介紹

TensorFlow™ 是一個採用資料流圖（data flow graphs），用於數值計算的開源軟體庫。TensorFlow 最初由Google大腦小組（隸屬於Google機器智慧研究機構）的研究員和工程師們開發出來，用於機器學習和深度神經網路方面的研究，但這個系統的通用性使其也可廣泛用於其他計算領域。它是谷歌基於DistBelief進行研發的第二代人工智慧學習系統。2015年11月9日，Google釋出人工智慧系統TensorFlow並宣佈開源。

TensorFlow名字的來源

其命名來源於本身的原理，Tensor（張量）意味著N維陣列，Flow（流）意味著基於資料流圖的計算。Tensorflow執行過程就是張量從圖的一端流動到另一端的計算過程。張量從圖中流過的直觀影像是這個工具取名為“TensorFlow”的原因。

什麼是資料流圖（Data Flow Graph）？

資料流圖用“節點”(nodes)和“線”（edges）的有向圖來描述數學計算。“節點”一般用來表示施加的數學操作，但也可以表示資料輸入（feed in）的起點/輸出（push out）的終點，或者是讀取/寫入持久變數（persistent variable）的終點。“線”表示“節點”之間的輸入/輸出關係。這些資料“線”可以運輸“size可動態調整”的多維陣列，即“張量”（tensor）。一旦輸入端所有張量準備好，節點將被分配到各種計算裝置完成非同步並行地執行計算。

Tensorflow的特性

• 高度的靈活性： TensorFlow不是一個嚴格的“神經網路”庫。只要你可以將你的計算表示為一個資料流圖，你就可以使用TensorFlow。

• 可移植性（Portability）：Tensorflow可以執行在桌上型電腦、伺服器、手機移動等等裝置上。而且它可以充分使用計算資源，在多CPU和多GPU上執行。

• 多語言支援：Tensorflow提供了一套易用的Python使用介面來構建和執行graphs，也同樣提供了一套易於C++使用的介面（目前訓練神經網路只支援python，C++介面只能使用已經訓練好的模型）。未來還會支援Go、Java、Lua、Javascript、R等等。

• 效能最優化：TensorFlow給予了執行緒、佇列、非同步操作等最佳的支援，TensorFlow可以把你手邊硬體的計算潛能全部發揮出來，它可以充分利用多CPU和多GPU。

下載及安裝

既可以直接使用二進位制程式包也可以從github原始碼庫克隆原始碼編譯安裝。

要求
TensorFlow 提供的Python API支援Python2.7和Python3.3+

GPU版本的二進位制程式包只能使用Cuda Toolkit8.0 和 cuDNN v5。如果你使用的是其他版本（Cuda toolkit >= 7.0 and cuDNN >= v3），那你就必須使用原始碼重新編譯安裝。

推薦幾種Linux平臺的安裝方式：

• Pip install： 可能會升級你之前安裝過的Python包，對你機器上的Python程式造成影響。
• Anaconda install：把TensorFlow安裝在Anaconda提供的環境中，不會影響其他Python程式。
• Installing from sources：把TensorFlow原始碼構建成一個pip wheel 檔案，使用pip工具安裝它。

Pip installation
Pip是一個用來安裝和管理Python軟體包的包管理系統。

安裝pip（如果已經安裝，可以跳過）
# Ubuntu/Linux 64-bit

$ sudo apt-get install python-pip python-dev

• 1

直接使用pip安裝TensorFlow

$ pip install tensorflow

• 1

如果提示找不到對應的包，使用

pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.0rc1-cp27-none-linux_x86_64.whl

• 1

安裝GPU支援的版本：
# Requires CUDA toolkit 8.0 and CuDNN v5. 其他版本，參考下面的 “Installing from sources”

$ pip install tensorflow-gpu

• 1

如果提示找不到對應的包，使用

pip install --ignore-installed --upgrade TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-0.12.0rc1-cp27-none-linux_x86_64.whl

• 1

注意：如果是從一個較老的版本（TensorFlow<0.7.1）進行升級，需要首先解除安裝之前的TensorFlow和protobuf使用：pip uninstall

Anaconda installation
Anaconda是一個Python發行版，包括大量的數字和科學計算包。使用“conda”來管理軟體包，並且擁有自己的環境系統。安裝步驟
安裝Anaconda
建立conda環境
啟用conda環境，在其中安裝TensorFlow
每次使用TensorFlow時，啟用conda環境

Anaconda具體的安裝和使用可以參考：https://www.continuum.io/downloads

Installing from sources

從原始碼構建TensorFlow，具體的步驟參考：http://blog.csdn.net/toormi/article/details/52904551#t8

基本使用

基本概念

使用TensorFlow前必須明白的基本概念：
圖（Graph）：圖描述了計算的過程，TensorFlow使用圖來表示計算任務。
張量（Tensor）：TensorFlow使用tensor表示資料。每個Tensor是一個型別化的多維陣列。
操作（op）：圖中的節點被稱為op（opearation的縮寫），一個op獲得0個或多個Tensor，執行計算，產生0個或多個Tensor。
會話（Session）：圖必須在稱之為“會話”的上下文中執行。會話將圖的op分發到諸如CPU或GPU之類的裝置上執行。
變數（Variable）：執行過程中可以被改變，用於維護狀態。

計算圖（The computation graph）

Tensorflow程式通常被組織成一個構建階段和一個執行階段。在構建階段，op的執行步驟被描述成一個圖。在執行階段，使用會話執行圖中的op。

構建圖

構建圖的第一步是建立源op（sources op）。源op不需要任何輸入，例如常量（Constant）。源op的輸出被傳遞給其他op做運算。

在TensorFlow的Python庫中，op構造器的返回值代表這個op的輸出。這些返回值可以作為輸入傳遞給其他op構造器。

TensorFlow的Python庫中包含了一個預設的graph，可以在上面使用新增節點。如果你的程式需要多個graph那就需要使用Graph類管理多個graph。

import tensorflow as tf

# 建立一個常量 op, 產生一個 1x2 矩陣. 這個 op 被作為一個節點
# 加到預設圖中.
#
# 構造器的返回值代表該常量 op 的返回值.
matrix1 = tf.constant([[3., 3.]])

# 建立另外一個常量 op, 產生一個 2x1 矩陣.
matrix2 = tf.constant([[2.],[2.]])

# 建立一個矩陣乘法 matmul op , 把 'matrix1' 和 'matrix2' 作為輸入.
# 返回值 'product' 代表矩陣乘法的結果.
product = tf.matmul(matrix1, matrix2)

• 1

預設圖中包含了3個節點：兩個constant() op和一個matmul() op。為了真正的執行矩陣相乘運算，並得到矩陣乘法的結果，你必須在會話中啟動這個圖。

啟動圖

構造階段完成後，才能在會話中啟動圖。啟動圖的第一步是建立一個Session物件。如果沒有任何引數，會話構造器將啟動預設圖。

# 啟動預設圖.
sess = tf.Session()

# 呼叫 sess 的 'run()' 方法來執行矩陣乘法 op, 傳入 'product' 作為該方法的引數.
# 上面提到, 'product' 代表了矩陣乘法 op 的輸出, 傳入它是向方法表明, 我們希望取回
# 矩陣乘法 op 的輸出.
#
# 整個執行過程是自動化的, 會話負責傳遞 op 所需的全部輸入. op 通常是併發執行的.
#
# 函式呼叫 'run(product)' 觸發了圖中三個 op (兩個常量 op 和一個矩陣乘法 op) 的執行.
#
# 返回值 'result' 是一個 numpy `ndarray` 物件.
result = sess.run(product)
print result
# ==> [[ 12.]]

# 任務完成, 關閉會話.
sess.close()

• 1

Session物件在使用完成或需要關閉以釋放資源。除了顯示呼叫close外，也可以使用“with”程式碼塊來自動完成關閉動作。

with tf.Session() as sess:
result = sess.run([product])
print result

• 1

Tensorflow的實現上，會把圖轉換成可分散式執行的操作，以充分利用計算資源（例如CPU或GPU）。通常情況下，你不需要顯示指使用CPU或者GPU。TensorFlow能自動檢測，如果檢測到GPU，TensorFlow會使用第一個GPU來執行操作。

如果機器上有多個GPU，除第一個GPU外的其他GPU是不參與計算的，為了使用這些GPU，你必須將op明確指派給他們執行。with…Device語句用來指派特定的CPU或GPU執行操作：

with tf.Session() as sess:
with tf.device("/gpu:1"):
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])
product = tf.matmul(matrix1, matrix2)
...

• 1

裝置用字串進行標識. 目前支援的裝置包括:
“/cpu:0”: 機器的 CPU.
“/gpu:0”: 機器的第一個 GPU, 如果有的話.
“/gpu:1”: 機器的第二個 GPU, 以此類推.

Tensor

Tensorflow使用tensor資料結構來代表所有的資料。計算圖的操作之間僅能傳遞tensor。你可以把tensor當作多維陣列或列表。每一個tensor包含有一個靜態型別，一個rank和一個shape。想了解更多TensorFlow是如何操作這些概念的，參考Rank, Shape, and Type

變數

變數維持圖計算過程中的狀態資訊。下面的例子演示瞭如何使用變數作為一個簡單的計數器。

# Create a Variable, that will be initialized to the scalar value 0.
state = tf.Variable(0, name="counter")

# Create an Op to add one to `state`.

one = tf.constant(1)
new_value = tf.add(state, one)
update = tf.assign(state, new_value)

# Variables must be initialized by running an `init` Op after having
# launched the graph. We first have to add the `init` Op to the graph.
init_op = tf.global_variables_initializer()

# Launch the graph and run the ops.
with tf.Session() as sess:
# Run the 'init' op
sess.run(init_op)
# Print the initial value of 'state'
print(sess.run(state))
# Run the op that updates 'state' and print 'state'.
for _ in range(3):
sess.run(update)
print(sess.run(state))

# output:

# 0
# 1
# 2
# 3

• 1

通常可以將一個統計模型中的參數列示為一組變數。例如，你可以將一個神經網路的權重當作一個tensor儲存在變數中。在訓練圖的重複執行過程中去更新這個tensor。

Fetch

為了取回操作的輸出內容，在使用Session物件的run()方法執行圖時，傳入一些tensor，這些tensor會幫你取回結果。之前的例子中，我們只取回了state節點，但是你也可以取回多個tensor：

input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)
intermed = tf.add(input2, input3)
mul = tf.mul(input1, intermed)

with tf.Session() as sess:
result = sess.run([mul, intermed])
print result

# 輸出:
# [array([ 21.], dtype=float32), array([ 7.], dtype=float32)]

• 1

需要獲取的多個 tensor 值，在 op 的一次執行中一起獲得（而不是逐個去獲取 tensor）。

Feed

上面的例子中展示了在計算圖中引入tensor，以常量和變數的形式儲存。TensorFlow還提供了feed機制，該機制可以臨時替換圖中的tensor。

feed使用一個tensor值臨時替換一個操作的輸出。可以把feed資料作為引數提供給run()方法。標記的方法是使用tf.placeholder()為這些操作建立佔位符。

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.mul(input1, input2)

with tf.Session() as sess:
print sess.run([output], feed_dict={input1:[7.], input2:[2.]})

# 輸出:
# [array([ 14.], dtype=float32)]

轉載：http://blog.csdn.net/toormi/article/details/53609245