Tensorflow：谷歌的一种深度学习框架/丹炉 | 炼丹术 | 干货分享 | 解读技术

懒人阅读：想要傻瓜式体验深度学习的请先绕开TF，可以考虑pytorch、keras。想要真正从事可部署产品研发的童鞋，TF可能是一个绕不开的存在。

写在前面：引用并发挥大神们关于机器学习/深度学习/人工智能的话：

      训练AI模型就是炼丹，金丹就是训练出来的模型，可以针对某种问题输出极佳的结果；框架是丹炉；丹方就是模型的设计思路、结构和方法；炼丹的材料就是数据。

     炼丹过程就是按照丹方，使用框架和数据训练模型的过程，不同级别的“丹药”对于问题的解决程度不同，越厉害的丹药当然能够越精确高效的解决问题。

为什么要了解Tensorflow/span>

      Tensorflow是目前唯一 一个在核心设计层面上支持dynamic control flow的框架，也是极少几个经历大规模多应用部署考验的的框架之一。谷歌一开始的野心从中也可看出一二，让人不禁联想到Android。TF目前处于快速迭代的过程中，虽然开源、资源多、维护活跃，但是也存在了各种文档、接口和版本混乱的问题，但相信谷歌在AI上的决心和行动，目前很多人已经开始在最底层的TF基础上开发更加易读易调试的高层封装模块了，从一个平台级软件的发展来看，目前的问题都将得到很好的解决。

优点

• 无缝对接Python，BUT大多数深度学习框架都可以

• 能够很容易部署到服务器上和移动端，这是很多框架做不到的

• 足够灵活，非常底层，也有上层封装，尤其是更新很快， 区非常活跃，这当然离不开谷歌的大力推动，不禁联想到Android

• 大量优秀的项目正在使用TensorFlow

• 可以在多个CPU和GPU下并行

人无完人，缺点

• 官方文档及API文档残废，普遍反应逻辑不亲民，稍显混乱

• 据说默认占用所有GPU的所有内存，显存占用也不低，对硬件要求不低

• 版本乱、版本之间的兼容性问题大

• 由于偏底层，接口编写难度大，调试也困难

如果认可上一条，请继续阅读Tensorflow简介

     TensorFlow主要是由Google Brain团队开发用于机器学习和深度神经 络研究开发，是一个使用数据流和图来做数值计算的开源软件平台，可广泛应用于各个领域的开发部署。

      TF使用graph表示计算流程。图中的节点称为操作（Operation，以下简称OP）。每个OP接受0到多个Tensor，执行计算，输出0到多个Tensor。图是对计算流程的描述，需要在Session中运行。Session将计算图的OP分配到CPU或GPU等计算单元，并提供相关的计算方法，并且会返回OP的结果。

      看到这里可能有些人会懵，简单说就是用画图的方式设计算法结构及流程，然后明确各个模块的计算方法，然后数据就会按照设计的方式一步步流动，直至输出结果。就像设计了一种结构的管道，数据就像液体一样在管道中流动，最终以一种形式输出。

       TF的几个要素：

张量（Tensor）

TF使用Tensor表示所有数据， 计算图中, 操作间传递的数据都是 tensor。

变量（Variable）

在训练模型时，Variable被用来存储和更新参数。变量维护图执行过程中的状态信息。

Feed

TensorFlow除了可以使用Variable和Constant引入数据外，还提供了Feed机制实现从外部导入数据。

Fetch

为了取回操作的输出内容, 可以在使用 Session 对象的 run() 调用 执行图时, 传入一些 tensor, 这些 tensor 会帮助你取回结果。

使用方法及示例

   TF程序实现主要有两个过程：图的构建和图的执行。

• 图的构建

      构建图的第一步，是创建源OP(source op)，源操作不需要任何输入，例如常量(constant)，源操作的输出被传递给其它操作做运算。TensorFlow Python库有一个默认图 (default graph)，OP构造器可以为其增加节点。这个默认图对许多程序来说已经足够用了。

• 图的执行

      要执行计算图，首先需要创建Session对象，如果不提供参数，Session构造器将运行默认图。Session结束后，需要关闭以释放资源。用户也可以使用with控制语句自动关闭会话。

• 示例

TF实现CNN的一个栗子，用TF构建一个识别手写数字的CNN 络。

CNN基本结构

识别手写体，模型输入

输出，即对手写数字的识别结果，基本均能准确判断。

代码及详细说明传送门：https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/3_NeuralNetworks/convolutional_network.ipynb

安装及注意事项

       TF的安装有Pip, Docker, Virtualenv, Anaconda 或 源码编译等多种方法。具体参见极客学院的安装详细说明（含下载地址），传送门：http://wiki.jikexueyuan.com/project/tensorflow-zh/get_started/os_setup.html

授人以渔，资源分享及参考资料

• 莫烦系列之Tensorflow课程分享，非常靠谱，亲测顶推：http://list.youku.com/albumlist/show/id_27327189.htmlpm=a2h0j.8191423.Drama.5~5~H3~A    

• 知乎神帖，解答你关于TensorFlow 如何入门需要知道的一切，传送门:https://www.zhihu.com/question/49909565

• 英文官方文档：https://www.tensorflow.org/versions/master/tutorials/index.html

• 极客学院的中文文档：TensorFlow官方文档中文版_TensorFlow中文教程_TensorFlow开发中文手册[PDF]下载

• 斯坦福新开的课程，cs20si，http://web.stanford.edu/class/cs20si/index.html，国内可以看b站的视频，CS 20SI: Tensorflow for Deep Learning Research

• 最后分享一篇对比目前各个主流深度学习框架的文章，很不错：对比深度学习十大框架：TensorFlow 并非最好送门：https://www.oschina.net/news/80593/deep-learning-frameworks-a-review-before-finishing-2016

善用智能之道：行业动态、技术前沿、产业服务， 联系：九三智能控