基于tf1.4
目录
1、基础
基本语法
tensorBoard使用
dropout
模型保存与重载
基本神经网络
卷积神经网络
2、自然语言相关
static_RNN
dynamic_RNN
LSTM
LSTM_regression
seq2seq
seq2seq_attention
3、强化学习相关
Q-learning
SARSA
SARSA-lambda
DQN
Double DQN
Dueling DQN
Prioritized Replay DQN
Policy Gradient
Actor-Critic
DDPG
Pointer-Network
MADDPG
4、推荐系统
FM
FFM
DeepFM
Deep Cross Network
P NN
NFM
AFM
MLR
DIN
Bandit
GBDT+LR
evaluation-metrics
NCF
5、GAN
Basic GAN
SeqGAN
1、基础
TensorFlow基础知识点总结
用tensorboard来看看我们的网络流吧
使用dropout来避免过拟合吧
使用Tensorflow实现第一个神经网络吧！
实现CNN对mnist手写数字分类
2、自然语言相关
使用简单的RNN观测数字中的规律
更进一步，使用LSTM实现对手写数字识别
简单的Seq2Seq实现作对联
使用Seq2Seq+attention model实现简单的Chatbot
3、强化学习相关
实战深度强化学习DQN-理论和实践
DQN三大改进(一)-Double DQN
DQN三大改进(二)-Prioritised replay
DQN三大改进(三)-Dueling Network
深度强化学习-Policy Gradient基本实现
深度强化学习-Actor-Critic算法原理和实现
深度强化学习-DDPG算法原理和实现
Pointer-network理论及tensorflow实战
探秘多智能体强化学习-MADDPG算法原理及简单实现
4、推荐系统
推荐系统遇上深度学习(一)--FM模型理论和实践
推荐系统遇上深度学习(二)--FFM模型理论和实践
推荐系统遇上深度学习(三)--DeepFM模型理论和实践
推荐系统遇上深度学习(四)--多值离散特征的embedding解决方案
推荐系统遇上深度学习(五)--Deep&Cross Network模型理论和实践
推荐系统遇上深度学习(六)--PNN模型理论和实践
推荐系统遇上深度学习(七)--NFM模型理论和实践
推荐系统遇上深度学习(八)--AFM模型理论和实践
推荐系统遇上深度学习(九)--评价指标AUC原理及实践
推荐系统遇上深度学习(十)--GBDT+LR融合方案实战
推荐系统遇上深度学习(十一)--神经协同过滤NCF原理及实战
推荐系统遇上深度学习(十二)--推荐系统中的EE问题及基本Bandit算法
推荐系统遇上深度学习(十三)--linUCB方法浅析及实现
推荐系统遇上深度学习(十四)--《DRN:A Deep Reinforcement Learning Framework for News Recommendation》
推荐系统遇上深度学习(十五)--强化学习在京东推荐中的探索
推荐系统遇上深度学习(十六)--详解推荐系统中的常用评测指标
推荐系统遇上深度学习(十七)--探秘阿里之MLR算法浅析及实现
推荐系统遇上深度学习(十八)--探秘阿里之深度兴趣网络(DIN)浅析及实现
5、GAN
听说GAN很高大上，其实就这么简单
对抗思想与强化学习的碰撞-SeqGAN模型原理和代码解析