GitHub 超过 3300 星的 TensorFlow 教程，简洁清晰还不太难丨资源
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 3300 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：
open-source-for-science/TensorFlow-Course
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 —
欢迎大家关注我们的专栏：量子位 - 知乎专栏
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