TensorFlow笔记-初识

深度学习：转换编程的思维(和传统的机器学习的编程方式不太一样)

TensorFlow的安装

CPU版本：

只支持程序在CPU上计算/运算，默认运行就是CPU上运行卸载： pip uninstall tensorflow pip uninstall tensorflow-tensorboard 安装： pip install tensorflow GPU版本：

支持GPU、CPU上的计算/运算，默认运行在GPU上，但是可以明确指定在CPU上运行（因为GPU的运行速度比CPU要快，所以会仅可能的将程序运行在GPU上）卸载： pip uninstall tensorflow-gpu tensorflow-tensorboard 安装： pip install tensorflow-gpu==1.4.0 备注：必须安装CUDA和cuDNN; 必须要求机器有NVIDIA显卡

TensorFlow介绍

深度学习，如深度神经网络、卷积神经网络和递归神经网络已被应用计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。(分类)

1、真正的可移植性

引入各种计算设备的支持包括CPU/GPU/TPU，以及能够很好地运行在移动端，

如安卓设备、ios、树莓派等等

2、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

扫描二维码关注公众号，回复： 6835960 查看本文章

执行你的graphs，你可以直接写python/c++程序。

3、高度的灵活性与效率

TensorFlow是一个采用数据流图（data flow graphs），用于数值计算的开源软件库

能够灵活进行组装图，执行图。随着开发的进展，Tensorflow的效率不算在提高

4、支持TensorFlow由谷歌提供支持，谷歌投入了大量精力开发

TensorFlow，它希望 TensorFlow 成为机器学习研究人员和开发人员的通用语言

TensorFlow的组件

图（Graph）：图描述了计算的过程，TensorFlow使用图来表示计算任务。张量（Tensor）：TensorFlow使用tensor表示数据。每个Tensor是一个类型化的多维数组。

操作（op）：图中的节点被称为op（opearation的缩写），一个op获得/输入0个或多个Tensor，执行计算，产生0个或多个Tensor。会话（Session）：图必须在称之为“会话”的上下文中执行。会话将图的op分发到诸如CPU或GPU之类的设备上执行。变量（Variable）：运行过程中可以被改变，用于维护状态。

流程图如下：

TensorFlow的边即有两种连接关系：

数据依赖
控制依赖

实线边表示数据依赖，代表数据，即张量。任意维度的数据统称为张量。在机器学习算法中，张量在数据流图中从前往后流动一遍就完成一次前向传播，而残差从后向前流动一遍就完成一次反向传播。

虚线边表示控制依赖，可以用于控制操作的运行，这被用来确保happens- before关系，这类边上没有数据流过，但源节点必须在目的节点开始执行前完成。

import tensorflow as tf
import os
# 防止警告
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# 实现一个加法
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a,b)
with tf.Session() as sess:
    print(sess.run(sum1))