TensorFlow 是由谷歌構建的用于訓練神經網絡的開源機器學習軟件。TensorFlow 的神經網絡以有狀態數據流圖的形式表示。圖中的每個節點表示神經網絡在多維數組上執行的操作。這些多維數組通常稱為“張量(tensors)”，因此命名為“TensorFlow”。

TensorFlow 是一個深度學習軟件系統。根據谷歌機器學習人工智能系統中的排名(RankBrain)，TensorFlow 可以很好地用于信息檢索。TensorFlow 可以執行圖像識別，如谷歌的?Inception，以及人類語言的音頻識別。它也有助于解決其他不特定于機器學習的問題，如偏微分方程。

TensorFlow 架構允許部署在桌面、服務器或移動設備中的多個 CPU 或 GPU?上。還有與?CUDA?集成的擴展，CUDA 是 Nvidia 的一個并行計算平臺。它可讓部署在 GPU 上的用戶直接訪問虛擬指令集和 GPU 的其他元素，這對于并行計算任務是必需的。

在本教程中，您將安裝“只支持 CPU”的 TensorFlow 版本。這對于那些想要安裝和使用 TensorFlow 的人來說是非常理想的，不需要依賴 Nvidia 顯卡或者不需要運行關鍵性能的應用程序。

您可以通過以下幾種方式安裝 TensorFlow。每種方法都有不同的用例和開發環境：

Python 和 Virtualenv：在此方法中，您將安裝 TensorFlow 并在 Python 虛擬環境中使用 TensorFlow 所需的所有包。這將把您的 TensorFlow 環境與同一臺機器上的其他 Python 程序隔離開來。

Native pip：在此方法中，您將在系統全局中安裝 TensorFlow。這是推薦給多用戶系統上使用 TensorFlow 的那些人。這種安裝方法不會在包環境中隔離 TensorFlow，并且可能會干擾其他 Python 安裝或庫。

Docker：Docker 是一個容器運行時環境，它將內容完全隔離在系統上預先存在的包中。在這個方法中，您使用包含 TensorFlow 及其所有依賴項的 Docker 容器。這種方法非常適合將 TensorFlow 合并到已經使用 Docker 的更大的應用程序體系結構中。但是這樣做的話 Docker 鏡像將相當大。

在本教程中，您將在 Python 虛擬環境 virtualenv 中安裝 TensorFlow。該方法將 TensorFlow 安裝隔離，并快速啟動和運行。一旦完成安裝，您將通過運行一個簡單的 TensorFlow 程序來驗證安裝是否成功，然后使用 TensorFlow 來執行圖像識別。

安裝準備

在開始本教程之前，您需要準備以下內容:

一個至少 1GB 內存的 Ubuntu 16.04 服務器，根據?Ubuntu 16.04 初始化服務器設置指南進行設置，包括 sudo 非 root 用戶和防火墻。您需要至少 1GB 內存的系統才能成功地完成本教程的最后一個示例。

安裝 Python 3.3 或更高版本以及虛擬環境 virtualenv。按照如何在 Ubuntu 16.04 上安裝 Python 3?教程以配置 Python 和 virtualenv。

安裝 Git，您可以通過以下方式來實現，如何在 Ubuntu 16.04 上安裝 Git。您將使用它來下載一個示例存儲庫。
?

步驟 1 — 安裝 TensorFlow

在此步驟中，我們將創建一個虛擬環境并安裝 TensorFlow。

首先，創建一個名為?tf-demo?的項目目錄：

$?mkdir?~/tf-demo

導航到新創建的?tf-demo?目錄下：

$?cd?~/tf-demo

然后創建一個名為?tensorflow-dev?的新虛擬環境。運行以下命令創建環境：

$?python3?-m?venv?tensorflow-dev

這將創建一個新的?tensorflow-dev?目錄，該目錄將包含環境被激活時需要安裝的所有包。它還包括?pip?和一個獨立版本的 Python。

現在激活你的虛擬環境：

$?source?tensorflow-dev/bin/activate

一旦激活，你將會在你的終端看到如下內容：

(tensorflow-dev)username@hostname:~/tf-demo?$

現在可以在虛擬環境中安裝 TensorFlow。

運行以下命令安裝和升級到?PyPi?中最新版本的 TensorFlow：

(tensorflow-dev)?$?pip3?install?--upgrade?tensorflow

TensorFlow 將開始安裝：

OutputCollecting?tensorflow??Downloading?tensorflow-1.4.0-cp36-cp36m-macosx_10_11_x86_64.whl?(39.3MB)????100%?|████████████████████████████████|?39.3MB?35kB/s...Successfully?installed?bleach-1.5.0?enum34-1.1.6?html5lib-0.9999999?markdown-2.6.9?numpy-1.13.3?protobuf-3.5.0.post1?setuptools-38.2.3?six-1.11.0?tensorflow-1.4.0?tensorflow-tensorboard-0.4.0rc3?werkzeug-0.12.2?wheel-0.30.0

如果你希望隨時關閉虛擬環境，使用下面的命令：

$?deactivate

如果要重新激活環境，導航至項目目錄并運行?source?tensorflow-dev/bin/activate.

現在，您已經安裝了 TensorFlow，讓我們確認一下 TensorFlow 是否安裝成功。
?

步驟 2 — 驗證安裝是否成功

為了驗證 TensorFlow 是否安裝成功，我們將在 TensorFlow 中使用非 root 用戶權限運行一個的簡單程序。我們將使用慣用的初學者示例"Hello, world!"作為一種驗證形式來驗證。我們將使用 Python 的交互式控制臺(Python's interactive console)來創建這個程序，而不是創建一個 Python 文件。

要編寫程序，請啟動 Python 解釋器：

(tensorflow-dev)?$?python

您將會在終端看到如下的提示

>>>

這是 Python 解釋器的提示符，這表明它已經準備好讓您開始輸入一些 Python 語句。

首先，輸入這一行代碼來導入 TensorFlow 包，并將其作為本地變量?tf。輸入代碼后按回車鍵：

>>>?import?tensorflow?as?tf

接下來，添加這行代碼來設置信息"Hello, world!"：

>>>?hello?=?tf.constant("Hello,?world!")

然后創建一個新的 TensorFlow 會話并將其分配給變量?sess：

>>>?sess?=?tf.Session()

注意：根據您的環境，您可能會看到如下輸出:

Output2017-06-18?16:22:45.956946:?W?tensorflow/core/platform/cpu_feature_guard.cc:45]?The?TensorFlow?library?wasn't?compiled?to?use?SSE4.1?instructions,?but?these?are?available?on?your?machine?and?could?speed?up?CPU?computations.2017-06-18?16:22:45.957158:?W?tensorflow/core/platform/cpu_feature_guard.cc:45]?The?TensorFlow?library?wasn't?compiled?to?use?SSE4.2?instructions,?but?these?are?available?on?your?machine?and?could?speed?up?CPU?computations.2017-06-18?16:22:45.957282:?W?tensorflow/core/platform/cpu_feature_guard.cc:45]?The?TensorFlow?library?wasn't?compiled?to?use?AVX?instructions,?but?these?are?available?on?your?machine?and?could?speed?up?CPU?computations.2017-06-18?16:22:45.957404:?W?tensorflow/core/platform/cpu_feature_guard.cc:45]?The?TensorFlow?library?wasn't?compiled?to?use?AVX2?instructions,?but?these?are?available?on?your?machine?and?could?speed?up?CPU?computations.2017-06-18?16:22:45.957527:?W?tensorflow/core/platform/cpu_feature_guard.cc:45]?The?TensorFlow?library?wasn't?compiled?to?use?FMA?instructions,?but?these?are?available?on?your?machine?and?could?speed?up?CPU?computations.

這告訴你，你有一個指令集(instruction set)，它可以繼續優化，以獲得更好的 TensorFlow 性能。如果你看到這個，你可以放心地忽略它并繼續下面的步驟。

最后，輸入這一行代碼，打印出在之前的代碼行中構建的?hello?TensorFlow 會話的結果：

>>>?print(sess.run(hello))

您將在控制臺中看到如下輸出：

OutputHello,?world!

這表明一切都正常，您可以開始使用 TensorFlow 來做一些有趣的事情。

通過按下?CTRL+D?退出 Python 交互式控制臺。

現在讓我們使用 TensorFlow 的圖像識別 API 來熟悉 TensorFlow 吧。
?

步驟3 — 使用 TensorFlow 進行圖像識別

現在已經安裝了 TensorFlow，通過運行一個簡單的程序來驗證一下，讓我們看看 TensorFlow 的圖像識別功能。

為了給圖像分類，你需要訓練一個模型。然后您需要編寫一些代碼來使用該模型。要了解更多有關這些概念的知識，您可以看一看機器學習的介紹 (An Introduction to Machine Learning)。

TensorFlow 提供了模型和示例的存儲庫，包括代碼和用于對圖像進行分類的訓練模型。

使用 Git 將 TensorFlow 模型倉庫從 GitHub 克隆到您的項目目錄中：

(tensorflow-dev)?$?git?clone?https://github.com/tensorflow/models.git

當 Git 將存儲庫檢出新文件夾?models?時，您將看到以下輸出：

OutputCloning?into?'models'...remote:?Counting?objects:?8785,?done.remote:?Total?8785?(delta?0),?reused?0?(delta?0),?pack-reused?8785Receiving?objects:?100%?(8785/8785),?203.16?MiB?|?24.16?MiB/s,?done.Resolving?deltas:?100%?(4942/4942),?done.Checking?connectivity...?done.

切換到?models/tutorials/image/imagenet?目錄：

(tensorflow-dev)?$?cd?models/tutorials/image/imagenet

此目錄包含?classify_image.py?文件，它使用 TensorFlow 來識別圖像。這個程序在第一次運行時會從?tensorflow.org?下載一個經過訓練的模型。下載該模型需要您的磁盤有 200MB 的可用空間。

在本例中，我們將對預處理好的熊貓圖像進行分類。執行這條命令以運行圖像分類器程序：

(tensorflow-dev)?$?python?classify_image.py

您將看到以下輸出：

Outputgiant?panda,?panda,?panda?bear,?coon?bear,?Ailuropoda?melanoleuca?(score?=?0.89107)indri,?indris,?Indri?indri,?Indri?brevicaudatus?(score?=?0.00779)lesser?panda,?red?panda,?panda,?bear?cat,?cat?bear,?Ailurus?fulgens?(score?=?0.00296)custard?apple?(score?=?0.00147)earthstar?(score?=?0.00117)

您已經使用了 TensorFlow 的圖像識別功能對您的第一個圖像進行了分類。

如果您想要使用另一個圖像，可以通過將?-- image_file?參數添加到?python3 classify_image.py?中來實現。對于這個參數，您將需要傳入圖像文件的絕對路徑。
?

最后

您已經在 Python 虛擬環境中安裝了 TensorFlow，并通過運行幾個示例驗證了 TensorFlow 的運行情況。現在您擁有了一些工具，它們可以讓您探索其他項目，包括卷積神經網絡和?Word Embeddings。

TensorFlow 的開發者指南是個非常好的資源和手冊。您還可以探索?Kaggle，這是一個檢驗機器學習概念實際應用的競爭平臺，您與其他機器學習、數據科學和統計愛好者進行競賽。他們有一個優秀的維基主頁，你可以看到和分享一些解決方案，其中一些是在統計和機器學習技術的前沿思想。

?