Tensorflow 介紹和安裝

歡迎大家關注我們的網站和系列教程：http://www.tensorflownews.com/，學習更多的機器學習、深度學習的知識！

作者：AI小昕

本系列教程將手把手帶您從零開始學習Tensorflow，並最終通過Tensorflow實現一些經典的項目。歡迎您持續關注我們的教程，關注更多機器學習、深度學習相關的優質博文。

Tensorflow是由谷歌大腦團隊於2015年11月開發的第二代開源的機器學習系統。Tensorflow支持python、C++、java、GO等多種編程語言，以及CNN、RNN和GAN等深度學習演算法。Tensorflow除可以在Windows、Linux、MacOS等操作系統運行外，還支持Android和iOS移動平台的運行、以及適用於多個CPU/GPU組成的分散式系統中。

Tensorflow是目前最火的深度學習框架，廣泛應用於自然語言處理、語音識別、圖像處理等多個領域。不僅深受全球深度學習愛好者的廣泛歡迎，Google、eBay、Uber、OPenAI等眾多科技公司的研發團隊也都在使用它。

相較於其它的深度學習框架，如：Caffe、Torch、Keras、MXnet、Theano等，Tensorflow的主要優勢有以下幾點：高度的靈活性、支持python語言開發、可視化效果好、功能更加強大、運行效率高、強大的社區。

本節將從Tensorflow的安裝配置、Tensorflow的核心——計算圖模型開始講起，帶大家走進Tensorflow的世界。好了，隨小編一起進入正文吧。

1.Tensorflow安裝與配置

目前，Windows、Linux和MacOS均已支持Tensorflow。文章將以Windows系統的安裝為例。

在安裝Tensorflow前，我們要先安裝Anaconda，因為它集成了很多Python的第三方庫及其依賴項，方便我們在編程中直接調用。

Anaconda下載地址為：https://www.anaconda.com/download/。（分為python3.6版本和python2.7版本，本書使用的是python3.6版本。）

下載好安裝包後，一步步執行安裝過程，直到出現如圖1-1所示的界面，完成Anaconda的安裝：

圖1-1 Anaconda安裝成功截圖

安裝好Anaconda後，我們便可以打開命令提示符，輸入pip install Tensorflow完成Tensorflow的安裝。

之後我們進入python可執行界面，輸入import tensorflow as tf來檢驗Tensorflow是否安裝成功。如果沒有報任何錯，可以正常執行，則說明Tensorflow已經安裝成功。

Jupyter Notebook是一款非常好用的互動式開發工具，不僅支持40多種編程語言，還可以實時運行代碼、共享文檔、數據可視化、支持markdown等，適用於機器學習、統計建模數據處理、特徵提取等多個領域。尤其在Kaggle、天池等數據科學競賽中，快捷、實時、方便的優點深受用戶歡迎。本書後邊的章節中，均將以Jupyter Notebook作為開發環境，運行Tensorflow程序。

2.計算圖模型

Tensorflow是一種計算圖模型，即用圖的形式來表示運算過程的一種模型。Tensorflow程序一般分為圖的構建和圖的執行兩個階段。圖的構建階段也稱為圖的定義階段，該過程會在圖模型中定義所需的運算，每次運算的的結果以及原始的輸入數據都可稱為一個節點（operation ，縮寫為op）。我們通過以下程序來說明圖的構建過程：

程序1：

程序1定義了圖的構建過程，「import tensorflow as tf」，是在python中導入tensorflow模塊,並另起名為「tf」；接著定義了兩個常量op，m1和m2，均為1*2的矩陣；最後將m1和m2的值作為輸入創建一個矩陣加法op，並輸出最後的結果result。

我們分析最終的輸出結果可知，其並沒有輸出矩陣相加的結果，而是輸出了一個包含三個屬性的Tensor(Tensor的概念我們會在下一節中詳細講解，這裡就不再贅述)。

以上過程便是圖模型的構建階段：只在圖中定義所需要的運算，而沒有去執行運算。我們可以用圖1-1來表示：

圖1-2 圖的構建階段

第二個階段為圖的執行階段，也就是在會話（session）中執行圖模型中定義好的運算。

我們通過程序2來解釋圖的執行階段：

程序2：

程序2描述了圖的執行過程，首先通過「tf.session()」啟動默認圖模型，再調用run()方法啟動、運行圖模型，傳入上述參數result，執行矩陣的加法，並列印出相加的結果，最後在任務完成時，要記得調用close()方法，關閉會話。

除了上述的session寫法外，我們更建議大家，把session寫成如程序3所示「with」代碼塊的形式，這樣就無需顯示的調用close釋放資源，而是自動地關閉會話。

程序3：

此外，我們還可以利用CPU或GPU等計算資源分散式執行圖的運算過程。一般我們無需顯示的指定計算資源，Tensorflow可以自動地進行識別，如果檢測到我們的GPU環境，會優先的利用GPU環境執行我們的程序。但如果我們的計算機中有多於一個可用的GPU，這就需要我們手動的指派GPU去執行特定的op。如下程序4所示，Tensorflow中使用with…device語句來指定GPU或CPU資源執行操作。

程序4：

上述程序中的「tf.device(「/gpu:2」)」是指定了第二個GPU資源來運行下面的op。依次類推，我們還可以通過「/gpu:3」、「/gpu:4」、「/gpu:5」…來指定第N個GPU執行操作。

關於GPU的具體使用方法，我們會在下面的章節結合案例的形式具體描述。

Tensorflow中還提供了默認會話的機制，如程序5所示，我們通過調用函數as_default()生成默認會話。

程序5：

我們可以看到程序5和程序2有相同的輸出結果。我們在啟動默認會話後，可以通過調用eval()函數，直接輸出變數的內容。

有時，我們需要在Jupyter或IPython等python互動式環境開發。Tensorflow為了滿足用戶的這一需求，提供了一種專門針對互動式環境開發的方法InteractiveSession(),具體用法如程序6所示：

程序6：

程序6就是互動式環境中經常會使用的InteractiveSession()方法，其創建sess對象後，可以直接輸出運算結果。

綜上所述，我們介紹了Tensorflow的核心概念——計算圖模型，以及定義圖模型和運行圖模型的幾種方式。接下來，我們思考一個問題，為什麼Tensorflow要使用圖模型？圖模型有什麼優勢呢？

首先，圖模型的最大好處是節約系統開銷，提高資源的利用率，可以更加高效的進行運算。因為我們在圖的執行階段，只需要運行我們需要的op,這樣就大大的提高了資源的利用率；其次，這種結構有利於我們提取中間某些節點的結果，方便以後利用中間的節點去進行其它運算；還有就是這種結構對分散式運算更加友好，運算的過程可以分配給多個CPU或是GPU同時進行，提高運算效率；最後，因為圖模型把運算分解成了很多個子環節，所以這種結構也讓我們的求導變得更加方便。

好了，相信讀到這裡，大家對Tensorflow這一高深莫測的技術有了基本的了解，在接下來的內容中我們將持續為您講解Tensorflow的變數、常量，以及如何使用Tensorflow去運行深度學習的項目等。歡迎大家關注我們的網站。

最後，對深度學習感興趣，熱愛Tensorflow的小夥伴，歡迎關注我們的網站！http://www.tensorflownews.com。以及知乎專欄：https://zhuanlan.zhihu.com/TensorFlownews