本資料是在Ubuntu14.0.4版本下進行，用來進行圖像處理，所以只介紹關於圖像處理部分的內容，並且默認TensorFlow已經配置好，如果沒有配置好，請參考官方文檔配置安裝，推薦用pip安裝。關於配置TensorFlow，官方已經說得很詳細了，我這里就不啰嗦了。官方教程看這里：https://www.tensorflow.org/get_started/os_setup
如果安裝了GPU版本的TensorFlow，還需要配置Cuda，關於Cuda安裝看這里：https://www.tensorflow.org/get_started/os_setup#optional-install-cuda-gpus-on-linux
我們還需要一個Python編譯器，這里我們使用Anaconda，Anaconda2對應Python2，Anaconda3對應Python3，我使用Anaconda2。Anaconda自帶了一些常用的Python包，以及一些比較好用的Python編譯器。
配置好TensorFlow以后，打開Anaconda的Spyder，輸入以下代碼檢查TensorFlow是否可用。
import tensorflow as tf hello = tf.constant('Hello TensorFlow!') sess = tf.Session() print(sess.run(hello)) a = tf.constant(10) b = tf.constant(32) print(sess.run(a + b))
如果遇到任何報錯，請參考：https://www.tensorflow.org/get_started/os_setup#common_problems
使用TensorFlow之前，要了解一下TensorFlow的基本知識：
1. 使用圖(graphs)來表示計算；
2.在會話(Session)中執行圖；
3.使用張量(tensors)來代表數據；
4.通過變量(variables)來維護狀態；
5.使用供給(feeds)和取回(fetches)來傳入或者傳出數據。
關於詳細的基礎使用，請參考：https://www.tensorflow.org/get_started/basic_usage， 太長不看的，至少看下代碼以及代碼的注釋。
了解了這些基本用法以后，活動一下筋骨，來編個小程序測試一下我們學習的結果吧，目標是優化一個一次函數y = wx + b的權值w和偏置b，使得w和b接近給定的表達式y = 0.1*x + b，代碼如下：
import tensorflow as tf import numpy as np import os
os.environ['CUDA_VISIBLE_DEVICES']='0' config = tf.ConfigProto() config.gpu_options.per_process_gpu_memory_fraction=0.2 sess = tf.InteractiveSession(config=config) x_data = np.random.rand(100).astype("float32") y_data = x_data * 0.1 + 0.3 W = tf.Variable(tf.random_uniform([1],-1.0,1.0)) b = tf.Variable(tf.zeros([1])) y = W * x_data + b
loss = tf.reduce_mean(tf.square(y - y_data)) optimizer = tf.train.GradientDescentOptimizer(0.5) train = optimizer.minimize(loss) init = tf.initialize_all_variables() sess.run(init)
for step in xrange(201): sess.run(train) if step % 20 ==0: print(step, sess.run(W), sess.run(b))
代碼運行結果如下：
可以看到經過200次迭代，權重w已經接近預設值0.1，b 接近預設值0.3，實際上80次的時候已經收斂到很好的結果了。
接下來，我們進行下一步的工作，用神經網絡來進行MNIST手寫數字的識別，MNIST手寫數字分 training 和 test 兩個大類，training 有6萬張28*28大小的手寫數字，test有1萬張28*28大小的數字，更具體的介紹看這里：MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burges。
MNIST手寫數字識別在TensorFlow的example中有自帶的代碼來實現，官方文檔也給出了很好的解釋，https://www.tensorflow.org/tutorials/mnist/beginners/和https://www.tensorflow.org/tutorials/mnist/pros/這兩個，建議都看，加強自己對TensorFlow的理解。
至此，TensorFlow已經有了基本的入門知識，然鵝，還是不足以支撐我膨脹的野心，我是要成為加勒比海盜一樣的男人，我是要成為TF Boys一樣的男人（背景聲音：噫~~），這種基本知識怎么能滿足得了我這么優秀的頭腦。
接下來，我們來看TensorFlow Mechanics 101，說實話，我也不知道這個名字是什么意思，反正是個教程，管他呢，先學會再說。這里面看起來也不難啊，就是介紹了examples/tutorials/mnist/mnist.py 和 examples/tutorials/mnist/fully_connected_feed.py兩個函數，順便說一下，用pip安裝之后的TensorFlow目錄一般在：/usr/local/lib/python2.7/dist-packages/tensorflow/或者是/usr/lib/python2.7/dist-packages/tensorflow/這里。細看這兩個文件的代碼，不是很難，如果前面的知識認真看了，這個可以直接看代碼而不看官方文檔，實在不明白的地方可以看官方文檔的解釋。
在看代碼的過程中，有不明白的函數，就去Python API這里找相應的函數來看，https://www.tensorflow.org/api_docs/python/，找不到的話，可以點右上角的搜索來搜索該函數。
先寫到這里，明天更新TensorFlow的How To。
參考文獻：
1. https://www.tensorflow.org/tutorials/