自动下载安装数据集脚本：input.py
数据文件：MNIST_data
Softmax-2.py
TensorFlow实现Softmax Regression识别手写数字
Sofrmax-1.py，Softmax-1-NoComment.py
SostmaxOptization.py
cnn_tf_mnist.py
（1）TensorFlow官方Model： 官方Model链接
| 文件 | 作用 |
|---|---|
| cifar10_input.py | 读取本地CIFAR-10的二进制文件格式的内容。 |
| cifar10.py | 建立CIFAR-10的模型。 |
| cifar10_train.py | 在CPU或GPU上训练CIFAR-10的模型。 |
| cifar10_multi_gpu_train.py | 在多GPU上训练CIFAR-10的模型。 |
| cifar10_eval.py | 评估CIFAR-10模型的预测性能。 |
（2）TensorFlow实战代码：
三个代码文件：cifar10.py cifar10_input.py cnn_tf_CIFAR-10.py
卷积神经网络结构：
conv1 卷积层和激活函数
pool1 最大池化
norm1 LRN
conv2 卷积层和激活函数
norm2 LRN
pool2 最大池化层
local3 全连接层和激活函数
local4 全连接层和激活函数
logits 模型Inference的输出结果
TensorFlow实现卷积神经网络（进阶）--- 极客学院相似案例解析
展示如何利用TensorFlow使用（经典）MNIST数据集训练并评估一个用于识别手写数字的简易前馈神经网络（feed-forward neural network）。我们的目标读者，是有兴趣使用TensorFlow的资深机器学习人士。
两个代码文件：
| 代码文件 | 目的 |
|---|---|
| mnist.py | 构建一个完全连接（fully connected）的MINST模型所需的代码。 |
| fully_connected_feed.py | 利用下载的数据集训练构建好的MNIST模型的主要代码，以数据反馈字典（feed dictionary）的形式作为输入模型。 |
alexnet_benchmark.py（forward和backward耗时计算）
alexnet.py（预测与训练）
VGG.py（forward和backward耗时计算）
InceptionNet-V3.py（forward耗时计算）
ResNet.py（ResNet 152的forward耗时计算）
Distributed.py（分布式并行）
MultiGPU.py（多GPU并行）
TensorBoard.py（可视化）
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent