來源：ApacheCN《Sklearn 與 TensorFlow 機器學習實用指南》翻譯項目

譯者：@akonwang @WilsonQu

校對：@Lisanaaa @飛龍

TensorFlow 是一款用于數(shù)值計算的強大的開源軟件庫，特別適用于大規(guī)模機器學習的微調。 它的基本原理很簡單：首先在 Python 中定義要執(zhí)行的計算圖（例如圖 9-1），然后 TensorFlow 使用該圖并使用優(yōu)化的 C++ 代碼高效運行該圖。

最重要的是，Tensorflow 可以將圖分解為多個塊并在多個 CPU 或 GPU 上并行運行（如圖 9-2 所示）。 TensorFlow 還支持分布式計算，因此您可以在數(shù)百臺服務器上分割計算，從而在合理的時間內在龐大的訓練集上訓練龐大的神經(jīng)網(wǎng)絡（請參閱第 12 章）。 TensorFlow 可以訓練一個擁有數(shù)百萬個參數(shù)的網(wǎng)絡，訓練集由數(shù)十億個具有數(shù)百萬個特征的實例組成。 這應該不會讓您吃驚，因為 TensorFlow 是 由Google 大腦團隊開發(fā)的，它支持谷歌的大量服務，例如 Google Cloud Speech，Google Photos 和 Google Search。

當 TensorFlow 于 2015 年 11 月開放源代碼時，已有許多深度學習的流行開源庫（表 9-1 列出了一些），公平地說，大部分 TensorFlow 的功能已經(jīng)存在于一個庫或另一個庫中。 盡管如此，TensorFlow 的整潔設計，可擴展性，靈活性和出色的文檔（更不用說谷歌的名字）迅速將其推向了榜首。 簡而言之，TensorFlow 的設計靈活性，可擴展性和生產(chǎn)就緒性，現(xiàn)有框架可以說只有其中三種可用。 這里有一些 TensorFlow 的亮點：

• 它不僅在 Windows，Linux 和 MacOS 上運行，而且在移動設備上運行，包括 iOS 和 Android。

  它提供了一個非常簡單的 Python API，名為 TF.Learn2（tensorflow.con trib.learn），與 Scikit-Learn 兼容。正如你將會看到的，你可以用幾行代碼來訓練不同類型的神經(jīng)網(wǎng)絡。之前是一個名為 Scikit Flow（或 Skow）的獨立項目。

• 它還提供了另一個簡單的稱為 TF-slim（tensorflow.contrib.slim）的 API 來簡化構建，訓練和求出神經(jīng)網(wǎng)絡。

• 其他幾個高級 API 已經(jīng)在 TensorFlow 之上獨立構建，如 Keras 或 Pretty Tensor。

• 它的主要 Python API 提供了更多的靈活性（以更高復雜度為代價）來創(chuàng)建各種計算，包括任何你能想到的神經(jīng)網(wǎng)絡結構。

• 它包括許多 ML 操作的高效 C ++ 實現(xiàn)，特別是構建神經(jīng)網(wǎng)絡所需的 C++ 實現(xiàn)。還有一個 C++ API 來定義您自己的高性能操作。

• 它提供了幾個高級優(yōu)化節(jié)點來搜索最小化損失函數(shù)的參數(shù)。由于 TensorFlow 自動處理計算您定義的函數(shù)的梯度，因此這些非常易于使用。這稱為自動分解（或autodi）。

• 它還附帶一個名為 TensorBoard 的強大可視化工具，可讓您瀏覽計算圖表，查看學習曲線等。

• Google 還推出了云服務來運行 TensorFlow 表。

• 最后，它擁有一支充滿熱情和樂于助人的開發(fā)團隊，以及一個不斷成長的社區(qū)，致力于改善它。它是 GitHub 上最受歡迎的開源項目之一，并且越來越多的優(yōu)秀項目正在構建之上（例如，查看 https://www.tensorflow.org/ 或 https://github.com/jtoy/awesome-tensorflow）。 要問技術問題，您應該使用 http://stackoverflow.com/ 并用tensorflow標記您的問題。您可以通過 GitHub 提交錯誤和功能請求。有關一般討論，請加入 Google 小組。

在本章中，我們將介紹 TensorFlow 的基礎知識，從安裝到創(chuàng)建，運行，保存和可視化簡單的計算圖。 在構建第一個神經(jīng)網(wǎng)絡之前掌握這些基礎知識很重要（我們將在下一章中介紹）。

閱讀全文：http://t.cn/RuoEFFU