知識更新非常快，需要一直學習才能跟上時代進步，舉個例子：吳恩達老師在深度學習課上講的TensorFlow使用，這個肯定是他近幾年才學的，因為谷歌開源了TensorFlow也就很短的時間。
吳恩達老師以前還在用Octave教學呢，但是後來就不用那個工具了，因為：過時了！！需要學習新知識了。
本文根據群友的要求，整理了4份TensorFlow的入門資料，很負責任地說：看完這些資料，TensorFlow基本入門了，接下來碰到問題能自己查資料解決了！
（本文作者：黃海廣）
推薦資料
1.吳恩達深度學習筆記中的TensorFlow部分
這部分可以說是一個科普入門，學完後對TensorFlow會有一定的理解，接下來會容易點（第二門課第三周第3.11節，對應筆記p247-253，筆記可以在我的github下載：github介紹）
筆記截圖：
圖：深度學習筆記截圖
2.TensorFlow2.0樣例（github標星34000+）
TensorFlow推出2.0版本後，TF2.0相比於1.x版本默認使用Keras、Eager Execution、支持跨平臺、簡化了API等。這次更新使得TF2.0更加的接近PyTorch，一系列煩人的概念將一去不復返。推薦一位大神寫的TF2.0的樣例代碼，推薦參考。
資源地址：
https://github.com/aymericdamien/TensorFlow-Examples
資源介紹：
本資源旨在通過示例輕鬆深入了解TensorFlow。 為了便於閱讀，它包括notebook和帶注釋的原始碼。
它適合想要找到關於TensorFlow的清晰簡潔示例的初學者。 除了傳統的「原始」TensorFlow實現，您還可以找到最新的TensorFlow API實踐（例如layers,estimator,dataset, .）。
最後更新(08/17/2019)：添加新示例（TF2.0）。
配置環境：
python 3.6以上，TensorFlow 1.8+
資源目錄：
0 - 先決條件
1 - 簡介
Hello World(包含notebook和py原始碼)。非常簡單的例子，學習如何使用TensorFlow列印「hello world」。
基本操作(包含notebook和py原始碼)。一個涵蓋TensorFlow基本操作的簡單示例。
TensorFlow Eager API基礎知識(包含notebook和py原始碼)。開始使用TensorFlow的Eager API。
2 - 基礎模型
線性回歸(包含notebook和py原始碼)。使用TensorFlow實現線性回歸。
線性回歸（eager api）(包含notebook和py原始碼)。使用TensorFlow的Eager API實現線性回歸。
Logistic回歸(包含notebook和py原始碼)。使用TensorFlow實現Logistic回歸。
Logistic回歸（eager api）(包含notebook和py原始碼)。使用TensorFlow的Eager API實現Logistic回歸。
最近鄰(包含notebook和py原始碼)。使用TensorFlow實現最近鄰算法。
K-Means(包含notebook和py原始碼)。使用TensorFlow構建K-Means分類器。
隨機森林(包含notebook和py原始碼)。使用TensorFlow構建隨機森林分類器。
Gradient Boosted Decision Tree（GBDT）(包含notebook和py原始碼)。使用TensorFlow構建梯度提升決策樹（GBDT）。
Word2Vec（詞嵌入）(包含notebook和py原始碼)。使用TensorFlow從Wikipedia數據構建詞嵌入模型（Word2Vec）。
3 - 神經網絡
簡單神經網絡(包含notebook和py原始碼)。構建一個簡單的神經網絡（如多層感知器）來對MNIST數字數據集進行分類。Raw TensorFlow實現。
簡單神經網絡（tf.layers / estimator api）(包含notebook和py原始碼)。使用TensorFlow'layers'和'estimator'API構建一個簡單的神經網絡（如：Multi-layer Perceptron）來對MNIST數字數據集進行分類。
簡單神經網絡（Eager API）(包含notebook和py原始碼)。使用TensorFlow Eager API構建一個簡單的神經網絡（如多層感知器）來對MNIST數字數據集進行分類。
卷積神經網絡(包含notebook和py原始碼)。構建卷積神經網絡以對MNIST數字數據集進行分類。Raw TensorFlow實現。
卷積神經網絡（tf.layers / estimator api）(包含notebook和py原始碼)。使用TensorFlow'layers'和'estimator'API構建卷積神經網絡，對MNIST數字數據集進行分類。
遞歸神經網絡（LSTM）(包含notebook和py原始碼)。構建遞歸神經網絡（LSTM）以對MNIST數字數據集進行分類。
雙向LSTM(包含notebook和py原始碼)。構建雙向遞歸神經網絡（LSTM）以對MNIST數字數據集進行分類。
動態LSTM(包含notebook和py原始碼)。構建一個遞歸神經網絡（LSTM），執行動態計算以對不同長度的序列進行分類。
自動編碼器(包含notebook和py原始碼)。構建自動編碼器以將圖像編碼為較低維度並重新構建它。
變分自動編碼器（(包含notebook和py原始碼)。構建變分自動編碼器（VAE），對噪聲進行編碼和生成圖像。
GAN（Generative Adversarial Networks）(包含notebook和py原始碼)。構建生成對抗網絡（GAN）以從噪聲生成圖像。
DCGAN（Deep Convolutional Generative Adversarial Networks）(包含notebook和py原始碼)。構建深度卷積生成對抗網絡（DCGAN）以從噪聲生成圖像。
4 - 工具
保存和還原模型(包含notebook和py原始碼)。使用TensorFlow保存和還原模型。
Tensorboard - 圖形和損失可視化(包含notebook和py原始碼)。使用Tensorboard可視化計算圖並繪製損失。
Tensorboard - 高級可視化(包含notebook和py原始碼)。深入了解Tensorboard;可視化變量，梯度等.
5 - 數據管理
6 - 多GPU
數據集
3.《機器學習實戰：基於Scikit-Learn和TensorFlow》
推薦一本機器學習和TensorFlow入門的好書：《機器學習實戰：基於Scikit-Learn和TensorFlow》。
本書主要分為兩部分，第一部分（第1~8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，可以幫助你掌握Scikit-Learn的常用方法；第二部份（第9~16章）探討深度學習和常用框架TensorFlow，手把手教你使用TensorFlow搭建和訓練深度神經網絡，以及卷積神經網絡。
這本書受到廣大機器學習愛好者的好評，可以說是機器學習入門寶書，豆瓣評分8.2。
這本書假定您有一些 Python 編程經驗，並且比較熟悉 Python 的主要科學庫，特別是 NumPy，Pandas 和 Matplotlib 。
https://github.com/ageron/handson-ml
https://github.com/apachecn/hands-on-ml-zh
針對國內下載速度慢，本站對兩個資源進行打包，可以在百度雲下載：
連結：
https://pan.baidu.com/s/1jihUZrXblxhrVA5FBGU3RQ
提取碼：0xye
若被和諧請留言。
4.《python深度學習》
TensorFlow團隊的Josh Gordon推薦這本書，TF2.0基於Keras。如果你是一個深度學習新手，最好從這本書入手。當然這本書裡的代碼需要改一下，但非常簡單：
import keras -> from tensorflow import keras
《python深度學習》由Keras之父、現任Google人工智慧研究員的弗朗索瓦•肖萊（François Chollet）執筆，詳盡介紹了用Python和Keras進行深度學習的探索實踐，包括計算機視覺、自然語言處理、產生式模型等應用。書中包含30多個代碼示例，步驟講解詳細透徹。
作者在github公布了代碼，代碼幾乎囊括了本書所有知識點。在學習完本書後，讀者將具備搭建自己的深度學習環境、建立圖像識別模型、生成圖像和文字等能力。但是有一個小小的遺憾：代碼的解釋和注釋是全英文的，即使英文水平較好的朋友看起來也很吃力。
本站認為，這本書和代碼是初學者入門深度學習及Keras最好的工具。
我對全部代碼做了中文解釋和注釋，並下載了代碼所需要的一些數據集（尤其是「貓狗大戰」數據集），並對其中一些圖像進行了本地化，代碼全部測試通過。（請按照文件順序運行，代碼前後有部分關聯）。
以下代碼包含了全書80%左右的知識點，代碼目錄：
2.1: A first look at a neural network（ 初識神經網絡）
3.5: Classifying movie reviews（電影評論分類：二分類問題）
3.6: Classifying newswires（新聞分類：多分類問題 ）
3.7: Predicting house prices（預測房價：回歸問題）
4.4: Underfitting and overfitting（ 過擬合與欠擬合）
5.1: Introduction to convnets（卷積神經網絡簡介）
5.2: Using convnets with small datasets（在小型數據集上從頭開始訓練一個卷積
5.3: Using a pre-trained convnet（使用預訓練的卷積神經網絡）
5.4: Visualizing what convnets learn（卷積神經網絡的可視化）
6.1: One-hot encoding of words or characters（單詞和字符的 one-hot 編碼）
6.1: Using word embeddings（使用詞嵌入）
6.2: Understanding RNNs（理解循環神經網絡）
6.3: Advanced usage of RNNs（循環神經網絡的高級用法）
6.4: Sequence processing with convnets（用卷積神經網絡處理序列）
8.1: Text generation with LSTM（使用 LSTM 生成文本）
8.2: Deep dream（DeepDream）
8.3: Neural style transfer（ 神經風格遷移）
8.4: Generating images with VAEs（用變分自編碼器生成圖像）
8.5: Introduction to GANs（生成式對抗網絡簡介）
中文注釋與解釋如圖：
圖：代碼的中文注釋與解釋
作者的github：
https://github.com/fchollet/deep-learning-with-python-notebooks
中文注釋代碼：
https://github.com/fengdu78/machine_learning_beginner/tree/master/deep-learning-with-python-notebooks
暫時想到這麼多，歡迎留言補充。（黃海廣）
機器學習初學者
黃海廣博士創建的公眾號，黃海廣博士個人知乎粉絲21000+，github排名全球前120名（30000+）。本公眾號致力於人工智慧方向的科普性文章，為初學者提供學習路線和基礎資料。原創作品有：吳恩達機器學習個人筆記、吳恩達深度學習筆記等。
往期精彩回顧