# Python 深度学习库 TensorFlow 简介 > 原文： [https://machinelearningmastery.com/introduction-python-deep-learning-library-tensorflow/](https://machinelearningmastery.com/introduction-python-deep-learning-library-tensorflow/) TensorFlow 是一个用于 Google 创建和发布的快速数值计算的 Python 库。 它是一个基础库，可用于直接创建深度学习模型，或使用包装库来简化在 TensorFlow 之上构建的过程。 在这篇文章中，您将学习用于深度学习的 TensorFlow 库。 在我的[新书](https://machinelearningmastery.com/deep-learning-with-python/)中，通过 18 个渐进式的教程和 9 个项目，探索如何用几行代码为一系列预测建模问题开发深度学习模型。 让我们开始吧。  Python 深度学习库简介 TensorFlow 摄影： [Nicolas Raymond](https://www.flickr.com/photos/82955120@N05/15932303392/) ，保留权利。 ## 什么是 TensorFlow？ TensorFlow 是一个用于快速数值计算的开源库。 它由 Google 创建并维护，并在 Apache 2.0 开源许可下发布。虽然可以访问底层的 C ++ API，但 API 名义上是用于 Python 编程语言的。 与 Theano 等深度学习中使用的其他库不同，TensorFlow 设计用于研究和开发以及企业生产环境系统，尤其是 [谷歌搜索RankBrain项目 ](https://en.wikipedia.org/wiki/RankBrain) 和有趣的[DeepDream 项目](https://en.wikipedia.org/wiki/DeepDream) ]。 它可以在单 CPU 系统，GPU 以及移动设备和数百台机器的大规模分布式系统上运行。 ## 如何安装 TensorFlow 如果您已经拥有 Python SciPy 环境，那么 TensorFlow 的安装非常简单。 TensorFlow 适用于 Python 2.7 和 Python 3.3+。您可以按照 TensorFlow 网站上的[下载和设置说明](https://www.tensorflow.org/versions/r0.8/get_started/os_setup.html)进行操作。通过 PyPI 进行安装可能是最简单的，并且下载和设置网页上有用于 Linux 或 Mac OS X 平台的 pip 命令的特定说明。 如果您愿意，还可以使用 [虚拟机环境](http://docs.python-guide.org/en/latest/dev/virtualenvs/) 和[docker镜像](https://www.docker.com/)。 只有Linux系统支持GPU,并且还需要安装Cuda工具包。 ## 使用TensorFlow创建第一个示例 根据有向图的结构中的数据流和操作来描述计算。 * **节点**：节点执行计算并具有零个或多个输入和输出。在节点之间移动的数据称为张量，它是实数值的多维数组。 * **边界** ：该图定义了数据流，分支，循环和状态更新。特殊边缘可用于同步图形中的行为，例如等待完成多个输入的计算。 * **操作**：一个操作是一个命名的抽象计算，它可以获取输入属性并产生输出属性。例如，您可以定义加法或乘法操作。 ### 使用 TensorFlow 计算 第一个示例是 [TensorFlow](https://github.com/tensorflow/tensorflow)上的示例的修改版本。它向你展示了如何创建一个session，在这个session中定义常量并使用常量进行计算。 ```py import tensorflow as tf sess = tf.Session() a = tf.constant(10) b = tf.constant(32) print(sess.run(a+b)) ``` 运行此示例显示： ```py 42 ``` ### 使用 TensorFlow 进行线性回归 第二个示例来自 [TensorFlow 教程](https://www.tensorflow.org/versions/r0.8/get_started/index.html)的介绍。 此示例显示了如何定义变量（例如 W 和 b）以及变量（y）接收结果输出。 我们对 TensorFlow 有一定的了解，它将计算的定义和声明与session中的执行和运行调用分开。 ```py import tensorflow as tf import numpy as np # Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3 x_data = np.random.rand(100).astype(np.float32) y_data = x_data * 0.1 + 0.3 # Try to find values for W and b that compute y_data = W * x_data + b # (We know that W should be 0.1 and b 0.3, but Tensorflow will # figure that out for us.) W = tf.Variable(tf.random_uniform([1], -1.0, 1.0)) b = tf.Variable(tf.zeros([1])) y = W * x_data + b # Minimize the mean squared errors. loss = tf.reduce_mean(tf.square(y - y_data)) optimizer = tf.train.GradientDescentOptimizer(0.5) train = optimizer.minimize(loss) # Before starting, initialize the variables. We will 'run' this first. init = tf.initialize_all_variables() # Launch the graph. sess = tf.Session() sess.run(init) # Fit the line. for step in xrange(201): sess.run(train) if step % 20 == 0: print(step, sess.run(W), sess.run(b)) # Learns best fit is W: [0.1], b: [0.3] ``` 运行此示例将输出以下内容： ```py (0, array([ 0.2629351], dtype=float32), array([ 0.28697217], dtype=float32)) (20, array([ 0.13929555], dtype=float32), array([ 0.27992988], dtype=float32)) (40, array([ 0.11148042], dtype=float32), array([ 0.2941364], dtype=float32)) (60, array([ 0.10335406], dtype=float32), array([ 0.29828694], dtype=float32)) (80, array([ 0.1009799], dtype=float32), array([ 0.29949954], dtype=float32)) (100, array([ 0.10028629], dtype=float32), array([ 0.2998538], dtype=float32)) (120, array([ 0.10008363], dtype=float32), array([ 0.29995731], dtype=float32)) (140, array([ 0.10002445], dtype=float32), array([ 0.29998752], dtype=float32)) (160, array([ 0.10000713], dtype=float32), array([ 0.29999638], dtype=float32)) (180, array([ 0.10000207], dtype=float32), array([ 0.29999897], dtype=float32)) (200, array([ 0.1000006], dtype=float32), array([ 0.29999971], dtype=float32)) ``` 您可以在[基本使用指南](https://www.tensorflow.org/versions/r0.8/get_started/basic_usage.html)中了解有关 TensorFlow 的更多信息。 ## 更多深度学习模型 您的 TensorFlow 安装包中附带了许多深度学习模型，您可以直接使用它们。 首先，您需要找到 TensorFlow 的安装位置。例如，您可以使用以下 Python 脚本： ```py python -c 'import os; import inspect; import tensorflow; print(os.path.dirname(inspect.getfile(tensorflow)))' ``` 例如，它可能是这样的： ```py /usr/lib/python2.7/site-packages/tensorflow ``` 切换到此目录并记下 models 子目录。包括许多深度学习模型，包含类似教程的注释，例如： * 多线程 word2vec 小批量skip-gram模型。 * 多线程 word2vec 全量 skip-gram 模型。 * CNN CIFAR-10 网络。 * 简单，端到端，类似 LeNet-5 的卷积 MNIST 模型示例。 * Seq2seq模型。 还要检查 examples 目录，因为它包含使用 MNIST 数据集的示例。 在 TensorFlow 主网站上还有一个很全好的[教程列表](https://www.tensorflow.org/versions/r0.8/tutorials/index.html)。它们展示了如何使用不同的网络类型，不同的数据集以及如何以各种不同的方式使用框架。 最后，有 [TensorFlow实验室](http://playground.tensorflow.org/)，您可以在 Web 浏览器中试验小型网络。 ## TensorFlow 资源 * [TensorFlow 官方主页](https://www.tensorflow.org/) * [GitHub 上的 TensforFlow 项目](https://github.com/tensorflow/tensorflow) * [TensorFlow 教程](https://www.tensorflow.org/versions/r0.7/tutorials/index.html) ### 更多资源 * [关于 Udacity 的 TensorFlow 课程](https://www.udacity.com/course/deep-learning--ud730) * [TensorFlow：异构分布式系统上的大规模机器学习](http://download.tensorflow.org/paper/whitepaper2015.pdf)（2015） ## 摘要 在这篇文章中，您发现了用于深度学习的 TensorFlow Python 库。 您了解到它是一个快速数值计算库，专门为大型深度学习模型的开发和评估所需的操作类型而设计。 您对 TensorFlow 或者这篇文章有任何疑问吗？在评论中提出您的问题，我会尽力回答。