TensorFlow初印象

在人工智能如此大热的时候，Google选择将TensorFlow开源可谓是明智之举。TensorFlow一方面可以通过开源使得更多的开发者参与完善这个框架，另一方面也可以降低人工智能深度学习、机器学习的门槛，这对Google和使用者来说都是一个双赢的局面。 - TensorFlow既是一个实现机器学习算法的接口，同时也是执行机器学习算法的框架。 - TensorFlow使用数据流式图来规划计算流程，可以将计算映射到不同的硬件和操作系统平台。 核心概念 - TensorFlow中的计算表示为一个有向图(directed graph)或者计算图(computation graph)，每一个操作运行(operation)作为一个节点(node)，节点与节点之间的连接成为边(edge)。 - 计算图描述了数据的计算流程，也负责维护和更新状态，用户可以对计算图的分支进行条件控制或循环操作。每一个节点都描述了一种运算操作，可以有任意多的输入和输出，节点可以算是操作运算的实例化结果。 - 在计算图的边中流动(flow)的数据成为张量(tensor)，因此这个框架称之为TensorFlow。 - TensorFlow为训练和预测的共同部分提供了一个恰当的抽象。 - TensorFlow支持分布式运算和单机运算。 - 在使用梯度下降(gradient descent)等机器学习的时候，TensorFlow可以帮助我们自动求解梯度(gradient)，不用我们手动实现BP算法(Backpropagation)。 - TensorFlow通过数据并行、模型并行、流水线并行的并行计算模式来对神经网络的训练进行加速。 用一个例子说明

以上图的运算流程为例，一个完整的tensorflow运算流程如下：

import tensorflow as tf
b = tf.Variable(tf.zeros([100]))    #生成100维的向量，初始化为0
w = tf.Variable(tf.random_uniform([784,100],-1,1))  #生成784*100的随机矩阵w
x = tf.placeholder(name = 'x')  #输入的Placeholder
relu = tf.nn.relu(tf.matmul(w,x)+b) #ReLU(wx+b)
C=[...]     #根据ReLU函数的结果计算Cost
s=tf.Session()
for step in range(0,100):
    input = ...construct 100-D input array... #为输入创建一个100维的向量
    result = s.run(C