深度学习模型

mnist：对来自MNIST数据集的数字进行分类的基本模型。最开始设计出来的目的是用于识别数字，同时也是深度学习的一个样例。

resnet：一个深度残差网络，可用于CIFAR-10和ImageNet的1000个类别的数据集进行分类。由于深度学习模型的练习次数达到某一个值时识别准确率以及识别性能会下降，因而开发出了可以提高学习深度的网络。

wide_deep：将广泛的模型和深度网络相结合的模型，用于对人口普查收入数据进行分类。经过学习后，神经网络可以通过其中几个数据的值推断出其他数据的值。

adversarial_crypto：保护与对抗式神经密码学的通信。

adversarial_text：具有对抗训练的半监督序列学习。

attention_ocr：图像识别文本提取模型（用于高干扰的现实场景）。

autoencoder：各种自动编码器。

brain_coder：带强化学习的程序综合器。

cognitive_mapping_and_planning：为视觉导航实现基于空间记忆的映射和规划体系结构。

compression：使用预先训练的剩余GRU网络压缩和解压缩图像。

deeplab：用于语义图像分割的深度标签。

delf：用于匹配和检索图像的深层局部特征。

differential_privacy：来自多位教师的学生隐私保护模型。

domain_adaptation：域分离网络。

gan：生成对抗式网络。

im2txt：用于转换图像字幕为文本的神经网络。

inception：用于计算机视觉的深度卷积网络。

learning_to_remember_rare_events：用于深度学习的大型终身记忆模块。

lfads：用于分析神经科学数据的顺序变分自动编码器。

lm_1b：以十亿单词为基准测试的语言建模。

maskgan：用GAN生成文本。

namignizer：识别并生成名称。

neural_gpu：高度并行的神经计算机。

neural_programmer：用逻辑和数学运算增强的神经网络。

next_frame_prediction：通过交叉卷积网络进行概率性的下一帧合成。

object_detection：定位和识别单个图像中的多个对象。

pcl_rl：用于几种强化学习算法的代码，包括路径一致性学习。

ptn：用于三维物体重建的透视变换网。

qa_kg：模块网络，用于在知识图上进行问题解答。

real_nvp：使用实值非容量保留（真实NVP）变换的密度估计。

rebar：离散潜变量模型的低方差，无偏差梯度估计。

resnet：深层和广泛的残余网络。

skip_thoughts：递归神经网络句 – 矢量编码器。

slim：TF-Slim中的图像分类模型。

street：使用深度学习从图像中识别街道的名称（仅限于法国）。

swivel：用于生成复合词的Swivel算法。

syntaxnet：自然语言语法的神经模型。

tcn：从多视点视频学习的自我监督表示。

textsum：序列到序列与文本摘要的关注模型。

transformer：空间转译网络，可以对网络内的数据进行空间处理。

video_prediction：用神经平流预测未来的视频帧（类似于next_frame_prediction）。

关于其中的几个项目：

Mnist实际上是一个简单的视觉计算数据集，目的大概就是为用机器学习练习对数据进行处理。它本身可能没有非常有用的一个应用，只是学习机器学习的‘陪练’。Mnist主要用来训练图像识别相关的机器学习模块

https://github.com/zalandoresearch/fashion-mnist

这里有一个很有名也很有趣的mnist数据集fashion-mnist，由60,000个示例的训练集和10,000个示例的测试集组成。每个示例都是28×28灰度图像，与10个类别的标签相关联。（T恤/上衣，裤子，套头衫，连衣裙，大衣，凉鞋，衬衫，运动鞋，包，脚踝靴），作者制作这个数据集的本意是用作验证mnist算法的基准。

wide_deep给的则是用人口普查收入数据预测收入，正如其名字所说的，这是一个深宽模型。也基本是用来验证tensorflow对深宽模型处理的应用。

此外，介绍两个难度较低的tensorflow的项目：

验证码识别：

http://blog.csdn.net/sushiqian/article/details/78305340

验证码识别的原理与对mnist手写数字数据集的处理有异曲同工之妙，也是新手练习的选择之一

五子棋：

https://github.com/junxiaosong/AlphaZero_Gomoku

这个五子棋项目模仿alphago做成的项目，十分有趣，对alphago有兴趣的可以了解下