensorFlow-Slim — 在 TensorFlow 中定义、训练和评估模型的轻量级库
- TensorFrames — Apache Spark 的 TensorFlow 绑定,Apache Spark 上 DataFrames 的 Tensorflow 包裹器
- caffe-tensorflow — 将 Caffe 模型转换为 TensorFlow 格式
- keras — 用于 TensorFlow 和 Theano 的最小、模块化深度学习库
- SyntaxNet: Neural Models of Syntax — TensorFlow 实现全球标准化中基于过渡的神经网络描述的模型
- TensorFlow Guide 1 — TensorFlow 安装和使用指南 1
- TensorFlow Guide 2 — TensorFlow 安装和使用指南 2
- TensorFlow Basic Usage — 基本使用指南
- TensorFlow Deep MNIST for Experts — 深入了解 MNIST
- TensorFlow Udacity Deep Learning — 在具有 1Gb 数据的 Cloud 9 在线服务上免费安装 TensorFlow 的基本步骤
- 为什么 Google 希望每个人都有权访问 TensorFlow
- 2016/1/19 TensorFlow 硅谷见面会
- 2016/1/21 TensorFlow 硅谷见面会
- Stanford CS224d Lecture 7 - Introduction to TensorFlow, 19th Apr 2016 — CS224d 用于自然语言处理的深度学习
- Diving into Machine Learning through TensorFlow — 通过 TensorFlow 进入机器学习,2016 Pycon 大会
- Large Scale Deep Learning with TensorFlow — Jeff Dean Spark Summit 2016 主题演讲
- Tensorflow and deep learning - without at PhD — TensorFlow 和 深度学习 (by Martin Görner)
- TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems — 介绍了 TensorFlow 接口以及在 Google 上构建的该接口的实现
- Comparative Study of Deep Learning Software Frameworks — 该研究在几种类型的深度学习架构上进行,我们评估上述框架在单个机器上用于(多线程)CPU 和 GPU(Nvidia Titan X)设置时的性能
- Distributed TensorFlow with MPI — 在本文中,我们对最近提出的 Google TensorFlow 使用消息传递接口(MPI)在大规模集群上执行进行扩展
- Globally Normalized Transition-Based Neural Networks — 本文介绍了 SyntaxNet 背后的模型
- TensorFlow: A system for large-scale machine learning — 本文介绍了 TensorFlow 数据流模型与现有系统的对比,并展示了引人注目的性能
- TensorFlow: smarter machine learning, for everyone — 介绍 TensorFlow
- Announcing SyntaxNet: The World’s Most Accurate Parser Goes Open Source — SyntaxNet 的发布声明,“一个在 TensorFlow 中实现的开源神经网络框架,为自然语言理解系统提供了基础。
- 为什么 TensorFlow 会改变游戏的 AI
- TensorFlow for Poets — 完成 TensorFlow 的实现
- Scikit 流简介,简化 TensorFlow 接口 — 主要特点说明
- Building Machine Learning Estimator in TensorFlow — 了解 TensorFlow 的内部学习估计器
- TensorFlow — 不只是用于深度学习
- indico 机器学习团队对 TensorFlow 的采纳
- The Good, Bad, & Ugly of TensorFlow — 一份六个月快速演变的调查
- Fizz Buzz in TensorFlow — Joel Grus 的一个笑话
- 在 TensorFlow 使用 RNNs 的实用指南和未记录的功能 — 分步指南,在 GitHub 上提供完整的代码示例
- 使用 TensorBoard 在 TensorFlow 中可视化图像分类的重新训练
- 与 TensorFlow 的初次接触 — 作者:Jordi Torres,UPC Barcelona Tech 教授,巴塞罗那超级计算中心研究经理和高级顾问
- 使用 Python 进行深度学习 — 使用 Keras 在 Theano 和 TensorFlow 上开发深度学习模型(By Jason Brownlee)
- 用于机器智能的 TensorFlow — 一份完整指南 — 使用 TensorFlow 从图形计算的基础到深度学习模型,并在生产环境中使用它(Bleeding Edge 出版)
- TensorFlow 入门 — 使用 Google 的最新数值计算库开始运行,并深入了解您的数据(By Giancarlo Zaccone)
- 使用 Scikit-Learn 和 TensorFlow 的实践机器学习 — 涵盖 ML 基本原理,使用 TensorFlow,最新的 CNN,RNN 和 Autoencoder 架构在多个服务器和 GPU 上训练和部署深度网络,以及强化学习(Deep Q)
- 使用 TensorFlow 构建机器学习项目 — 本书涵盖了 TensorFlow 中的各种项目,揭示了 TensorFlow 在不同情况下可以做什么。还提供了关于训练模型,机器学习,深度学习和各种使用神经网络的项目。每个项目都是一个有吸引力和有见地的练习,将教你如何使用 TensorFlow,并告诉您如何通过使用 Tensors 来探索数据层。