官方模型

mnist:對來自MNIST數據集的數字進行分類的基本模型。最開始設計出來的目的是用于識別數字,同時也是深度學習的一個樣例。

resnet:一個深度殘差網絡,可用于CIFAR-10和ImageNet的1000個類別的數據集進行分類。由于深度學習模型的練習次數達到某一個值時識別準確率以及識別性能會下降,因而開發出了可以提高學習深度的網絡。

wide_deep:將廣泛的模型和深度網絡相結合的模型,用于對人口普查收入數據進行分類。經過學習后,神經網絡可以通過其中幾個數據的值推斷出其他數據的值。

研究模型(非官方模型,個人使用)

adversarial_crypto:保護與對抗式神經密碼學的通信。

adversarial_text:具有對抗訓練的半監督序列學習。

attention_ocr:圖像識別文本提取模型(用于高干擾的現實場景)。

autoencoder:各種自動編碼器。

brain_coder:帶強化學習的程序綜合器。

cognitive_mapping_and_planning:為視覺導航實現基于空間記憶的映射和規劃體系結構。

compression:使用預先訓練的剩余GRU網絡壓縮和解壓縮圖像。

deeplab:用于語義圖像分割的深度標簽。

delf:用于匹配和檢索圖像的深層局部特征。

differential_privacy:來自多位教師的學生隱私保護模型。

domain_adaptation:域分離網絡。

gan:生成對抗式網絡。

im2txt:用于轉換圖像字幕為文本的神經網絡。

inception:用于計算機視覺的深度卷積網絡。

learning_to_remember_rare_events:用于深度學習的大型終身記憶模塊。

lfads:用于分析神經科學數據的順序變分自動編碼器。

lm_1b:以十億單詞為基準測試的語言建模。

maskgan:用GAN生成文本。

namignizer:識別并生成名稱。

neural_gpu:高度并行的神經計算機。

neural_programmer:用邏輯和數學運算增強的神經網絡。

next_frame_prediction:通過交叉卷積網絡進行概率性的下一幀合成。

object_detection:定位和識別單個圖像中的多個對象。

pcl_rl:用于幾種強化學習算法的代碼,包括路徑一致性學習。

ptn:用于三維物體重建的透視變換網。

qa_kg:模塊網絡,用于在知識圖上進行問題解答。

real_nvp:使用實值非容量保留(真實NVP)變換的密度估計。

rebar:離散潛變量模型的低方差,無偏差梯度估計。

resnet:深層和廣泛的殘余網絡。

skip_thoughts:遞歸神經網絡句 – 矢量編碼器。

slim:TF-Slim中的圖像分類模型。

street:使用深度學習從圖像中識別街道的名稱(僅限于法國)。

swivel:用于生成復合詞的Swivel算法。

syntaxnet:自然語言語法的神經模型。

tcn:從多視點視頻學習的自我監督表示。

textsum:序列到序列與文本摘要的關注模型。

transformer:空間轉譯網絡,可以對網絡內的數據進行空間處理。

video_prediction:用神經平流預測未來的視頻幀(類似于next_frame_prediction)。

關于其中的幾個項目:

Mnist實際上是一個簡單的視覺計算數據集,目的大概就是為用機器學習練習對數據進行處理。它本身可能沒有非常有用的一個應用,只是學習機器學習的‘陪練’。Mnist主要用來訓練圖像識別相關的機器學習模塊

https://github.com/zalandoresearch/fashion-mnist

這里有一個很有名也很有趣的mnist數據集fashion-mnist,由60,000個示例的訓練集和10,000個示例的測試集組成。每個示例都是28×28灰度圖像,與10個類別的標簽相關聯。(T恤/上衣,褲子,套頭衫,連衣裙,大衣,涼鞋,襯衫,運動鞋,包,腳踝靴),作者制作這個數據集的本意是用作驗證mnist算法的基準。

wide_deep給的則是用人口普查收入數據預測收入,正如其名字所說的,這是一個深寬模型。也基本是用來驗證tensorflow對深寬模型處理的應用。

此外,介紹兩個難度較低的tensorflow的項目:

驗證碼識別:

http://blog.csdn.net/sushiqian/article/details/78305340

驗證碼識別的原理與對mnist手寫數字數據集的處理有異曲同工之妙,也是新手練習的選擇之一

五子棋:

https://github.com/junxiaosong/AlphaZero_Gomoku

這個五子棋項目模仿alphago做成的項目,十分有趣,對alphago有興趣的可以了解下

原文來自:https://openingsource.org/1477/

本文地址:http://www.52437949.com/deep-learning-model.html編輯:楊斌斌,審核員:逄增寶