本文首发于我的个人博客QIMING.INFO，转载请带上链接及署名。
TensorFlow是目前很火的一款深度学习框架，其源码是用C++写的，保证了运行速度，其又提供了Python的接口，大大降低了程序猿们学习新语言的成本，所以在深度学习领域广为流行。
但是很多人在初学TensorFlow时会觉得有些难以入手，霎时间接触诸如张量、图、会话等概念会有点吃力，所以本文将介绍如何快速入门TensorFlow并上手写代码，一边实践一边理解概念，提升学习速度。
1 安装
安装TensorFlow有多种方式，为了快速上手写代码，这里介绍一种最为简单的方法，像安装其他Python库一样，直接用pip就好，即在命令行中输入：
pip install tensorflow
注1：还可以通过Docker安装或从源码安装。
注2：此处安装的是仅支持CPU版本的，支持GPU版本的将在后续文章中说明。
2 使用
在使用的第一步，惯例我们先引入tensorflow库，为方便起见，将其用tf简写，如下：
import tensorflow as tf
2.1 张量
张量即tensor，是TensorFlow中所有数据的基本表现形式，TensorFlow中的常量、变量都属于张量。
2.1.1 常量
a = tf.constant([[1.,2.],[3.,4.]],name='const_a')
print(a)
这段代码创建了一个常量a，直接输出后的结果如下：
Tensor("const_a:0", shape=(2,2), dtype=float32)
可以看到直接输出的结果并不是我们给定的值，而是一个张量的结构。（输出值需要在会话中进行，下文会进行介绍）
其中const_a:0表示a是const_a的第一个值（也是唯一一个），shape代表维度，（2，2）表示此张量是个2x2的矩阵，第三个属性为数据类型。
常用的常数生成函数还有：
# 产生全是0的2x3矩阵
tf.zeros([2,3],int32)
# 产生全是1的2x3矩阵
tf.ones([2,3],int32)
# 产生全是9的2x3矩阵
tf.fill([2,3],9)
2.1.2 变量
变量在TensorFlow中十分重要，因其可以在计算中修改，所以神经网络的模型参数一般使用变量。
创建变量可以直接调用Variable函数，将值传入即可。
# 创建一个全1的2x2矩阵
x = tf.Variable(tf.ones([2,2]),name='var_x')
需要注意的是，使用变量时，需要对其进行初始化：
init = tf.global_variables_initializer()
2.2 会话
TensorFlow中，所有操作都只能在会话（Session）中进行。
假如我们想求上文中创建的常量a和变量x的和，完整代码如下：
import tensorflow as tf
# 创建一个2x2的矩阵常量a,值为[[1.0,2.0],[3.0,4.0]]
a = tf.constant([[1.,2.],[3.,4.]],name='const_a')
# 创建一个全1的2x2矩阵
x = tf.Variable(tf.ones([2,2]),name='var_x')
# 定义一个加法操作
add = tf.add(a,x) # 或 add = a + x
# 初始化所有变量
init = tf.global_variables_initializer()
# 利用Python上下文管理器创建Session，并在其中执行有关操作
with tf.Session() as sess:
# 执行初始化变量
sess.run(init)
# 执行加法运算并输出结果
print(sess.run(add))
注1：创建常量、变量时的name参数可省略
注2：创建Session的另一种方法：
# 创建会话 sess = tf.Session() # 调用会话来执行节点的计算，假如是上例中的add sess.run(add) # 执行结束后关闭会话 sess.close()这种方式不好的地方在于当程序因为异常而退出时，Session.close()可能不会执行从而导致资源泄露。
运行后输出如下：
[[2. 3.]
[4. 5.]]
2.3 图
至此，你是否隐约感受到了TensorFlow在运行时的一点不同？
不同于一般的程序，TensorFlow程序有两个阶段：
- 定义计算
- 执行计算
也就是说TensorFlow会将所有运算都定义好后再在Session中执行，不像一般程序，可以一边定义一边执行。
事实上，TensorFlow在进行第一个阶段时就是将计算定义在了一个图（Graph）里，在上文中，是将操作放到了TensorFlow默认提供的一张计算图中了，当然，我们也可以自己新建一张图，如下：
# 创建一张图g
g = tf.Graph()
with g.as_default():
# 在图中定义常量c为5.0
c = tf.constant(5.0)
# 创建一个Session，将图g作为参数传给它
with tf.Session(graph=g) as sess:
# 输出c
print(sess.run(c))
# 执行后，输出结果为：5.0
2.4 拟合线性回归
了解了上述基本概念和操作，接下来，我们来动手实践来拟合y=0.1x+0.2这个函数吧。
import tensorflow as tf
import numpy as np
# 使用numpy生成100个随机点
x_data = np.random.rand(100)
y_data = x_data*0.1 + 0.2
# 给k随机赋初值2.2
k = tf.Variable(2.2)
# 给b随机赋初值1.1
b = tf.Variable(1.1)
# 构造一个线性模型
y = k*x_data + b
# 二次代价函数的损失值
loss = tf.reduce_mean(tf.square(y_data-y))
# 定义一个梯度下降法来进行训练的优化器
optimizer = tf.train.GradientDescentOptimizer(0.2)
# 最小化代价函数
train = optimizer.minimize(loss)
# 初始化变量
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
# 训练201次
for step in range(201):
sess.run(train)
# 每训练20次 输出一下结果
if step%20 == 0:
print(step,sess.run([k,b]))
训练结果如下：
0 [1.7758392, 0.34141564]
20 [0.87541753, -0.19211102]
40 [0.57061648, -0.03798072]
60 [0.38562673, 0.055564649]
80 [0.27335268, 0.11233925]
100 [0.20521127, 0.14679691]
120 [0.16385485, 0.16770996]
140 [0.13875481, 0.18040252]
160 [0.12352109, 0.18810588]
180 [0.11427544, 0.19278121]
200 [0.10866406, 0.19561876]
可以看出，在训练了201次后，k值和b值都分别非常接近0.1和0.2了。
3 参考资料
[1]TensorFlow中文社区.基本用法 | TensorFlow 官方文档中文版
[2]郑泽宇,梁博文,顾思宇.TensorFlow:实战Goole深度学习框架(第2版)[M].北京:电子工业出版社.2018-02
[3]视频《深度学习框架Tensorflow学习与应用》@Youtube