[资源分享] TensorFlow 官方中文版教程来了
最近，TensorFlow 提供了中文版的教程（Tutorials）和指南（Guide）。
其中，教程是介绍了一些基本的机器学习模型，包括分类、回归等，也包括一些深度学习方面的模型，包括常用的卷积神经网络、生成对抗网络、循环神经网络等等，并且主要使用高阶的 Keras 等 API 来实现代码。
而指南则是深入介绍了 TensorFlow 的工作原理，包括高阶 API、Estimator、加速器、低阶 API 和 TensorBoard 等等。
项目地址是：
https://tensorflow.google.cn/tutorials/?hl=zh-cn
教程
TensorFlow 是一个用于研究和生产的开放源代码机器学习库。TensorFlow 提供了各种 API，可供初学者和专家在桌面、移动、网络和云端环境下进行开发。中文版教程是为了让初学者可以快速上手 TensorFlow，所以也采用高阶的 keras 等 API 来展示不同模型的例子，包括基础的分类回归模型，更深入点的 CNN、GAN、RNN 等。
如上图所示，首先介绍的是机器学习方面的基本模型，分类和回归，其中分类是分别基于图像和文本来介绍，给出两个例子。基于图像的是采用 Fashion Mnist 这个数据集，如下图所示，
而基于文本的是采用 IMDB 的数据集，包含来自互联网电影数据库的 50000 条的影评文本。
此外，应用在研究和实验方面的 Eager Execution 和分布式大规模训练的 Estimator 接口也有给出教程介绍使用。
然后就是介绍其他的深度学习方面的模型，包括视觉方面的 CNN 和 GAN，序列模型 RNN 等等，最后就是给出后续的学习计划了，包括推荐 CS20(http://web.stanford.edu/class/cs20si/)、CS231n(http://cs231n.stanford.edu/)课程，书籍《使用Python进行深度学习》、《深度学习》等进行后续的学习和提升。
指南
指南主要是深入介绍了 TensorFlow 的工作原理，包括以下的部分。
高阶 API
Keras，用于构建和训练深度学习模型的 TensorFlow 高阶 API。
Eager Execution，一个以命令方式编写 TensorFlow 代码的 API，就像使用 NumPy 一样。
Estimator，一个高阶 API，可以提供已准备好执行大规模训练和生产的完全打包的模型。
导入数据，简单的输入管道，用于将您的数据导入 TensorFlow 程序。
Estimator
Estimator，了解如何将 Estimator 用于机器学习。
预创建的 Estimator，预创建的 Estimator 的基础知识。
检查点，保存训练进度并从您停下的地方继续。
特征列，在不对模型做出更改的情况下处理各种类型的输入数据。
Estimator 的数据集，使用 tf.data 输入数据。
创建自定义 Estimator，编写自己的 Estimator。
加速器
使用 GPU - 介绍了 TensorFlow 如何将操作分配给设备，以及如何手动更改此类分配。
使用 TPU - 介绍了如何修改 Estimator 程序以便在 TPU 上运行。
低阶 API
简介 - 介绍了如何使用高阶 API 之外的低阶 TensorFlow API 的基础知识。
张量 - 介绍了如何创建、操作和访问张量（TensorFlow 中的基本对象）。
变量 - 详细介绍了如何在程序中表示共享持久状态。
图和会话 - 介绍了以下内容：
数据流图：这是 TensorFlow 将计算表示为操作之间的依赖关系的一种表示法。
会话：TensorFlow 跨一个或多个本地或远程设备运行数据流图的机制。如果您使用低阶 TensorFlow API 编程，请务必阅读并理解本单元的内容。如果您使用高阶 TensorFlow API（例如 Estimator 或 Keras）编程，则高阶 API 会为您创建和管理图和会话，但是理解图和会话依然对您有所帮助。
保存和恢复 - 介绍了如何保存和恢复变量及模型。
TensorBoard
TensorBoard 是一款实用工具，能够直观地展示机器学习的各个不同方面。以下指南介绍了如何使用 TensorBoard：
TensorBoard：可视化学习过程 - 介绍了 TensorBoard。
TensorBoard：图的可视化 - 介绍了如何可视化计算图。
TensorBoard 直方图信息中心 - 演示了如何使用 TensorBoard 的直方图信息中心。
其他
TensorFlow 版本兼容性 - 介绍了向后兼容性保证及无保证内容。
常见问题解答 - 包含关于 TensorFlow 的常见问题解答。
欢迎关注我的微信公众号--机器学习与计算机视觉或者扫描下方的二维码，在后台留言，和我分享你的建议和看法，指正文章中可能存在的错误，大家一起交流，学习和进步！
推荐阅读
如果你觉得我写得还不错，可以给我点个赞！