TensorFlow学习日志1 — 前期准备

前期准备

什么是深度学习

“深度模型有极为庞大的网络结构，参数够多，学习能力够强，能配合大数据达到惊人的效果。而且，能自动学习特征，避免了“特征工程”这种繁琐的手工劳动。对于图像、音频和文字处理领域有极大的意义。——xccd

什么是TensorFlow

TensorFlow

2015年11月9日，Google 官方在其博客上称，Google Research 宣布推出第二代机器学习系统 TensorFlow，针对先前的 DistBelief 的短板有了各方面的加强，更重要的是，它是开源的，任何人都可以用。

机器学习作为人工智能的一种类型，可以让软件根据大量的数据来对未来的情况进行阐述或预判。如今，领先的科技巨头无不在机器学习下予以极大投入。Facebook、苹果、微软，甚至国内的百度。Google 自然也在其中。「TensorFlow」是 Google 多年以来内部的机器学习系统。如今，Google 正在将此系统成为开源系统，并将此系统的参数公布给业界工程师、学者和拥有大量编程能力的技术人员，这意味着什么呢？

打个不太恰当的比喻，如今 Google 对待 TensorFlow 系统，有点类似于该公司对待旗下移动操作系统 Android。如果更多的数据科学家开始使用 Google 的系统来从事机器学习方面的研究，那么这将有利于 Google 对日益发展的机器学习行业拥有更多的主导权。

深度学习框架

深度学习框架

下面是一些深度学习框架的介绍和对比：

• 深度学习简析, TensorFlow, Torch, Theano, Mxnet
• TensorFlow 与 mxnet, caffe 对比

安装TensorFlow

最为推荐的方式是使用Docker进行安装，这里使用了Kitematic这个Docker容器管理工具。

Kitematic安装TensorFlow docker镜像

这里需要使用DaoCloud来加速。如何安装DaoCloud可以参见DaoCloud加速器

docker-machine start default
docker-machine ssh default
dao pull tensorflow/tensorflow:latest

Docker安装TensorFlow

安装完成后提示如下：

** Pull tensorflow/tensorflow:latest success. **
You can find it with 'docker images tensorflow/tensorflow:latest'

然后我们运行TensorFlow，并且测试是否成功安装。首先交互式地运行这个image：

docker run -it tensorflow/tensorflow

然后输入测试用例（如果是docker安装的话，会是root运行，所以提示符是#哦）：

$ python
...
>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))Hello, TensorFlow!
>>> a = tf.constant(10)
>>> b = tf.constant(32)
>>> print(sess.run(a + b))
42
>>>

TensorFlow测试