前言

TensorFlow 是谷歌開源的深度學(xué)習(xí)工具包，它將深度學(xué)習(xí)復(fù)雜的計算過程抽象成了數(shù)據(jù)流圖（Data Flow Graph）谢床，并提供簡介靈活的高級抽象接口兄一，讓小白用戶通過簡單的學(xué)習(xí)就可以使用「高大上」的深度學(xué)習(xí)了。當(dāng)谷歌被問到為什么要開源 TensorFlow 時萤悴，他們的回答是：「我們相信機器學(xué)習(xí)是未來創(chuàng)新產(chǎn)品和技術(shù)的關(guān)鍵因素」瘾腰。其實目前我們生活的很多方面已經(jīng)被機器學(xué)習(xí)深切的影響著了，從谷歌搜索到淘寶購物覆履，以及在剛剛結(jié)束的老羅手機發(fā)布會上蹋盆，引起臺下歡呼不斷的語音輸入以及 「BigBang」，背后的核心技術(shù)都是機器學(xué)習(xí)硝全。因此栖雾，我覺得廣大程序員有必要學(xué)習(xí)下機器學(xué)習(xí)，以免被很快就會到來的「未來」所拋棄伟众。

安裝

官方的安裝文檔是最詳細(xì)的析藕，以我本人的電腦（MacBook Pro，python 2.7）為例凳厢，安裝過程如下：

// 指定 TensorFlow 地址
export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-0.11.0rc1-py2-none-any.whl
// 使用 pip 安裝（如果沒有 pip账胧，得先安裝 pip）
sudo pip install --upgrade $TF_BINARY_URL

安裝好后，可以進入 python 交互界面先紫，執(zhí)行以下代碼確認(rèn)是否安裝成功：

$ 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

簡介

整體工作方式

TensorFlow 最基本的一次計算過程是這樣的：接受 n 個固定格式的數(shù)據(jù)輸入治泥，通過給定的高級函數(shù)，轉(zhuǎn)化為 n 個 Tensor 格式的輸出遮精。當(dāng)然一次機器學(xué)習(xí)的過程會有很多次這樣的計算居夹，一次計算的輸出可能是下一次計算的（部分或全部）輸入，TensorFlow 將這一系列的計算過程抽象為了一張數(shù)據(jù)流圖（Data Flow Graph）本冲，如圖：

一張復(fù)雜的數(shù)據(jù)流圖

有了數(shù)據(jù)流圖后下一個問題是如何在各種設(shè)備上很好的運行性昭，TensorFlow 通過一個會話（Session）來控制整個數(shù)據(jù)流圖的執(zhí)行拦止。TensorFlow 一個很大的優(yōu)點是將復(fù)雜的運算（如矩陣運算，softmax）封裝成了高級函數(shù)糜颠，用戶只要使用就好了汹族，在內(nèi)部，TensorFlow 將這些函數(shù)轉(zhuǎn)化成可以高效在 CPU 或 GPU 執(zhí)行的機器碼其兴。Session 的主要作用是將這張數(shù)據(jù)流圖合理的切分（盡量減少 Session 與 CPU 或 GPU 之間的交互顶瞒，因為很慢），按照一定的順序提交給 CPU 或者 GPU元旬，然后（可能）還進行一些容錯的機制榴徐，總之 Session 就是負(fù)責(zé)高效地讓數(shù)據(jù)流圖被 CPU 或 GPU 執(zhí)行完成的。

如果讀者對 spark 熟悉匀归，看完以上介紹后會不會覺得其實 TensorFlow 的整個工作流程其實跟 Spark 有很多類似之處（我看完文檔之后是這樣認(rèn)為的）坑资。 TensorFlow 的數(shù)據(jù)流圖對應(yīng)于 Spark 的 DAG，TensorFlow 的 Tensor 對應(yīng)于 Spark 的 RDD穆端， TensorFlow 的 Session 對應(yīng)于 Spark 的 SparkContext袱贮。待后面深入學(xué)習(xí)后再分析分析他們的異同。

基本概念

其實很多概念上面已經(jīng)提到体啰，這里統(tǒng)一介紹下攒巍，不過官網(wǎng)的文檔是最詳細(xì)的。

• 數(shù)據(jù)流圖：用來邏輯上描述一次機器學(xué)習(xí)計算的過程荒勇。
• Session：負(fù)責(zé)管理協(xié)調(diào)整個數(shù)據(jù)流圖的計算過程柒莉。
• op：數(shù)據(jù)流圖中的一個節(jié)點，也就是一次基本的操作過程枕屉。
• Tensor：所有 TensorFlow 中計算的數(shù)據(jù)的格式常柄，是一個 n 維的數(shù)組，如 t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] 搀擂。
• Variable：這個在上面沒有提到西潘。之前我們說一個 Tensor 經(jīng)過一次 op 后會轉(zhuǎn)化為另一個 Tensor，完成之后上一步的輸入 Tensor 就會被回收掉哨颂。如果有些數(shù)據(jù)（如模型）我們需要一直保存喷市，每次迭代計算只是改變其值，這時我們就需要 Variable威恼，Variable 本質(zhì)上也是一個 Tensor品姓，只不過他是不會被回收寝并，常駐的 Tensor。

基本使用

關(guān)于 TensorFlow 的基本使用腹备，其實還是建議看官網(wǎng)衬潦，我這邊列一個小的 demo 大致看下一個最基本的 TensorFlow 是怎么寫的。

// 導(dǎo)入 tensorflow
import tensorflow as tf

// 上面說了數(shù)據(jù)是從輸入到 op 再到輸出植酥，用 tf.constant() 生成的是一個源 op镀岛，
// 是一個不需要輸入（輸入已經(jīng)定義在代碼里了），只有輸出的 op友驮。
// matrix1漂羊、matrix2 都是常量 op
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])

// 創(chuàng)建一個矩陣乘法 matmul op , 把 'matrix1' 和 'matrix2' 作為輸入.
// 返回值 'product' 代表矩陣乘法的結(jié)果。
product = tf.matmul(matrix1, matrix2)

// 創(chuàng)建 session
sess = tf.Session()

// 使用 session 運算整個數(shù)據(jù)流圖卸留。這里我們可以看到走越，
// 定義整個計算過程的時候，我們是從數(shù)據(jù)輸入的方向上往下定義的耻瑟，
// 而給 session 運行的時候旨指，我們只把最后我們想要結(jié)果的那個方法
// 給了 session，說明 session 會根據(jù)最終的那步喳整，逆向去追溯計算
// 過程淤毛，從而構(gòu)建整個數(shù)據(jù)流圖（猜的）。
result = sess.run(product)

//輸出 [[ 12.]]
print result

//運行結(jié)束算柳，關(guān)閉 session
sess.close()

看到這里低淡，其實會發(fā)現(xiàn) TensorFlow 并不僅僅是一個訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的工具，它更像是一個計算框架瞬项，其實可以在其基礎(chǔ)上實現(xiàn)各種算法蔗蹋，有朝一日，如果越來越多的開發(fā)者參與其中囱淋，構(gòu)建出更豐富的機器學(xué)習(xí)庫猪杭，替代 spark 也是有可能的（雖然我覺得可能性不高）。

一個簡單的機器學(xué)習(xí)實例

官方文檔 給出了一個利用 MNIST 數(shù)據(jù)集訓(xùn)練圖像識別模型的入門例子妥衣，我這里做一些簡單的分析皂吮。

MNIST 數(shù)據(jù)集包含了一個訓(xùn)練集和一個測試集，集合中包含一些 28 像素 X 28 像素的圖片（這些圖片是手寫的 0-9 的數(shù)字）税手，以及每張圖片的真實數(shù)字蜂筹，我們的目的是通過訓(xùn)練集訓(xùn)練出一個機器學(xué)習(xí)模型，用以預(yù)測任意的手寫輸入圖片所對應(yīng)的數(shù)字芦倒。

文檔中給的入門示例是一個邏輯回歸模型艺挪。輸入是28 X 28 像素的圖片，為了方便兵扬，我們將其轉(zhuǎn)化為一個長度為 28 * 28=784 的數(shù)組麻裳；輸出是用 softmax 回歸后該圖片屬于 0-9 各個數(shù)字的概率數(shù)組口蝠。整個模型通過隨機梯度下降的方法進行訓(xùn)練，詳細(xì)的文檔里都有津坑，我就其代碼簡單分析一下：

// 導(dǎo)入 tensorflow
import tensorflow as tf 
// 導(dǎo)入處理 MNIST 數(shù)據(jù)集的工具類
import input_data

// 加載 MNIST 數(shù)據(jù)集妙蔗，獲得一個封裝好的對象 mnist
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

// 設(shè)置輸入（即手寫圖像），placeholder 表示 x是一個占位符疆瑰，
// shape 的 None 表示輸入數(shù)據(jù)的第一維可以任意大小
x = tf.placeholder(tf.float32, shape=[None, 784])
// 設(shè)置針對輸入圖像灭必，其期望的輸出
y_ = tf.placeholder(tf.float32, shape=[None, 10])

// 定義 Variable，用于存儲隱藏層的權(quán)重乃摹，W 是一個二維權(quán)重矩陣，
// W[i][j] 表示第 i 個像素屬于第 j 個數(shù)字的概率跟衅；b 是一維數(shù)組孵睬，b[i] 
// 表示第 i 個數(shù)字的偏移量。因此伶跷，要求輸入 x 屬于各個數(shù)字的概率
// 公式為：W * x + b
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

/** 定義好需要的參數(shù)變量后掰读，就可以設(shè)置訓(xùn)練過程了，訓(xùn)練過程主要分為 3 步：
   1. 定義隱藏層的輸入輸出過程
   2. 定義損失函數(shù)
   3. 選擇訓(xùn)練方法開始訓(xùn)練 **/

// 1.定義隱藏層的輸入輸出過程 ：
//    之前我們說用 softmax 回歸模型來做隱藏層叭莫，TensorFlow 已經(jīng)實現(xiàn)了
//    softmax 的具體方法蹈集，所以我們只要一行代碼就能表示整個前饋的過程
y = tf.nn.softmax(tf.matmul(x, W) + b)

// 2.定義損失函數(shù)：
//    我們使用交叉熵來衡量結(jié)果的好壞
cross_entropy = -tf.reduce_sum(y_*tf.log(y))

// 3.選擇訓(xùn)練方法開始訓(xùn)練：
//    由于我們已經(jīng)知道了損失函數(shù)，我們的訓(xùn)練目的是讓損失函數(shù)最小雇初，
//    這里我們使用梯度下降的方法求最小值
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

// 定義好訓(xùn)練過程后拢肆，就可以開始真正的訓(xùn)練過程了

// 初始化 session
sess = tf.Session() 

//加載所有 variable
init = tf.initialize_all_variables() 
sess.run(init)

// 使用隨機梯度下降的方法，分批次多次訓(xùn)練
for i in range(1000): 
    batch_xs, batch_ys = mnist.train.next_batch(100)   
    //這里隨機獲取的 batch_xs, batch_ys 用來填充之前定義的占位符 x, y_
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

我們可以看到靖诗，只要告訴 TensorFlow 待訓(xùn)練參數(shù)郭怪、損失函數(shù)、具體的訓(xùn)練方法刊橘，區(qū)區(qū)三行代碼鄙才，它就能自動地進行訓(xùn)練出一個圖像識別模型。當(dāng)然促绵，這只是最簡單的一個邏輯回歸模型攒庵，要想獲得好效果，需要用到 卷積神經(jīng)網(wǎng)絡(luò)（CNN）败晴，等后面深入學(xué)習(xí)后再跟讀者分享浓冒。

總結(jié)

本文簡單介紹了 TensorFlow 的一些基本的概念和工作方式，后面有精力的話再深入的學(xué)習(xí)下尖坤。另外裆蒸，由于自己對機器學(xué)習(xí)不是很熟悉，對 TensorFlow 也是剛接觸糖驴，所以文中可能會有比較多低級錯誤僚祷，望讀者看到后指出佛致。