TensorFlow的特点和基本的操作方式

　　Tensorflow是什么？
　　Tensorflow是当前最流行的深度学习框架，它既是一个实现深度学习算法的接口，也是执行深度学习算法的框架。Tensorflow前端支持Python、C++、Java、Go等语言，后端使用C++、CUDA等写成，可在众多系统上运行，包括Windows、Mac、Linux、Android、IOS等。
　　Tensorflow的官方网址为 http://www.tensorflow.org
　　Tensorflow的GitHub网址为 https://github.com/tensorflow/tensorflow

　　Tensorflow的特征
　　高度的灵活性
　　TensorFlow 不是一个严格的“神经网络”库。只要你可以将你的计算表示为一个数据流图，你就可以使用Tensorflow。你来构建图，描写驱动计算的内部循环。我们提供了有用的工具来帮助你组装“子图”（常用于神经网络），当然用户也可以自己在Tensorflow基础上写自己的“上层库”。定义顺手好用的新复合操作和写一个python函数一样容易，而且也不用担心性能损耗。当然万一你发现找不到想要的底层数据操作，你也可以自己写一点c++代码来丰富底层的操作。
　　真正的可移植性（Portability）
　　Tensorflow 在CPU和GPU上运行，比如说可以运行在台式机、服务器、手机移动设备等等。想要在没有特殊硬件的前提下，在你的笔记本上跑一下机器学习的新想法？Tensorflow可以办到这点。准备将你的训练模型在多个CPU上规模化运算，又不想修改代码？Tensorflow可以办到这点。想要将你的训练好的模型作为产品的一部分用到手机app里？Tensorflow可以办到这点。你改变主意了，想要将你的模型作为云端服务运行在自己的服务器上，或者运行在Docker容器里？Tensorfow也能办到
　　多语言支持
　　Tensorflow 有一个合理的c++使用界面，也有一个易用的python使用界面来构建和执行你的graphs。你可以直接写python/c++程序，也可以用交互式的ipython界面来用Tensorflow尝试些想法，它可以帮你将笔记、代码、可视化等有条理地归置好。当然这仅仅是个起点——我们希望能鼓励你创造自己最喜欢的语言界面，比如Go，Java，Lua，Javascript，或者是R
　　性能最优化
　　比如说你又一个32个CPU内核、4个GPU显卡的工作站，想要将你工作站的计算潜能全发挥出来？由于Tensorflow 给予了线程、队列、异步操作等以最佳的支持，Tensorflow 让你可以将你手边硬件的计算潜能全部发挥出来。你可以自由地将Tensorflow图中的计算元素分配到不同设备上，Tensorflow可以帮你管理好这些不同副本。

　　下载以及安装
　　选择类型
　　必须选择以下类型的TensorFlow之一来安装：
　　TensorFlow仅支持CPU支持。如果您的系统没有NVIDIA®GPU，则必须安装此版本。请注意，此版本的TensorFlow通常会更容易安装（通常在5或10分钟内），因此即使您有NVIDIA GPU，我们建议先安装此版本。
　　TensorFlow支持GPU。TensorFlow程序通常在GPU上比在CPU上运行得更快。因此，如果您的系统具有满足以下所示先决条件的NVIDIA®GPU，并且您需要运行性能关键型应用程序，则应最终安装此版本。
　　Ubuntu和Linux
　　如果要安装GPU版本的，需要安装一大堆NVIDIA软件（不推荐）：
　　CUDA®Toolkit 8.0。有关详细信息，请参阅 NVIDIA的文档。确保您将相关的Cuda路径名附加到 LD_LIBRARY_PATH环境变量中，如NVIDIA文档中所述。与CUDA Toolkit 8.0相关的NVIDIA驱动程序。
　　cuDNN v5.1。有关详细信息，请参阅 NVIDIA的文档。确保CUDA_HOME按照NVIDIA文档中的描述创建环境变量。
　　具有CUDA Compute Capability 3.0或更高版本的GPU卡。有关支持的GPU卡的列表，请参阅 NVIDIA文档。
　　libcupti-dev库，即NVIDIA CUDA Profile Tools界面。此库提供高级分析支持。要安装此库，请发出以下命令：
　　使用pip安装，分别有2.7和3.6版本的
　　# 仅使用 CPU 的版本$ pip install https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.0.1-cp27-none-linux_x86_64.whl $ pip3 install https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.0.1-cp36-cp36m-linux_x86_64.whl
　　Mac
　　macX下也可以安装2.7和3.4、3.5的CPU版本
　　# 2.7$ pip install https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-1.0.1-py2-none-any.whl # 3.4、3.5$ pip3 install https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-1.0.1-py3-none-any.whl

　　HelloWorld
       程序员从“HelloWorld”开始。在安装好Tensorflow之后，写个HelloWorld试试安装是否成功。代码如下：
　　importtensorflowastf
　　hello=tf.constant（‘Hello，TensorFlow！’）
　　sess=tf.Session（）
　　print（sess.run（hello））
　　如果成功输出“Hello，TensorFlow！”，则表明TensorFlow安装成功。
　　从这个HelloWorld代码可以看出，（1）要使用tensorflow，先要导入tensorflow库，使用importtensorflow导入，一般会简写为tf（2）要执行tensorflow，先要创建Session（会话）。Session是用户使用tensorflow时的交互接口，用以创建计算图，然后通过Session的run方法执行计算图。

　　学会基本操作TensorFlow的数据流图由节点（Nodes）和边（Edges）组成，下面从节点（操作）和边（张量）来介绍TensorFlow的基本操作。（1）张量张量是TensorFlow的主要数据结构，用于操作计算图。一个张量（Tensor）可以简单地理解为任意维的数组，张量的秩表示其维度数量。张量的秩不同，名称也不相同。a、标量：维度为0的Tensor，也就是一个实数b、向量：维度为1的Tensorc、矩阵：维度为2的Tensord、张量：维度达到及超过3的Tensor
　　创建张量有以下主要4种方法：a、创建固定张量创建常数张量：constant_ts=tf.constant（［1，2，3，4，5］）
　　创建零张量：zero_ts=tf.zeros（［row_dim，col_dim］）
　　创建单位张量：ones_ts=tf.ones（［row_dim，col_dim］）
　　创建张量，并用常数填充：filled_ts=tf.fill（［row_dim，col_dim］，123）
　　b、创建相似形状张量创建相似的零张量：zeros_like=tf.zeros_like（constant_ts）
　　创建相似的单位张量：ones_like=tf.ones_like（constant_ts）
　　c、创建序列张量指定起止范围linear_ts=tf.linspace（start=0，stop=2，num=6）结果返回［0.0，0.4，0.8，1.2，1.6，2.0］，注意该结果包括stop值
　　指定增量seq_ts=tf.range（start=4，limit=16，delta=4）结果返回［4，8，12］，注意该结果不包括stop值
　　d、随机张量生成均匀分布的随机数randunif_ts=tf.random_uniform（［row_dim，col_dim］，minval=0，maxval=1）结果返回从minval（包含）到maxval（不包含）的均匀分布的随机数
　　生成正态分布的随机数randnorm_ts=tf.random_normal（［row_dim，col_dim］，mean=0.0，stddev=1.0）其中mean表示平均值，stddev表示标准差
　　（2）占位符和变量占位符和变量是使用TensorFlow计算图的关键工具，两者是有区别的a、变量：是TensorFlow算法中的参数，通过调整这些变量的状态来优化模型算法；b、占位符：是TensorFlow对象，用于表示输入输出数据的格式，允许传入指定类型和形状的数据。
　　创建变量通过tf.Variable（）函数封装张量来创建变量，例如：my_var=tf.Variable（tf.zeros（［row_dim，col_dim］））
　　【注意】声明变量后需要进行初始化才能使用，最常使用以下函数一次性初始化所有变量，使用方式如下：init_op=tf.global_variables_initializer（）
　　创建占位符占位符仅仅是声明数据位置，也即先占个位，后面在会话中通过feed_dict传入具体的数据。示例代码如下：
　　a=tf.placeholder（tf.float32，shape=［1，2］）
　　b=tf.placeholder（tf.float32，shape=［1，2］）
　　adder_node=a+b #这里的“+”是tf.add（a，b）的简洁表达
　　print（sess.run（adder_node，feed_dict={a：［2，4］，b：［5.2，8］}））
　　输出结果为［7.212］
　　（3）操作TensorFlow张量的加、减、乘、除、取模的基本操作是：add（）、sub（）、mul（）、div（）、mod（）。例如：
　　a=tf.placeholder（tf.float32，shape=［1，2］）
　　b=tf.placeholder（tf.float32，shape=［1，2］）
　　adder_node=tf.add（a，b）
　　print（sess.run（adder_node，feed_dict={a：［2，4］，b：［5.2，8］}））
　　输出结果为［7.212］
　　其中，乘法、除法有比较特殊之处，如果是要对浮点数进行整除，则使用floordiv（）；如果是要计算两个张量间的点积，则使用cross（）。下面列出常用的数学函数列表：