一. TensorFlow介绍与安装
深度学习火的一塌糊涂，我们都知道TensorFlow是Google开源的一款人工智能学习库。我们来一起解读下tenrflow到底啥意思：Tensor的意思是张量，代表N维数组；Flow的意思是流，代表基于数据流图的计算。把N维数字从流图的一端流动到另一端的过程，就是人工智能神经网络进行分析和处理的过程。
1.1 TensorFlow介绍
TensorFlow的基本规则很简单，总体来说分两步：
首先，定义一个满足计算任务的图，图中有很多节点，接下来TensorFlow用优化后的C 代码进行高效的计算。我们来看一个简单的例子：
上图表示定义的一个简单方程计算任务，通过调用TensorFlow库便可以对该任务进行计算。我们知道，任何一门编程语言都可以进行计算如此简单的方程任务，那么我们为什么要用TensorFlow呢？
对于这个简单的方程计算，我们当然可以不用TensorFlow计算，这里我们作为一个例子来一起学习下为什么要用TensorFlow来计算。一个重要的因素就是，TensorFlow支持将一个图计算任务，拆分成多个块（如下图）：
然后通过多个CPU或GPU进行并行交叉运算，另外TensorFlow还支持分布式计算。因此我们在巨大的数据量的情况下训练庞大的神经网络的时候，就不会有那么大的压力。
在当前的深度学习库中，有很多开源的学习库，如下表：
我们为什么选择TensorFlow库呢？
我们详细看下TensorFlow有什么优势：
- 多平台运行，Windows，Linux，macOS，IOS和Android等
- 提供简单的Python API (TELearn²) 兼容SciKit-Learn机器学习库
- 提供简单API (TF-slim)去建立训练和评价神经网络模型
- 包含很多机器学习方法的高性能的C 优化代码
- 强大的可视化(TensorBoard)可以查看计算过程，比如学习曲线
- TensorFlow还可以在谷歌云上进行计算图
当然，TensorFlow的优势不只上面所列，还有很多，我们一起学习和发掘。
1.2 TensorFlow安装
安装TensorFlow在Python中和安装其他库类似，可以用pip进行安装，也可以直接在Pycharm或Anaconda中进行安装。当然，机器支持GPU的话，建议安装GPU版本。so easy, 这里不再详述。
二. TensorFlow之牛刀小试
上节讲到，对于TensorFlow的操作分为两个步骤，首先是创建图，然后计算。在这里我们一起学习创建图和运行的几种方法，管理图和节点的生命周期。
2.1 创建图
以上节描述的图为例，如何创建呢？如下代码，即创建了该方程计算图：
这里需要注意的一点就是，虽然代码看起来好像做了一些计算，特别是最后一行，上面的代码中仅仅是在默认图中添加了一些节点而已，并没有去计算函数的值，甚至连变量初始化都没有做。那么如何计算上面的图呢？
2.2 运行图的常见方法
- 为了计算上图方程，TensorFlow中需要开启一个session，并用这个session去初始化变量并且做最终计算。如下代码：
上面的方法有一个缺点，就是需要重复代码sess.run()来对变量进行初始化，并且需要手动关闭session，这样显得有些繁琐。
- 这里我们介绍一种略微方便的一种方法，如下：
在这个with语句中，这个sess被设置为默认的session，也就是说语句x.initializer.run()相当于tf.get_default_session().run(x.initializer)，并且f.eval()相当于调用tf.get_default_session().run(f)，这种运行图的方法比较易读，并且自动关闭session，不需要我们手动关闭。关于图的管理，下面会介绍。
- 上面介绍的两种运行图的方法都需要手动初始化每一个变量，但是对于大型的神经网络计算图来说，这无疑是自找麻烦，这里介绍一种自动初始化变量的方法：
在这个方法中，我们通过调用函数tf.global_variables_initializer()，代替了手动逐一初始化。但是这里需要注意的是，这个函数实际上并没有立即对变量进行初始化，而是在运行的时候才进行初始化。
- 其实在python或者在jupyter 中，一般更喜欢这样运行图：
这种创建session的方法设置自己是默认的session，并且需要手动关闭session。但是这样减少了with语句的应用，使得看起来更为简洁。
从上面的方法可以看出，一个TensorFlow的程序明显的分为两部分，第一部分是创建一个计算图也称为创建阶段，第二部分是计算该图，也称为执行阶段。创建阶段一般是创建一个机器学习需要训练的模型，而执行阶段一般是执行训练过程。下节我们将会看到一实例。
2.3 图的管理
对于我们创建的任何一个节点，都会放到默认的图中（系统会默认创建一个），在大多数情况下，这样没问题且能满足我们的应用需求的，如下：
但是，有时候我们可能需要同时管理多个独立的图，这时可以通过新建一个图并临时把该图作为一个默认图（因为我们添加的节点默认情况下是在默认图中），如下，在with语句中，x2所在的图还是默认图，但是with语句之外x2所在的图已经不是默认图了。也就是说graph只有在with语句中才是默认图，一旦出了with语句，默认图自动变为系统创建的默认图。
很多时候，我们在测试的时候，会重复运行一段代码，那么我们会结束一个包含很多节点的图，如果不reset默认图的话，那么默认图会有很多冗余的节点，暂用资源，一般reset默认图有两种方法，比如在jupyter中，其中一个方法就是重启jupyter kernel，但是常用的另一种方法是通过运行代码tf.reset_default_graph()来结束默认图。
2.4 节点的生命周期
当我们需要计算一个节点的时候，TensorFlow会自动判断该节点所依靠的其他节点，并先计算所以靠的其他节点值。如下：
当我们需要计算y的值的时候，TensorFlow会自动检测到y的值依靠x，而x依靠w，并且会先计算w的值，再计算x的值，最后计算y的值。而当计算z值的时候会重复上面的步骤，并不会去调用计算y的时候计算出来的x的值。也就是说会计算两次w和x的值。
其实在不同的图之间运行，TensorFlow会释放掉所有的节点值（除了某些特殊值和变量值会被保留）。一个变量值的声明周期从它的initializer开始，到session结束。
我们知道上面的计算y和z的值需要两次计算w和x节点，但是，如果想更高效率的计算y和z的值的话，则需要将两个计算放到一个图中，如下：
其实在单线程中，多个session之间不共享任何信息，即使不同session计算同一个图（每一个session都有自己的变量copy）。在分布式的TensorFlow中变量信息存放在服务器中，而不是在session中，所以多session可以共享变量。
三. 线性回归TF实战
这里，我们将TensorFlow和用NumPy以及Scikit-Learn做一个比较，进而更加详细的了解TensorFlow。
3.1 TensorFlow线性回归
TensorFlow支持多输入多输出的操作，比方说相加和相差运算是两个输入一个输出，常数和变量是没有输入。这里的输入和输出都是多维数组，也称tensor。就像numpy中的数组，tensor有一个类型和尺寸。
之前的例子中，我们tensor只包含了单一数值，接下来，我们将用TensorFlow来实战一下线性回归这里我们用机器学习三人行系列（公众号回复“机器学习”进行查看）中的房价数据做回归，先上代码在讲解如下：
从上面代码中，我们可以看到，首先获取了房价的数据集，然后在每条数据的前面加1（大家考虑下为什么加1，欢迎文末留言讨论），接着创建了两个常量节点来承载数据和label，之后就是计算线性回归的系数。其实θ的计算是根据下面的公式计算出来的：
上面代码和直接用numpy直接计算θ的主要区别是在于如果我们的电脑上支持GPU计算的话，那么其将自动调用GPU资源运行。
3.2 NumPy线性回归
NumPy的方法，我们直接求取上面的公式如下：
从这结果里面，我们可以看到用TensorFlow和NumPy的方法得到的值是很相近的。
3.3 Scikit-Learn线性回归
关于Scikit-Learn线性回归的线性回归，这里不多说，详情查看机器学习系列文章。如下：
可以看到，三种方法得到的结果十分相近。
四. 本期小结
本期我们从TensorFlow的简介特性入手，熟悉了TensorFlow的相关流程，以及如何创建图，运行图的几种常见的方法，最后，我们通过TensorFlow的线性回归与NumPy的线性回归和Scikit-Learn之间的线性回归进行比较，来学习了TensorFlow在线性回归方面的应用。
