本文将介绍TensorFlow并深入探讨它提供的数学和机器学习库。首先，我将在本文中描述TensorFlow框架背后的思想，结构的方式，关键组件等。在本文的最后，您将能够在TensorFlow中编写简单的数值解算器代码片段。

TensorFlow是用于构建机器学习模型的计算框架。它是由Jeff Dean领导的Google Brain的第二代系统。它于2017年初推出，它通过引入从可扩展性到构建生产就绪模型的众多功能，打破了ML世界。

框架

TensorFlow提供了各种不同的工具包，允许您以您喜欢的抽象级别编写代码。例如，您可以在Core TensorFlow（C ++）中编写代码并从Python代码中调用该方法。您还可以定义应运行代码的体系结构（CPU，GPU等）。在上面的层次结构中，您可以编写代码的最低级别是C ++或Python。这两个级别允许您编写数值程序来解决数学运算和方程。虽然这不是强烈建议用于构建机器学习模型，但它提供了各种数学库，可以简化您的任务。您可以编写代码的下一个级别是使用特定于TF的抽象方法，这些方法针对模型组件进行了高度优化。例如，使用 tf.layers方法你可以使用神经网络的层。您可以使用tf.metrics方法构建模型并评估模型性能。最广泛使用的级别是tf.estimator API，它允许您轻松地构建（训练和预测）生产就绪模型。估算器API非常易于使用且经过优化。虽然它提供的灵活性较低，但它具备训练和测试模型所需的一切。让我们看一下estimator API的应用程序，仅使用三行代码构建分类器。

第一坑

请把你的计算机名称改成英文名，不要使用中文，就像我这样。我原来用中文落残，死活解码报错，改过来就可以了。

第二坑

代码写好后，我们该怎么打开数据流图？

给大家一个简单的代码示范：

该文件我保存在F：\tensorflowe文件夹下面，命名为first

TensorFlow 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。

1.Tensor

tensor，表示张量，在TensorFlow中常用Tensor来描述矩阵信息。如下表示创建一个tensor，并将其初始化为0（zeros函数表示初始化一个tensor，并将其所有成员置位为0，缺省类型为float32）。

作者：Python疯子

链接：https://www.jianshu.com/p/5b4e51869e64

这个可以说是一个绝对的福利中的福利。一整套的AI图片识别以及模型的使用。

一直都在说人工智能，图像识别，又有几个人会呢，网上文章成山，前一段时间因工作需要，我一个做后端开发的，要做图片识别。

于是开始了疯狂的地毯式搜索，先说网上介绍最多，最好，也是最坑的模型---AIimage，10行代码完成图像识别，通过代码是可以识现，但必须使用它们的模型，不能自己训练，于是开始找AIimage的训练模型，也找到了，也能训练，用训练好的模型，正式测试，哇，屎一样！

TensorFlow 深度学习读写笔记

Python搭建开发环境-Anaconda+PyCharm的安装和入门教程

在windows10上快速安装tensorflow

TensorFlow如何工作？

TensorFlow能够在不同设备上（如CPU和GPU）工作。TensorFlow将计算（computations）定义为图（Graphs），图形是由各种操作（ops）组成。所以，当我们要运行TensorFlow时，首先定义图中的一系列操作。

上一篇文章学习数据流图的基础知识时，使用简单的标量值时很好的选择。我们掌握好了数据流图之后，下面不妨熟悉一下张量的概念。

所谓张量，就是n维矩阵的抽象。因此一维的张量等价于一维的矩阵，二维的张量等价于二维矩阵。如果用张量来描述上一篇文章中的数据流图（下图一），可以用下面图二的方式实现。

现在不再使用两个独立的输入节点了，而是换成了一个可接收向量(或者一阶张量)的节点。与标量的版本相比，这个新的数据流图有如下优点：

引言

2015年11月9日，Google发布人工智能系统TensorFlow并宣布开源.Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。

TensorFlow可被用于语音识别或图像识别等多项机器深度学习领域，对2011年开发的深度学习基础架构DistBelief进行了各方面的改进，TensorFlow支持各种异构的平台，支持多CPU/GPU，服务器，移动设备，具有良好的跨平台的特性；TensorFlow架构灵活，能够支持各种网络模型，具有良好的通用性。