为什么选择TensorFlow?
自从12年AlexNet获得ImageNet大赛的冠军后，深度学习开始流行起来，也因为硬件的快速发展GPU并行计算配合易用的API，让深度学习以及神经网络大放光彩。
深度学习的框架其实有很多，目前来说最火的还要数Pytorch、TensorFlow以及Keras。其中Pytorch比较适合学术研究，自己搞着玩，如果工业实践就不太适合了。TensorFlow由于时间比较久，学起来比较困难，不过有完整的开发、部署方案，还有大量的github项目可供参考。Keras则是TensorFlow的一个高级API，同类的还有TensorFlow的TFLearn等等。
总结来说，如果你是学生，只是为了论文或者学习，那么推荐Pytorch；如果你是公司的开发者，想要在业务中使用深度学习，推荐直接使用TensorFlow，如果使用最新的1.12，那么官方的示例里面就已经是Keras了；如果你是从github上面下载了源码想要学习，那就得去学习对应版本的TensorFlow API了。
在总结一下Tensoflow的优点：
- 易用性：有对应Python的API
- 可移植性：一套代码就可以适应单个或者多个CPU、GPU、移动设备等
- 灵活性：可以部署在树莓派、安卓、windows、ios、linux等上
- 可视化：有tensorboard提供开发的可视化界面，方便跟踪调参
- 检查点：可以通过检查点记录保存实验数据
- 自动微积分：自动求解梯度
- 庞大的社区：一年内拥有10000+的开发者，3000+的项目
- 大量基于TensorFlow的项目代码
使用TensorFlow的公司包括：Google，OpenAI，DeepMind，SnapChat，Airbus，eBay等
基于TensorFlow可以做很多事情，比如图像CV、自然语言处理NLP、语音识别等等。
基础知识
1. 简化的API
下面就来学习下TensorFlow的基础知识，TensorFlow不仅提供了基础的语法，还提供了一些简化的API：
- TF Learn，tf.contrib.learn，基于scikit-learn风格的API
- TF Slim，tf.contrib.slim，轻量级的tf构建API，可以自动配置默认值，简化使用
- Keras，更高级更抽象的API，使用Keras之后，就像叠积木一样创建模型，不过对于背后的原理隐藏的太深太深...
2. 数据流图
如果做过大数据或者接触过java8的流计算，对这种数据流图应该比较了解。就是我们在程序执行前，先构建好计算的流程框架，然后执行的时候现去读取数据分配资源执行计算。这样一方面把构建与计算分离，另一方面也可以代码自己做更深的优化。
比如上面的数据流图中，事先定义好整个网络的结构，然后计算的时候直接传入5和3，就能得到结果23了。
3. Tensor张量
张量，不是张亮，更不是麻辣烫，它是一种高维数据的统称。比如：
- 0维的张量，我们也叫做标量scalar或者数字，
- 1维的张量，叫做向量vector
- 2维的张量，叫做矩阵matrix
因此TensorFlow，可以理解为Tensor+Flow，即张量的数据流。
4. 数据流图的例子
import tensorflow as tf
# 第一个例子，计算两个数的加法
a = tf.constant(2)
b = tf.constant(3)
x = tf.add(a, b)
with tf.Session() as sess:
print(sess.run(x))在上面的代码中，就构建了一个最基本的数据流图的计算例子。
其中
a = tf.constant(2)
b = tf.constant(3)
x = tf.add(a, b)就是在构建图。而想要拿到x的值，就必须新建一个session（这个时候才会分配资源），执行run方法（这个时候才会执行）。
5. tensorboard的使用
为了方便查看构建图，需要学会怎么使用TensorBoard。在上面的代码中，只需要增加Tensorboard的声明即可：
import tensorflow as tf
# 第一个例子，计算两个数的加法
a = tf.constant(2)
b = tf.constant(3)
x = tf.add(a, b)
with tf.Session() as sess:
writer = tf.summary.FileWriter('./graphs', sess.graph)
print(sess.run(x))
writer.close()然后在命令行中输入
tensorboard --logdir=/Users/xingoo/PycharmProjects/xxx/graphs登录localhost:6006就可以看到下面的内容。
可以看到左边有描述每个节点的意思，点击add后，可以到关于add节点的描述。由于构建的图很简单，就是两个数相加，因此整个图只有三个圈圈。并且按照默认的操作进行了命名。
6. 更复杂点的例子
增加以下图的复杂度，并且同时对两个结果计算：
import tensorflow as tf
# tf.constant(value, dtype=None, shape=None, name='Const', verify_shape=False)
a = tf.constant([1, 3], name="a")
b = tf.constant([[0, 1], [2, 3]], name="b")
x = tf.add(a, b, name="add")
y = tf.multiply(a, b, name="mul")
with tf.Session() as sess:
writer = tf.summary.FileWriter('./graphs', sess.graph)
x, y = sess.run([x, y])
print(x)
print(y)
writer.close()由于x、y是独立运算没有什么交集，因此在图中，他们是独立的两个操作。
7. 关于图
回头再来看看tensorFlow中的图到底是什么呢？当使用第5部分中的代码构建graph时，可以直接输出graph的定义：
import tensorflow as tf
a = tf.constant(2)
b = tf.constant(3)
x = tf.add(a, b)
with tf.Session() as sess:
print(sess.graph.as_graph_def())得到如下的内容：
node {
name: "Const"
op: "Const"
attr {
key: "dtype"
value {
type: DT_INT32
}
}
attr {
key: "value"
value {
tensor {
dtype: DT_INT32
tensor_shape {
}
int_val: 2
}
}
}
}
node {
name: "Const_1"
op: "Const"
attr {
key: "dtype"
value {
type: DT_INT32
}
}
attr {
key: "value"
value {
tensor {
dtype: DT_INT32
tensor_shape {
}
int_val: 3
}
}
}
}
node {
name: "Add"
op: "Add"
input: "Const"
input: "Const_1"
attr {
key: "T"
value {
type: DT_INT32
}
}
}
versions {
producer: 26
}每个node基本都包含下面你的内容：
{
name：我们自己起的名字，如果没有则是op+自增的数,
op：操作
attr: 类型
attr：值 {
形状、初始值
}
}通过上面的json，就能完美的组合出web中看到的图了。
至于graph到底怎么用，就看后面一节课的内容吧。