搭建TensorFlow环境

搭建TensorFlow环境

一、实验介绍

1.1 实验内容

TensorFlow 是 Google 开发的一款神经网络的 Python 外部的结构包，也是一个采用 数据流图 来进行数值计算的开源软件库。它被用于语音识别或图像识别等多项机器深度学习领域，它可在小到一部智能手机、大到数千台数据中心服务器的各种设备上运行。

本实验学习 TensorFlow 的基础操作，并用其实现经典的 卷积神经网络 （Convolutional Neural Networks，CNN）。

在本节实验中，我们不会再对 神经网络 以及 卷积神经网络 基本概念作出详细的解释，所以在学习本门课程之前，你需要具备神经网络及卷积神经网的基础， 1.4 先修课程 会帮助你达到这些要求，当然，如果你具备深度学习的基础，那么你可以选择跳过这些课程，直接开始本节实验。那么，现在就让我们一起开启 TensorFlow 的大门，成为一名 “TF-Boy” 吧！

1.2 实验知识点

• 数据流图
• TensorFlow基本使用
• 搭建 TensorFlow 环境

1.3 实验环境

• python2.7
• TensorFlow
• Xfce终端

二、 开始 TensorFlow

2.1 为什么学习TensorFlow?

TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。

TensorFlow 无可厚非地能被认定为神经网络中最好用的库之一，它擅长的任务就是训练深度神经网络。通过使用 TensorFlow 我们就可以快速的入门神经网络，大大降低深度学习（也就是深度神经网络）的开发成本和开发难度；TensorFlow 的开源性让所有人都能使用并且维护、 巩固它，使它能迅速更新, 发展。

虽然可能有些人说 caffe 更适合图像，mxnet 效率更高等等，但其实这些框架一通百通，唯独语法不同而已，所以我们不必在此纠结过多。那么让我们从tensorflow开始吧。

2.2 Tensorflow 处理结构

TensorFlow 让我们可以先绘制计算结构图，也可以称是一系列可人机交互的计算操作， 然后把编辑好的Python文件转换成更高效的 C++，并在后端进行计算。

TensorFlow 首先要定义神经网络的结构，然后再把数据放入结构当中去运算和training

下面动图展示了 TensorFlow 数据处理流程：

因为TensorFlow是采用 数据流图（data flow graphs）来计算， 所以首先我们得创建一个数据流图，然后再将我们的数据（数据以 张量(tensor) 的形式存在）放到数据流图中计算。

图中的 节点（Nodes）一般用来表示施加的数学操作，但也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点；线（edges）则表示在节点间相互联系的多维数据数组，即 张量（tensor），训练模型时，tensor 会不断的从数据流图中的一个节点 flow 到另一节点, 这就是 TensorFlow 名字的由来。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行地执行运算。

它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。

2.3 Tensorflow 基本使用

使用 TensorFlow，你必须明白 TensorFlow：

• 使用图 (graph) 来表示计算任务
• 在被称之为 会话 (Session) 的上下文 (context) 中执行图
• 使用 tensor 表示数据
• 通过 变量 (Variable) 维护状态
• 使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据

2.3.1 概要

TensorFlow 使用图来表示计算任务，图中的节点被称之为 op (operation 的缩写)。一个 op 获得 0 个或多个 tensor，执行计算产生 0 个或多个 tensor，每个 tensor 是一个类型化的多维数组。例如，你可以将一小组图像集表示为一个四维浮点数数组， 这四个维度分别是 [batch, height, width, channels]。

一个 TensorFlow 图描述了计算的过程。 为了进行计算，图必须在 Session 里被启动。Session 将图的 op 分发到诸如 CPU 或 GPU 之类的设备上&#x