【吴恩达deeplearning.ai】深度学习(5)：TensorFlow

每次都从零开始全部靠自己去建立一个深层神经网络模型并不现实，借助现在众多流行的深度学习框架，能够高效地实现这些模型。TensorFlow便是其中之一。

TensorFlow

TensorFlow是Google基于DistBelief进行研发的第二代人工智能学习系统，是一个使用数据流图进行数值计算的开源软件库。其命名来源于本身的运行原理，Tensor(张量)意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow便意为张量从流图的一端流动到另一端计算过程。TensorFlow 中包含了一款强大的线性代数编译器XLA，这可以帮助TensorFlow代码在嵌入式处理器、CPU（Central Processing Unit）、GPU（Graphics Processing Unit）、TPU（Tensor Processing Unit）和其他硬件平台上尽可能快速地运行。

版本选择

TensorFlow分为CPU版和GPU版。GPU版需要有NVIDIA显卡的支持，TensorFlow程序通常在GPU上的运行速度明显高于CPU，查看设备是否配备了NVIDIA显卡方法另寻。

如果设备配备了NVIDIA显卡，还需根据显卡的具体型号，到NVIDIA官方文档上找到你的GPU，查看其该型号的N卡是否支持CUDA（Compute Unified Device Architecture），以及CUDA算力（Computer Capability）。TensorFlow要求GPU的CUDA计算能力值达到3.0以上，否则比直接CPU上运算的效果相差不大。一些年份较早或比较低端的显卡达不到这个要求，这种情况下即使安装了GPU版本也还是会调用CPU运算，不会调用GPU。

安装

TensorFlow的Python版本一般直接使用pip命令进行安装，CPU版本的pip安装命令为：

pip install --upgrade tensorflow

GPU版本为：

pip install --upgrade tensorflow-gpu

安装GPU版本后想要用N卡正常运行，需要先安装CUDA® Toolkit和cuDNN，根据各自的平台进行下载安装。而且需要注意，下载安装的版本务必按照安装好的TensorFlow支持的版本来。

测试

安装完成后，打开在命令行或终端中激活Python，输入以下代码：

# Python
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

安装无误的话，最后将打印出熟悉的“Hello, TensorFlow!”。此外，如果安装的是GPU版，输入第三行代码后将显示你的GPU配置信息。

实现MNIST手写数字识别

MNIST数据集

MNIST（Mixed National Institute of Standards and Technology database）是一个入门级的计算机视觉数据集，其中包含各种手写数字图片：

上面的四张图的标签（labels）分别为5,0,4,1。

MNIST数据集被分为三部分：55000个训练样本（mnist.train),10000个测试样本（mnist.test),5000个验证集（mnist.validation)。每个样本由两部分组成，一个大小为28*28的手写数字图片像素值矩阵$x$以及它的标签$y$，标签$y$是用one-hot向量表示的，一张数字图片中的真实数字值n,将表示成一个只在第n维度的数字为1的10位维向量。例如，标签3用one—hot向量表示为$[0,0,0,1,0,0,0,0,0,0]$。one-hot编码多用在多分类问题上。

则整个训练样本中