TensorFlow 全网最全学习资料汇总之TensorFlow的技术应用【4】
TensorFlow 全网最全学习资料汇总之TensorFlow的技术应用【4】
【AI研习社】关注AI前沿、开发技巧及技术教程等方面的内容。欢迎技术开发类文章、视频教程等内容投稿，邮件发送至：zhangxian@leiphone.com
随着谷歌2015年发布开源人工系统TensorFlow，让本就如火如荼的深度学习再添一把火，截至现在，TensorFlow已经历了多个版本演进，功能不断完善，AI开发者也能灵活自如的运用TensorFlow解决一些实际问题，下面雷锋网会对一些比较实用的TensorFlow应用做相关整理，让大家对TensorFlow有理性和感性的双层认知。
TensorFlow在图像识别中的应用
对人类而言，区分画面、图像就如同与生俱来一样简单，例如我们能够轻松的识别老虎与雄狮的区别，但如果把这个问题交给计算机看上去并不简单。
在过去几年里，机器学习在解决这些难题方面取得了巨大的进步。其中，我们发现一种称为深度卷积神经网络的模型在困难的视觉识别任务中取得了理想的效果 —— 达到人类水平，在某些领域甚至超过。下面这篇文章雷锋网重点整理了TensorFlow在图像识别中的应用，看计算机如何识别图像。
地址：http://www.csdn.net/article/2015-12-16/2826496（点击文末阅读原文查看）
除了认识TensorFlow在图像识别中的应用，关于如何搭建图像识别系统雷锋网也有相关教程（点击文末阅读原文查看）：
农场主与TensorFlow的邂逅，AI告诉你一根优秀的黄瓜应该具备什么素质
一根优秀的黄瓜应该具备什么素质？相信这是很多人不可描述的问题，而对于黄瓜农场主而言，同一个品种的黄瓜可以根据颜色、刺、体态等因素分成9类，但分检工作对于人来说恰好是一个枯燥繁琐的过程。
一位日本农场主 Makoto 为解决这一难题，利用TensorFlow制作了一款黄瓜分类机，通过机器就能够完成黄瓜的分类工作，但识别准确率目前只有70%，Makoto 目前正打算使用谷歌的云机器学习（Cloud Machine Learning）平台，来进一步改善他的黄瓜分类机。
地址：http://www.leiphone.com/news/201609/dHgxLbz96OQqVN8z.html（点击文末阅读原文查看）
用TensorFlow搭建图像分类器
本文将详细介绍如何通过TensorFlow搭建图像分类器，从安装、优化、编码、和使用等方面手把手教你用TensorFlow搭建图像分类器。
地址：http://www.leiphone.com/news/201702/JdaLcpYO59zTTF06.html（点击文末阅读原文查看）
如何使用TensorFlow实现快速风格迁移？
风格迁移（Style Transfer）是深度学习众多应用中非常有趣的一种，如图，我们可以使用这种方法把一张图片的风格“迁移”到另一张图片上，但原始的风格迁移的速度是非常慢的。在GPU上，生成一张图片都需要10分钟左右，而如果只使用CPU而不使用GPU运行程序，甚至需要几个小时。这个时间还会随着图片尺寸的增大而迅速增大，那么能否实现使用Tensorflow实现快速风格迁移？
地址：http://www.leiphone.com/news/201701/tGlVRXWShwe7ffHW.html（点击文末阅读原文查看）
运用TensorFlow处理简单的NLP问题
当前互联网每天都在产生大量的文本和音频数据，通过挖掘这些数据，我们可以做一些更加便捷的应用，例如机器翻译、语音识别、词性标注以及信息检索等，这些都属于NLP范畴。而在NLP领域中，语言模型是最基本的一个环节，本文主要围绕语言模型展开，首先介绍其基本原理，进而引出词向量(word2vec)、循环神经网络(RNN)、长短时记忆网络(LSTM)等深度学习相关模型，并详细介绍如何利用 TensorFlow 实现上述模型。
地址：http://blog.csdn.net/frankiegu/article/details/52133763（点击文末阅读原文查看）
在TensorFlow中用深度度学习修复图像
生活中经常会遇到图片缺失问题，设计师和摄影师用内容自动填补来补充图像中不想要的或缺失的部分，本文将介绍通过一个 DCGAN 用深度学习进行图像修复。
地址：http://blog.csdn.net/whiteboy1999/article/details/53727376?locationNum=1&fps=1（点击文末阅读原文查看）
基于Tensorflow的CNN/CRF图像分割技术
本篇文章验证了卷积神经网络应用于图像分割领域时存在的一个问题——粗糙的分割结果。根据像素间交叉熵损失的定义，我们在简化的场景下进行了模型的训练，并使用后向传播来更新权重。我们使用条件随机场（CRFs）来解决分割结果粗糙的问题，并取得了很好的效果。
地址：https://yq.aliyun.com/articles/67189?spm=5176.8067842.tagmain.47.W3YH1h（点击文末阅读原文查看）
利用Docker和阿里云容器服务轻松搭建分布式TensorFlow训练集群
由于在现实世界里，单机训练大型神经网络的速度非常缓慢，这就需要运行分布式TensorFlow集群并行化的训练模型。但是TensorFlow本身只是计算框架，要将其应用在生产环境，还是需要集群管理工具的资源调度，监控以及生命周期管理等能力。
本文将分两个部分介绍如何在阿里云容器服务上玩转TensorFlow训练集群。
第一部分：https://yq.aliyun.com/articles/68337?spm=5176.100239.blogcont60894.15.tOeTKV（点击文末阅读原文查看）
第二部分：https://yq.aliyun.com/articles/60894?spm=5176.8067842.tagmain.29.W3YH1h （点击文末阅读原文查看）