Tensorflow 基础

TensorFlow 是 Google 开发的一个用于机器学习的开源软件库。我们可以使用 TensorFlow 框架非常方便地搭建我们需要的机器学习/深度学习的任务。

TensorFlow 的 Graph 和 Session

TensorFlow 和我们过去所使用的一些机器学习库，如 skleran 有很大的不同。它采用了一种计算定义与执行运算分开的模式。我们使用 TensorFlow 定义计算的时候，TensorFlow 只会为我们创建一个 Graph 而不会执行计算，当我们需要运行实际计算的时候，我们需要开启一个 Session ，然后再执行运算。

这样的设计可以让 TensorFlow 能够更省资源、方便分解子环节的处理以及对分布式计算非常友好。以下是一个简单的 TensorFLow 数据流图：

上面的 Data Flow Graph 定义了 a b c 的计算定义（既图中的成色圆圈以及箭头指向），而图中的 list 即为将在这个 Graph 中流动的数据，数据经过不同的计算定义节点，就会有一个结果输出。

我们再来看一个 TensorFlow 给的一个神经网络训练的图例：

图中动画演示的就是我们的训练数据经过 Graph 后不断优化参数再进行训练的过程。

一些 TensorFlow 例的概念理解

Tensor 张量

上图为张量的数学定义，在使用 TensorFlow 的时候，我们可以简单的将其理解为 n 维矩阵。我们的机器学习、深度学习任务，核心就是把各种我们需要学习、处理的信息以计算机能 “读懂” 的矩阵形式表示，并交由计算机进行处理。结合我们上面解释的 Data Flow Graph ，我们就不难理解，什么是 TensorFLow 了。

Session 会话
我们在开始的时候提过，TensorFLow 的设计是把计算定义和运算结果分开，而我们这里的 Session，就是用来让我们的 TensorFlow 去执行我们需要的计算。

TensorFlow 的安装与配置

ensorFLow 有分为 CPU版本 和 GPU版本，在进行一些复杂模型训练的时候，使用 GPU 能明显加快速度，但目前为止 TensorFLow 值支持带CUDA的显卡，所以如果需要安装 GPU版本的可以参考官网的指引：https://www.tensorflow.org/install/gpu?hl=zh-cn

TensorFlow 支持 Ubuntu 、Window、 macOS，甚至支持树莓派的 Raspbian，我们可以使用 pip 进行安装。但是，使用 pip 安装 TensorFlow 有时会出现一些异常的情况，所以为了方便以及良好的体验，建议安装 Anaconda 环境，然后使用 conda install tensorflow 安装 TensorFlow 即可。

TensorFlow 快速基础入门

我们完成了 TensorFlow 的安装之后，就可以开始使用 TensorFlow 了，和使用其他的 Python 库一样，我们也是需要先引入我们所需要使用的包：

我们接下来将介绍一些 TensorFlow 的基本使用，包括以下内容：

• constant 常量
• operations 运算/变换
• Variable 变量
• placeholder 训练数据占位
  
  我们定义了两个常量 num_1 和 num_2 ，并且定义了一个加法运算 num_add_op ，可以看到，如果我们直接输出 num_1 或者 num_2 甚至是 num_add_op，都不会得到任何值或者结果，这就是我们在前文提到的运算定义和执行计算分开的设计。如果我们想要获取运算结果，就需要先创建一个 Session 然后在 run 我们需要的节点，如上图，我们执行 num_add_op 这个运算操作，就可以得到计算结果。
  

同理，我们也可以使用 run 来获取我们的常量值。
上面的示例代码仅演示了最简单的标量常量赋值，TensorFlow 的常量还可以是矩阵，甚至是一些预置的常量，如零矩阵、单位矩阵、正态分布随机矩阵等，详细可以参考官方文档：https://www.tensorflow.org/api_guides/python/constant_op

上面所使用的 constant 常量，一般定义了就不能改变，如果我们需要可以可以改变的变量，就可以使用 Variable。

以上示例代码定义了一个计数器变量，然后定义了一个每次给计数器加一的运算，然后我们在定义了一个将运算结果赋值给计数器的操作。然后我们将整个操作去 run 一遍，然后输出结果。我们可以看到，我们的 counter 变量会不断改变。

使用 TensorFlow 我们很多时候需要传入训练数据，因而，我们需要使用 placeholder 在定义计算的时候配置好训练数据的位置。

上面示例代码定义了一个简单的矩阵加法，其中 x 为我们需要传入的数据，我们在执行运算的时候，需要将需要计算的数据传入到 x 中才能正常运行代码。

小结

到这里，我们已经简单的把 TensorFlow 的一些基础操作介绍完毕。接下来我们就可以开始进一步利用 TensorFlow 进行我们的机器学习之旅了。本文关于常量、运算部分仅仅做了大概的介绍，这两个部分中仍有很多细节需要我们了解，建议在 TensorFlow 的官网上利用好搜索功能，根据自己的实际问题找到适用的 api 。