@author:Panverson

1 Tensorflow简介

Tensorflow是由谷歌人工智能团队开发的深度学习框架。它是一种基于数据流（dataflow）编程的运算系统，基本的运算单位是张量（tensor），张量是一种任意维度的数组。在Tensorflow框架中，可用张量类型包括常数、变量、张量占位符和稀疏张量。
Tensorflow的是通过创建会话（session），并在会话中搭建有向图图（graph）来执行运算，一般包括图的构建和图的执行两个阶段。在图的构建阶段中，我们需要定义各种常量、变量和操作，这些在tf中都被称为节点（operation，op）。

1.1 图示意

2 环境配置

为了方便环境的搭建，我使用了anaconda 学习tf。Anaconda在安装完成之后就自带了大量的python库，并且可以创建多个python 的虚拟环境，以便使用不同的python版本，减少了不必要的麻烦。
anaconda的下载地址：https://www.anaconda.com/distribution/
完成安装以后，因为anaconda自带的python版本为3.7，而tensorflow目前仅支持到python3.6，所以我们要在cmd中先创建一个python3.6的虚拟环境。
PS：由于我配置虚拟环境的时间比较早，当时tf还没有支持python3.7。现在已经支持最新的python3.7了，大家可以省略这个步骤了。
conda create -n your_env_name python=X.X
x.x 为python的版本
your_env_name文件可以在Anaconda安装目录envs文件下找到。
当然，以上的操作都可以在anaconda软件中而不使用命令行操作。
然后执行
activate your_env_name
进入虚拟环境，就可以使用pip等的命令。

3 Tensorflow的安装

Tensorflow分为cpu和gpu两个版本，因为我的是笔记本电脑，训练神经网络需要长时间CPU、GPU的满负荷运行，本来就不适合用于跑神经网络，所以我只是安装了cpu版本进行学习。
进入虚拟环境以后，执行
pip install tensorflow
安装Tensorflow库。若要安装gpu版本，只需要把tensorflow换成tensorflow-gpu即可。
安装完成以后，我使用spyder作编辑器写代码，运行一下这段代码来检测tensorflow是否正确安装了（注意，直接打开spyder默认的python版本是3.7，需要在anaconda中切换成自己创建的3.6版本后再启动）。

注意python环境
import tensorflow as tf
如果编译器没有报错，说明成功安装了。

4 Tensorflow的Helloworld程序

MNIST是机器学习中“hello world”式的入门级别的计算机视觉数据集，它包含各种手写数字图片，它也包含每一张图片对应的标签，告诉我们这个数字是几。我们使用MNIST数据集，搭建一个简单的神经网络，来进行训练。
在编译器中写下以下代码，并运行：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data",one_hot=True) 
#定义变量
x = tf.placeholder(tf.float32,[None,784])
y_ = tf.placeholder(tf.float32,[None,10])
#创建神经网格
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x,W) + b)
#二次代价函数
loss = tf.reduce_mean(tf.square(y_ - y))
#梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(loss)
#初始化变量
init = tf.global_variables_initializer()
#求准确率
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
with tf.Session() as sess:
    sess.run(init)
#对55000个训练数据进行21次训练
    for n in range(21):
        for i in range(550):
            batch_xs,batch_ys=mnist.train.next_batch(100)
            sess.run(train_step,feed_dict={x:batch_xs,y_:batch_ys})
            acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y_:mnist.test.labels})
        print("Iter " + str(n)+",Testing Accuracy "+str(acc))

可以看到运行结果：

运行结果

从结果可以看出，这个神经网络进行了21次训练，最终的准确率到达了92%左右。后续我们可以增加这个网络的层数，或者增加训练次数，以达到更高的准确率。
执行过程中，我可以明显的感觉到笔记本的风扇提升的转速，说明这时候CPU状态繁忙，我们可以打开任务管理器监视CPU核心的负荷情况。