主要来源和参考的资料为：炼数成金视频《深度学习框架TensorFlow学习与应用》以及补充了一些网上的博文内容。
视频目录：
第 1周 Tensorflow简介，Anaconda安装，Tensorflow的CPU版本安装
第 2周 Tensorflow的基础使用，包括对图(graphs),会话(session),张量(tensor),变量(Variable)的一些解释和操作
第 3周 Tensorflow线性回归以及分类的简单使用
第 4周 softmax，交叉熵(cross-entropy)，dropout以及Tensorflow中各种优化器的介绍
第 5周 卷积神经网络CNN的讲解，以及用CNN解决MNIST分类问题
第 6周 使用Tensorboard进行结构可视化，以及网络运算过程可视化
第 7周 递归神经网络LSTM的讲解，以及LSTM网络的使用
第 8周 保存和载入模型，使用Google的图像识别网络inception-v3进行图像识别
第 9周 Tensorflow的GPU版本安装。设计自己的网络模型，并训练自己的网络模型进行图像识别
第10周 使用Tensorflow进行验证码识别
第11周 Tensorflow在NLP中的使用(一)
第12周 Tensorflow在NLP中的使用(二)说明：实际第 5 周讲的是 Tensorborad 结构可视化，第 6 周讲的是 CNN，下载链接里的文件夹顺序，我已修正。
(1) 在线观看：
- YouTube：tensorflow教程（十课）
- 或 B 站：《深度学习框架TensorFlow学习与应用》
(2) 下载：
- 《深度学习框架Tensorflow学习与应用》（含视频+代码+课件，视频总时长：13小时31分钟） 【百度网盘下载 密码: 1a8j】
- 《深度学习框架Tensorflow学习与应用[只有videos-720p]》（该份资料只有视频文件） 【 百度网盘下载 密码: i3e2】
其他学习视频（觉得有必要可以看看~）：
- 油管视频：TF Girls 修炼指南 、或 B 站观看： TF Girls 修炼指南
- 油管视频：51CTO视频 深度学习框架-Tensorflow案例实战视频课程、或 B 站观看：深度学习框架-Tensorflow案例实战视频课程
(3) 相关资料：
- 郑泽宇/顾思宇：《Tensorflow：实战Google深度学习框架》 出版时间 2017-2-10
- 官方维护的书中的 TensorFlow 不同版本的示例程序仓库：https://github.com/caicloud/tensorflow-tutorial；
- GitHub 有人写了笔记：TensorFlow_learning_notes
- 黄文坚/唐源：《TensorFlow实战》 出版时间 2017-2-1
- 掘金翻译：TensorFlow 最新官方文档中文版 V1.10
- 极客学院：TensorFlow 官方文档中文版
- TensorFlow 官方文档中文版
学习 TensorFlow 之前，先学习掌握以下内容，包括 Python 基础、Anconada 安装等等：
- Python基础入门笔记（一）
- Python基础入门笔记（二）
- Anaconda的介绍、安装和环境管理
- TensorFlow的Windows、Ubuntu、Mac的安装教程
- Python常用科学计算库快速入门(NumPy、SciPy、Pandas、Matplotlib、Scikit-learn)
- ……
《深度学习框架Tensorflow学习与应用》笔记索引（其中也有补充一些其他地方学习到的内容）：
- 01-Tensorflow简介，Anaconda安装，Tensorflow的CPU版本安装
- 02-Tensorflow的基础使用，包括对图(graphs),会话(session),张量(tensor),变量(Variable)的一些解释和操作
- 03-Tensorflow线性回归以及分类的简单使用
- 04-softmax，交叉熵(cross-entropy)，dropout以及Tensorflow中各种优化器的介绍
- 05-使用Tensorboard进行结构可视化，以及网络运算过程可视化
- 06-卷积神经网络CNN的讲解，以及用CNN解决MNIST分类问题（关于局部感受野、权值共享、卷积、池化、参数数量计算等内容，重点看下该文~）
- 07-递归神经网络LSTM的讲解，以及LSTM网络的使用
- 08-保存和载入模型，使用Google的图像识别网络inception-v3进行图像识别
- 09-Tensorflow的GPU版本安装。设计自己的网络模型，并训练自己的网络模型进行图像识别
- 10-使用Tensorflow进行验证码识别
- 11-Tensorflow在NLP中的使用(一)
- 12-Tensorflow在NLP中的使用(二)
补充笔记：
- 对 TensorFlow 的再次理解和总结：TensorFlow的理解和总结
- 对 TensorFlow 的 API 使用记录下来，方便查阅：:mag_right: TensorFlow的API详解和记录 这里没记录的和没记全的内容可以下面「网上博文」找找看~
- TensorFlow 使用指定的 GPU 以及显存分析：tensorflow中使用指定的GPU及显存分析
📛 网上博文：
- 关于 tensorflow 中优化器：第三章（1.5）关于tensorflow优化器 optimizer 的选择
- 学习使用 TensorBoard 可视化：详解 TensorBoard－如何调参 | [干货|实践] TensorBoard可视化 - 知乎
- ……
（1）
在【03-Tensorflow线性回归以及分类的简单使用】中（二）节开始以手写数字识别 MNIST 例子来讲解，关于 MNIST 的内容还可以看看该 README 下面的。
（2）
发现了问题：在【04-softmax，交叉熵(cross-entropy)，dropout以及Tensorflow中各种优化器的介绍】中（三）节开始的代码4-1交叉熵.py，可以注意到如下代码：
# 创建一个简单的神经网络
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x, W) + b)
# 二次代价函数
# loss = tf.reduce_mean(tf.square(y-prediction))
# 这里使用对数释然代价函数tf.nn.softmax_cross_entropy_with_logits()来表示跟softmax搭配使用的交叉熵
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))我觉得这里是有问题的，问题在哪呢？先看【TensorFlow】tf.nn.softmax_cross_entropy_with_logits的用法该文，可以了解到 tf.nn.softmax_cross_entropy_with_logits 函数的 logits 参数传入的是未经过 softmax 的 label 值。
import tensorflow as tf
#our NN's output
logits=tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]]) #step1:do softmax
y=tf.nn.softmax(logits)
#true label
y_=tf.constant([[0.0,0.0,1.0],[0.0,0.0,1.0],[0.0,0.0,1.0]])
#step2:do cross_entropy
cross_entropy = -tf.reduce_sum(y_*tf.log(y)) 两步可以用这一步代替：
#do cross_entropy just one step
cross_entropy2=tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits, y_))#dont forget tf.reduce_sum()!! 但prediction = tf.nn.softmax(tf.matmul(x, W) + b)这里的 prediction 已经经历了一次 softmax，然后又经过了 tf.nn.softmax_cross_entropy_with_logits 函数，这相当于经过两个 softmax 了（虽然大的值的概率值还是越大，这点上倒是没影响。）
关于 softmax_cross_entropy_with_logits，这篇文章也有提到【TensorFlow入门】：
这个函数内部自动计算 softmax 函数，然后在计算代价损失,所以logits必须是未经 softmax 处理过的函数，否则会造成错误。
注1：好像后面的笔记中程序代码都是这样的，我觉得可能视频讲解老师没注意到这点问题。另外，在该文 06-卷积神经网络CNN的讲解，以及用CNN解决MNIST分类问题 的笔记中，我也记录了该问题。
注2：对 softmax、softmax loss、cross entropy 不了解，推荐看改完：卷积神经网络系列之softmax，softmax loss和cross entropy的讲解，可以说讲解的非常好。【荐】
另外，关于在 TensorFlow 中有哪些损失函数的实现呢？看看该文：tensorflow API:tf.nn.softmax_cross_entropy_with_logits()等各种损失函数
（3）
在【 05-使用Tensorboard进行结构可视化，以及网络运算过程可视化】该文可以学习到：
- 用例子演示如何使结构的可视化
- 参数细节的可视化，绘制各个参数变化情况
- 补充内容：可视化工具 TensorBoard 更多使用和细节★（这部分会不断补充和更新的…）
（4）
在【06-卷积神经网络CNN的讲解，以及用CNN解决MNIST分类问题】该文可以学习到：
- 卷积神经网络 CNN（包括局部感受野、权值共享、卷积、池化）
- 补充内容：参数数量的计算（以 LeNet-5 为例子）
- 补充内容：TensorFlow 中的 Padding 到底是怎样的？★ （这个认真看下~）
- 补充内容：TensorFlow 中的 Summary 的用法
参考「机器之心」编译文章：
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent