TensorFlow最新应用&资源集锦

这是一篇关于深度学习新库、新工具、新框架的总结。 

深度学习正在成为企业和高校的热门研究领域之一。深度学习相关的工具和函数库也层出不穷。去年，谷歌开源了其深度学习库TensorFlow，正被广泛应用于深度学习产品中。谷歌最近又发布了一个新的TensorFlow图像识别库 —— Slim。TF-Slim是TensorFlow的一款轻量级的生成、训练和评估模型的工具库，很容易上手使用。TensorFlow也对Inception RESNET v2训练库做了更新。更新之后的准确率应该能更高。TensorFlow目前支持Android、Linux、Linux系统上的GPU以及MacOS。今后还会逐渐支持其他的平台。对于非Linux的用户，我推荐使用云服务器或是一台虚拟机。我自己在Hortonworks 2.5沙箱上安装了TensorFlow，Windows用户可以参考这种方案。我非常喜欢VirtualBox版本，VirtualBox是免费的，用起来也很顺手。 

谷歌对TensorFlow的文本概括模块也做了更新。这项技术能够对文本切分，然后生成一段“吸引眼球”的内容概要。它确实需要训练数据集，并且执行一些复杂的处理流程，但结果很有意思。也许可以帮助人们自动地生成文章的摘要。也许这篇文章就是TensorFlow自己写的呢？你不也无法分辨吗？也许是人写的，也许是深度学习算法生成之后由人再次编辑。一切皆有可能。 

谷歌TensorFlow的广度和深度学习有一份完整的python教程，以及许多可以模仿的示例。 

作为非常强大的深度学习（机器学习）库，TensorFlow涵盖了许多可运行的示例、训练数据和教程。笔者写了两个教程，教大家如何在Apache NiFi上使用它：TensorFlow with Tweets和Using Parsey McParse Face。我已经告诉你了TensorFlow能做什么，接下去我们就来学习怎么做。 

 

输入下列命令，来调用脚本： 

安装的命令是： 

学习TensorFlow 

首先从这几个优秀的教程开始阅读： 

• HVASS实验室的TensorFlow教程
• 谷歌的TensorFlow Python版教程
• TensorFlow与Nutshell
• TensorFlow在情感分析中的应用
• 基于TensorFlow的递归深度学习
• Python版TensorFlow深度学习教程

然后，多参与研讨会，比如Chris的Spark and Tutorial讨论会。我在普林斯顿也打算举办TensorFlow相关的活动。 

学习TensorFlow的另一种学习途径就是将它用于你所熟悉的机器学习框架中，类似H2O。你需要学一点Python的知识，还需要完成一些复杂的按照过程，因为TensorFlow使用的是Google的Bezel编译工具，还需要许多其它的依赖和编译工具。 

基础工作完成之后，就可以将TensorFlow融入到现有的机器学习流程中，用H2O是个不错的选择。H2O是一款机器学习和深度学习的框架和工具，可以在集群上用Hadoop和Spark并行处理大规模数据。TensorFlow + H2O -> Deep Water， Deep Water才刚刚推出，可能并不适合用于你的产品线中，但是数据科学家和数据工程师应该马上动手研究了。 

这里有一份完整的教程和示例教你怎样用Python和H2O完成TensorFlow Image Inception。Deep Water支持一些深度学习框架，关于深度学习的教程可以参考这里。 

当工具就绪之后，你可以用强大的TensorFlow以及集群资源做些事情了。最近一项比较有趣的项目是自动车辆驾驶挑战赛。从这里可以下载图片训练数据集，接下来就开始训练你的深度学习模型吧。在NVidia基于TensorFlow的自动导航和自动驾驶汽车的端到端学习。