文章作者：Tyan
博客：noahsnail.com

TensorFlow是一个关于机器智能的开源软件库

关于TensorFlow

TensorFlow™是一个用数据流图进行数值计算的开源软件库。数据流图中的结点表示数学运算，数据流图中的边表示多维数据数组（张量）之间的数据交互。这个灵活的结构让你可以通过单独的API将计算部署在一个或多个CPU或GPU上，这些CPU或GPU可以位于台式机、服务器或移动设备上。TensorFlow最初是由Google大脑团队中的研究员和工程师开发的，Google大脑团队在Google的机器智能研究组织中主要是进行机器学习和深度神经网络研究的，TensorFlow系统具有足够的通用性，也可以应用在许多其它的领域。

什么是数据流图？

数据流图通过有向图的结点和边来描述数学计算。结点通常实现数学运算，但也能表示端点输入数据，推出结果，或读/写持续的变量。边表示结点之间的输入/输出关系。这些数据边携带动态大小的多维数据数组或张量。图中的张量流动是TensorFlow名字的来源。结点被分配到计算设备上，以异步方式执行，一旦结点输入边的所有张量可用便并行执行。

TensorFlow的特性

深度灵活性

TensorFlow不是一个死板的神经网络库。如果你能将你的计算表示成数据流图，你就可以使用TensorFlow。你要构建数据流图，并且编写驱动计算的内部循环。我们将提供帮助工具来装配神经网络中的常见子图，但用户要能编写在TensorFlow之上的他们自己的更高层次的库。定义方便的操作符新组合就像定义一个Python函数那样容易，在性能上不会有任何损失。如果你不想看你需要的低层操作符，你可以写点C++添加一个新的操作符。

真正的可移植性

TensorFlow运行在CPU或GPU上，在桌面端，服务器或移动计算平台上。想在笔记本上实现你的机器学习想法而不需要任何特定的硬件？TensorFlow可以帮你实现。准备扩大并在GPU上更快的训练模型而不改变任何结点？TensorFlow可以帮你实现。想在移动端部署训练的模型作为产品中的一部分？TensorFlow可以帮你实现。改变你的想法并且想在云上运行模型来作为服务？用Docker进行容器化，TensorFlow能很好的工作。

连接研究与产品

当将机器学习想法从研究转化成产品时需要进行主要的重写的日子已经过去了。在Google，研究科学家在TensorFlow中进行新算法的实验，产品团队用TensorFlow来训练模型并实时的使用模型为真实的消费者服务。使用TensorFlow可以让产品研究人员更快的将想法变为产品，可以让学术研究人员更直接的共享代码，具有更大的科学再现性。

自动微分

基于梯度的机器学习算法将能从TensorFlow的自动微分能力中受益。作为一个TensorFlow用户，你可以定义你自己的预测模型的计算结构，结合你的目标函数，只需要添加数据——TensorFlow为你计算导数。计算一些值的导数，而模型中的其它值只是扩展你的图，因此你总是能确切的看到发生了什么。

语言选择

TensorFlow附带很容易使用的Python接口和使用的C++接口来构建并执行你的计算图。在交互的TensorFlow iPython笔记本中编写独立的TensorFlow Python或C++程序，或尝试一些东西，iPython笔记本可以存储笔记，代码和逻辑分组可视化。然而这仅仅只是一个开始——我们希望吸引你贡献你最爱的语言的接口——它可以是Lua，Javascript或R。

最大化性能

想要充分利用具有32核CPU和4块GPU的工作站的性能吗？TensorFlow对线程、队列和异步计算具有一流的支持，TensorFlow可以让你最大程度的利用你的可用硬件，可以自由的将你的TensorFlow图中计算元素分配到不同的设备上，让TensorFlow来处理副本。

谁可以使用TensorFlow？

TensorFlow是给每一个人的。它是给学生、研究人员、业余爱好者、黑客、工程师、开发人员、发明家和创新者的，它是根据Apache 2.0开源协议开源的。

TensorFlow不是完整的；它将要建立和扩展。我们已经制作了源代码的初始版本，会继续积极的工作使它更好。我们希望建立一个主动的开源社区来推动这个库的未来，提供反馈并且积极的贡献源代码。

为什么Google开源TensorFlow？

如果TensorFlow是如此之大，为什么对它开源而不是保留它的所有权？回答可能比你想象的简单：我们相信机器学习是将来产品创新和技术创新的一个关键要素。这个领域的研究是全球性的并且发展迅速，但是缺少标准的工具。通过分享TensorFow，我们认为它是世界上最好的机器学习工具之一，我们希望创建一个开放的标准来交流研究想法并把机器学习应用到产品中。Google工程师在面向用户的产品和服务中真正的在使用TensorFlow，我们的研究组计划与我们的许多研究出版物一起共享TensorFlow的实现。

介绍

让我们开始学习并运行TensorFlow！

但在我们开始之前，让我们先看一眼在Python API中TensorFlow代码什么样，对我们要学习的东西有点感觉。

下面是一个Python小程序，它在二维空间构造了一些数据，并用一条直线来拟合这些数据。

import tensorflow as tf
import numpy as np

# Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3

# Try to find values for W and b that compute y_data = W * x_data + b
# (We know that W should be 0.1 and b 0.3, but TensorFlow will
# figure that out for us.)
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1]))
y = W * x_data + b

# Minimize the mean squared errors.
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

# Before starting, initialize the variables.  We will 'run' this first.
init = tf.initialize_all_variables()

# Launch the graph.
sess = tf.Session()
sess.run(init)

# Fit the line.
for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(W), sess.run(b))

# Learns best fit is W: [0.1], b: [0.3]

代码的第一部分构建数据流图。在session创建和run函数调用之后，TensorFlow才开始真正的进行计算。

为了进一步提高你的兴趣，我们建议你查看一下在TensorFlow中经典的机器学习问题是什么样子。在神经网络领域，最经典的问题是MNIST手写字符识别问题。这儿我们有两个介绍，一个是为初学者准备的，一个是为专业人士准备的。如果你已经用其它的软件包训练了许多MNIST模型，请点红色的药丸。如果你从未听过MNIST，请点蓝色药丸。如果你介于两者之间，我们建议你先略读蓝色部分，再看红色部分。

图像许可CC BY-SA 4.0; 原作者W. Carter

如果你已经确定你想学习并安装TensorFlow，你可以跳过这些直接看接下来的东西。不用担心，你仍会看到MNIST——我们也将使用MNIST作为技术教程中的一个例子来阐述TensorFlow的特性。