接触
工作要用，就要学喽，不过就看了几天，还是比较懵的状态，所以这里把一些遇到的坑说一下，希望能对新人有帮助吧。
简介
还是介绍一下吧，随便扯扯。Tensorflow是Google的产品，是一个人工智能和深度学习的框架。感觉好屌啊，Google是厉害啊，什么都能搞出来，貌似AlphaGo就是用这东西开发的？还有很多地方可以应用，如语音识别，自然语言理解，计算机视觉……对于某些公司或个人来说，减少了成本，有这么个东西，还是比手写方便多了哈～里面有不少常用的人工智能算法，还可以用GPU辅助计算。真的厉害了。
正文
前面扯了一堆，其实是因为正文很少2333。
首先是一些学习资料，反正我肯定讲不了着么多，哈哈。
英文官网，但是需要翻墙：
http://tensorflow.org/
这两个是中文网站，算是翻译吧，但是有些没翻译，还有些翻译过时了：
http://www.tensorfly.cn/
http://wiki.jikexueyuan.com/project/tensorflow-zh/
某个博主写的，比较详细，不过有些地方也不适用。
你如果是按照上面中文网站的教程一步一步走的话，你无可避免的需要踩个坑，教程中给的安装指令是这个：
pip install https://storage.googleapis.com/tensorflow/mac/tensorflow-0.5.0-py2-none-any.whl
然而，这个版本是过时的，如果你安装了这个版本，后面很多指令都会不work，所以要用这个地址：
sudo pip install https://storage.googleapis.com/tensorflow/mac/tensorflow-r1.0-py2-none-any.whl
至少在我些博客的时候，他是最新的，当然，你最好去看一下Github上是否有更新的版本，github地址：https://github.com/tensorflow/tensorflow/tree/r1.0
如果有新的，把r1.0替换一下就行了，我也是猜的安装地址，如果它之后用了别的规则我也没办法～
我的建议是，如果遇到问题，多翻翻github吧，开源的好处……
另外一个比较坑的东西是Mnist数据集，没有这东西你是没法训练的，所以在教程里会让你去下这个东西，教程里有些代码同样是过时的……最好的方法就是直接去源码里找：
from tensorflow.examples.tutorials.mnist import input_data
#这里FLAGS.data_dir是参数传来的一个目录
#你可以设置为自己想要保存的目录
mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)然后，如果你没有翻墙，会发现这个数据集是无法下载下来的，没关系，还有办法～
源码里看一下上面read_data_sets的定义：
def read_data_sets(train_dir,
fake_data=False,
one_hot=False,
dtype=dtypes.float32,
reshape=True,
validation_size=5000):
if fake_data:
def fake():
return DataSet([], [], fake_data=True, one_hot=one_hot, dtype=dtype)
train = fake()
validation = fake()
test = fake()
return base.Datasets(train=train, validation=validation, test=test)
TRAIN_IMAGES = 'train-images-idx3-ubyte.gz'
TRAIN_LABELS = 'train-labels-idx1-ubyte.gz'
TEST_IMAGES = 't10k-images-idx3-ubyte.gz'
TEST_LABELS = 't10k-labels-idx1-ubyte.gz'
local_file = base.maybe_download(TRAIN_IMAGES, train_dir,
SOURCE_URL + TRAIN_IMAGES)
with open(local_file, 'rb') as f:
train_images = extract_images(f)
local_file = base.maybe_download(TRAIN_LABELS, train_dir,
SOURCE_URL + TRAIN_LABELS)
with open(local_file, 'rb') as f:
train_labels = extract_labels(f, one_hot=one_hot)
local_file = base.maybe_download(TEST_IMAGES, train_dir,
SOURCE_URL + TEST_IMAGES)
with open(local_file, 'rb') as f:
test_images = extract_images(f)
local_file = base.maybe_download(TEST_LABELS, train_dir,
SOURCE_URL + TEST_LABELS)
with open(local_file, 'rb') as f:
test_labels = extract_labels(f, one_hot=one_hot)
if not 0 <= validation_size <= len(train_images):
raise ValueError(
'Validation size should be between 0 and {}. Received: {}.'
.format(len(train_images), validation_size))
validation_images = train_images[:validation_size]
validation_labels = train_labels[:validation_size]
train_images = train_images[validation_size:]
train_labels = train_labels[validation_size:]
train = DataSet(train_images, train_labels, dtype=dtype, reshape=reshape)
validation = DataSet(validation_images,
validation_labels,
dtype=dtype,
reshape=reshape)
test = DataSet(test_images, test_labels, dtype=dtype, reshape=reshape)
return base.Datasets(train=train, validation=validation, test=test)还有里面maybe_download的定义：
def maybe_download(filename, work_directory, source_url):
"""Download the data from source url, unless it's already here.
Args:
filename: string, name of the file in the directory.
work_directory: string, path to working directory.
source_url: url to download from if file doesn't exist.
Returns:
Path to resulting file.
"""
if not gfile.Exists(work_directory):
gfile.MakeDirs(work_directory)
filepath = os.path.join(work_directory, filename)
if not gfile.Exists(filepath):
temp_file_name, _ = urlretrieve_with_retry(source_url)
gfile.Copy(temp_file_name, filepath)
with gfile.GFile(filepath) as f:
size = f.size()
print('Successfully downloaded', filename, size, 'bytes.')
return filepath
这两段代码就清楚了，我们需要这四个文件：
‘train-images-idx3-ubyte.gz’
‘train-labels-idx1-ubyte.gz’
‘t10k-images-idx3-ubyte.gz’
‘t10k-labels-idx1-ubyte.gz’
然后把它放在你自己定的目录下就行了。
这个数据集可以在这个gitbu里找到。
https://github.com/csuldw/MachineLearning/tree/master/dataset/MNIST
到现在为止，应该你的识别手写数字的sample就可以跑起来了～
