TensorFlow是Google的開源深度學習庫，在圖形分類、音訊處理、推薦系統和自然語言處理等場景下都有豐富的應用。毫不誇張得說，TensorFlow的流行讓深度學習門檻變得越來越低，只要你有Python和機器學習基礎，入門和使用神經網路模型變得非常簡單。

TensorFlow簡介

如前所述，TensorFlow是一個深度學習庫，使用這一框架，可以用來構建和測試深度神經網路。

深度學習讓我們能夠以極高的準確性構建複雜的應用程式。影象、視訊、文字、音訊等領域的問題，都可以通過深度學習解決。TensorFlow可以用於實現前述所有應用。

TensorFlow很快成為GitHub上使用者最多的深度學習框架。這個庫之所以如此流行，是因為開發人員可以輕鬆的用其來搭建、測試和部署機器學習應用。

上面是一個TensorFlow的示意圖。我們不用關心這張圖具體代表什麼，但你需要知道，其中的橢圓和正方形代表節點，節點就是一些數學函式，你可以將節點分組形成各種數學計算，並得到輸出。

箭頭代表流動到各個節點的資料。所以TensorFlow也被成為資料流庫。

TensorFlow從入門到應用

安裝TensorFlow

一般來講，使用Python工作時最好用virtualenv虛擬環境。Virtualenv可以在一臺機器不同的專案間保持Python依賴隔離。使用virtualenv安裝TensorFlow不會覆蓋已有的Python版本，這樣做也能使排查安裝問題變得更容易。

首先安裝必備軟體：

# Ubuntu/Linux 64-bit
$ sudo apt-get install python-pip python-dev python-virtualenv 

# Mac OS X 
$ sudo easy_install pip
$ sudo pip install --upgrade virtualenv

建立virtualenv環境. 為了將環境建在 ~/tensorflow 目錄下, 執行:

$ virtualenv --system-site-packages ~/tensorflow

接下來啟用virtualenv:

$ source ~/tensorflow/bin/activate #  with bash 
$ source ~/tensorflow/bin/activate.csh #  with csh
(tensorflow)$

Once the virtualenv is activated, you can use pip to install TensorFlow inside it:
啟用virtualenv後即可使用pip在virtualenv內安裝TensorFlow：

# Ubuntu/Linux 64-bit, CPU only:
(tensorflow)$ sudo pip install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.7.1-cp27-none-linux_x86_64.whl 

# Mac OS X, CPU only:
(tensorflow)$ sudo easy_install --upgrade six
(tensorflow)$ sudo pip install --upgrade https://storage.googleapis.com/tensorflow/mac/tensorflow-0.7.1-cp27-none-any.whl

你可訪問官方文件來確認所安裝的版本。

如果你要在GPU上跑你的程式碼，你需要訪問官方文件來看看是否滿足指定的要求。執行Tensorflow GPU需要安裝額外的軟體。

當你使用完後可執行如下命令關閉虛擬環境：

(tensorflow)$ deactivate

其它安裝TensorFlow的方法請訪問官方網站獲取資訊。

TensorFlow的 “Hello World”

你可以使用任何文字編輯器編寫python程式碼，然後儲存為副檔名“.py”的檔案(eg test.py)。用python命令列即可執行test.py。

為了快速的熟悉TensorFlow程式設計，下面從一段簡單的程式碼開始：

import tensorflow as tf

 a = tf.placeholder("float")
 b = tf.placeholder("float")

 y = tf.mul(a, b)

 sess = tf.Session()
print sess.run(y, feed_dict={a: 3, b: 3})

在上面的程式碼中，匯入Python模組tensorflow。然後定義符號變數，也稱為佔位符。在後面程式執行中會操作這些變數。我們把這些變數作為引數，TensorFlow的乘法函式tf.mul會呼叫。數學函式tf.mul會操作tensor，這時的動態大小、多維陣列。

TensorFlow的算術操作如下：

tf.add，tf.sub，tf.mul，tf.div，tf.mod，tf.abs，tf.neg，tf.sign，tf.inv，tf.square，tf.round，tf.sqrt，tf.pow，tf.exp，tf.log，tf.maximum，tf.minimum，tf.cos，tf.sin

TensorFlow也為程式設計師提供一些函式來進行數學操作，列表如下：

接下來，建立一個會話。事實上，直到這步還沒有執行TensorFlow程式碼。程式通過Session()建立一個會話與Tensorflow庫互動；直到呼叫run()方法才會建立會話，並執行指定的程式碼。在本例中，run()方法呼叫變數值和feed_dict引數，表示式執行完成退出會顯示結果9 。

本例比較簡單，僅僅為了展示TensorFlow完整的過程。然而，我們更感興趣的是靈活的結構化程式碼，插入操作來構建計算圖。比如，類似於Python程式設計中的IPython。為了達到這個目的，TensorFlow提供了tf.InteractiveSession()類。

上面的計算圖描述的是數學計算。節點（node）代表數學操作，但是它們也可以代表資料項的點，輸出結果或者讀寫持久化的變數。邊（edge）描述的是輸入和輸出的節點之間的關係。

TensorFlow 將圖形定義轉換成分散式執行的操作, 以充分利用可用的計算資源(如 CPU 或 GPU). 一般你不需要顯式指定使用 CPU 還是 GPU, TensorFlow 能自動檢測. 如果檢測到 GPU, TensorFlow 會盡可能地利用找到的第一個 GPU 來執行操作.

平行計算能讓代價大的演算法計算加速執行，TensorFlow也在實現上對複雜操作進行了有效的改進。大部分核相關的操作都是裝置相關的實現，比如GPU。下面是一些重要的操作：

邏輯迴歸問題與模型

前面的Hello world應用並沒有訓練模型，接下來介紹一個邏輯迴歸問題與模型。我們使用numpy構建一組線性關係的資料，通過TensorFlow實現的隨機梯度演算法，在訓練足夠長的時間後可以自動求解函式中的斜率和截距。

上面的程式碼可以在tensorflow_examples專案（https://github.com/tobegit3hub/tensorflow_examples/blob/master/linear_regression.py）中找到，經過訓練，我們看到輸出的斜率w約為2，截距b約為10，與我們構建的資料之間的關聯關係十分吻合！注意在TensorFlow程式碼中並沒有實現最小二乘法等演算法，也沒有if-else來控制程式碼邏輯，完全是由資料驅動並且根據梯度下降演算法動態調整Loss值學習出來的。這樣我們即使換了其他資料集，甚至換成影象分類等其他領域的問題，無需修改程式碼也可以由機器自動學習，這也是神經網路和TensorFlow強大的地方。

前面的模型只有w和b兩個變數，如果資料處於非線性關係就難以得到很好的結果，因此我們建議使用深層神經網路，這也是TensorFlow設計重點就要解決的深度學習模型。Google在2014年憑藉Inception模型贏下了ImageNet全球競賽，裡面程式碼就是基於TensorFlow實現的，下面是較為複雜的模型定義程式碼。

使用TensorFlow已經封裝好的全連線網路、卷積神經網路、RNN和LSTM，我們已經可以組合出各種網路模型，實現Inception這樣的多層神經網路如拼湊Lego一樣簡單。但在選擇優化演算法、生成TFRecords、匯出模型檔案和支援分散式訓練上，有較多的細節，大家在實際練習中要多加註意。

深度學習實戰

TensorFlow是很好的深度學習框架，希望在深度學習方向有更深入的學習和實踐的同學，七月線上特此推出《深度學習集訓營》課程，略過Python基礎，從TensorFlow搭建DNN解決問題起步，實戰BAT工業專案。

線上線下結合（線下在北京和上海），從頭到尾全部實戰，涵蓋特徵工程、深度學習在計算機視覺和自然語言處理領域中的應用，更有大規模車輛圖片檢索等應用於智慧城市、視訊監控等場景的殺手級專案。

加入課程，你將體驗到以下優質服務：

全是深度學習的典型應用場景

涵蓋特徵工程、混合網路、深度學習在計算機視覺當中的應用（比如影象分類、影象檢索）、深度學習在自然語言處理中的應用（比如文字處理、文字分類、影象生成文字）、聊天機器人、大規模車輛圖片檢索等應用於智慧城市、視訊監控等安防場景的BAT工業專案。

BAT專家級講師 + 助教全方位輔導

我們擁有來自BAT的專家級講師和數位助教，給你全程全天候1v1般的定製輔導。平時晚上線上學習，週末線下專案實戰，從而通過線上直播從頭到尾掌握深度學習典型應用場景，通過線下專案實戰練就DL工業專案的全棧能力。且有問題，課上課後隨時答疑，手把手教會為止。

提供GPU雲實驗平臺

還原BAT真實生產環境，提供工業資料和國內首創的價值數十萬的GPU雲實驗平臺（提前裝tensorflow、caffe、mxnet等主流DL框架和相關資料）。提供完善的實驗平臺供您動手、真槍實戰，拒絕紙上談兵。

作業專案考核三管齊下

開課前提供機器學習、深度學習相關的線上課程做預習。每次課通過GPU + Jupyter Notebook + GitHub線上提交作業，然後講師和助教1v1線上批改、講解作業，且提供可執行的互動式程式碼，在不斷的階段性實戰和考試中掌握機器學習技能。

高起步 + 簡歷優化

從特徵工程、TensorFlow起步，一上來就實戰BAT工業專案。且根據集訓營實戰專案，將涉及到的關鍵知識點和專案經歷優化到您的簡歷中。

面試求職輔導 + 就業推薦

精講深度學習工程師面試時常見考點/模型/演算法，且BAT一線技術經理1v1模擬真實面試，從技術、表達等方面全方位提升您的面試能力。根據您的技術特長提供定製化的能力評估、就業指導以及包括BAT等一線網際網路公司的工作機會推薦。2個月挑戰年薪30~50萬。

掃描下方二維碼，免費試聽