伊瓢 发自 凹非寺
量子位 报道 | 公众号 QbitAI

最近，弗吉尼亚理工博士Amirsina Torfi在GitHub上贡献了一个新的教程，教程清晰简单，喜提2600颗星~

这个教程不一样

Torfi小哥一上来，就把GitHub上的其他TensorFlow教程批判了一番：

你们啊，都是为做而做，分享的教程都各种跳入跳出，要么搞的特别复杂，要么没什么文档支撑。

搞这些大家都不看的教程有什么用？既不能帮助开发人员搬砖，也不能帮助研究人员搞科研，浪费这时间干嘛？

所以，Torfi小哥决心做一个内容完整、又不会复杂到坑爹的TensorFlow教程。

教程、代码、笔记应有尽有

这套教程包含清晰的教程文档，介绍从如何安装TensorFlow到TensorFlow的基础知识，线性回归模型等基本的机器学习方法，神经网络的基本教程及代码。

针对每一个部分，这份教程都包含了教程文档：

代码：

以及包含注释的代码笔记：

而且，开头还有手把手的安装视频。

教程目录

· 如何安装TensorFlow· 热身：测试和运行

· 基础知识基础数学运算TensorFlow变量

· 基本机器学习线性回归逻辑回归线性SVMMultiClass内核SVM

· 神经网络多层感知器卷积神经网络自动编码递归神经网络

传送门

教程地址：

https://github.com/open-source-for-science/TensorFlow-Course#why-use-tensorflow

另外，作者还推荐了其他一些他认可的TensorFlow教程资料：

TensorFlow-Examples

对初学者友好

https://github.com/aymericdamien/TensorFlow-Examples

Tensorflow-101

用Jupyter Notebook编写

https://github.com/sjchoi86/Tensorflow-101

TensorFlow_Exercises

从其他TensorFlow示例重新创建代码

https://github.com/terryum/TensorFlow_Exercises

LSTM-Human-Activity-Recognition

基于LSTM的TensorFlow在手机传感器数据上的递归神经网络分类

https://github.com/guillaume-chevalier/LSTM-Human-Activity-Recognition

— 完 —

诚挚招聘

量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ’ᴗ’ ի 追踪AI技术和产品新动态