2015 年 11 月 9 日，谷歌宣布对 TensorFlow 开源。随后，TensorFlow 成为了当今世界最流行的机器学习软件之一，目前被广泛用于研究、教育和生产等各个领域。这一年 里，TensorFlow 的不断被优化，TensorFlow 的机器智能地位已显得举足轻重。我们希望帮 助 TensorFlow 的新、老用户提高使用 TensorFlow 的能力，充分利用该库最强大的功能! 考虑到不同的读者基础不同，本文将对机器学习读者最关心的几个部分对 TensorFlow 充 分介绍:八大机器学习库的对比、TensorFlow 的优势、什么时候使用 TensorFlow、 TensorFlow 的安装。

　　八大机器学习框架的对比：

　　(1) TensorFlow：深度学习最流行的库之一，是谷歌在深刻总结了其 前身 DistBelief 的经验教训上形成的;它不仅便携、高效、可扩展，还能再不同计算机上运行:小到智能手机，大到计算机集群都 能;它是一款轻量级的软件，可以立刻生成你的训练模型，也能 重新实现它;TensorFlow 拥抱创新，有强大的社区、企业支持， 因此它广泛用于从个人到企业、从初创公司到大公司等不同群体。

　　(2) Caffe: 卷积神经网络框架，专注于卷积神经网络和图像处理，是 用 C ++语言写成的。

　　(3) Chainer: 一个强大、灵活、直观的机器学习 Python 软件库，能 够在一台机器上利用多个 GPU，是由深度学习创业公司 Preferred Networks 开发;Chainer 的设计基于 define by run 原 则，也就是说，该网络在运行中动态定义，而不是在启动时定义。

　　(4) CNTK: 微软研究人员开发的用于深度神经网络和多 GPU 加速技 术的完整开源工具包。微软称 CNTK在语音和图像识别方面，比谷歌的TensorFlow 等其它深度学习开源工具包更有优势。

　　(5) Deeplearning4j: 专注于神经网络的 Java 库，可扩展并集成 Spark，Hadoop 和其他基于 Java 的分布式集成软件。

　　(6) Nervana Neo: 是一个高效的 Python 机器学习库，它能够在单个 机器上使用多个 GPU。

　　(7) Theano: 是一个用 Python 编写的极其灵活的 Python 机器学习库，用它定义复杂的模型相当容易，因此它在研究中极其流行。

　　(8) Torch: 是一个专注于 GPU 实现的机器学习库，得到了几个大公 司的研究团队的支持。

　　TensorFlow 的优势：

　　(1)可用性

　　TensorFlow 工作流程相对容易，API 稳定，兼容性好，并且 TensorFlow 与 Numpy 完美结合，这使大多数精通 Python 数据科学家很容易上手。与其他一些库不同，TensorFlow 不需要任何编译时间， 这允许你可以更快地迭代想法。在 TensorFlow 之上已经建立了多个高级 API，例如 Keras 和 SkFlow，这给用户使用 TensorFlow 带来了极大的好处

　　(2)灵活性

　　TensorFlow 能够在各种类型的机器上运行，从超级计算机到嵌入式 系统。它的分布式架构使大量数据集的模型训练不需要太多的时间。TensorFlow 可以同时在多个 CPU，GPU 或者两者混合运行。

　　(3)效率

　　自 TensorFlow 第一次发布以来，开发团队花费了大量的时间和努力 来改进 TensorFlow 的大部分的实现代码。 随着越来越多的开发人员努力，TensorFlow 的效率不断提高。

　　(4) 支持

　　TensorFlow 由谷歌提供支持，谷歌投入了大量精力开发 TensorFlow，它希望 TensorFlow 成为机器学习研究人员和开发人员的通用语言。此外，谷歌在自己的日常工作中也使用 TensorFlow，并且持续对其提供支持，在 TensorFlow 周围形成了 一个强大的社区。谷歌已经在 TensorFlow 上发布了多个预先训练好 的机器学习模型，他们可以自由使用。

　　TensorFlow 的安装：

　　为了满足安装 TensorFlow 的依赖支持工具，我们将使用 virtualenv 来创建一个虚拟 Python 环境。首先，我们需要确保与 Virtualenv 一 起安装了 pip，Python 的包管理器。 运行以下命令进行安装(取决 于用户的操作系统)

　　Linux-64 用户

　　在终端(同时按住 ctrl+Alt+t 启动)输入以下命令：

　　Python 2.7 用户

　　$ sudo apt-get install python-pip python-dev python-virtualenv(注意所有的$符号不需要输入)

　　Python 3 用户

　　$ sudo apt-get install python3-pip python3-dev python3-virtualenv

　　现在让我们创建一个包含这个环境的目录：

　　$ sudo mkdir ~/env

　　接下来，我们将使用 virtualenv 命令创建环境。 在这个例子中，它 位于〜/ env / tensorflow。使用如下命令：

　　$ virtualenv --system-site-packages ~/env/tensorflow

　　然后，使用 source 激活环境：

　　$ source ~/env/tensorflow/bin/activate

　　(然后注意你敲入回车后开始出现了“tensorflow”指示符)

　　然后直接输入 deactivate 关闭。

　　由于你将经常使用虚拟环境，因此创建一个快捷方式启动它，而不是 每次必须写出整个源。这下一个命令将一个 bash 别名添加到〜 / .bashrc 文件，这时只要在你想启动它时键入 tensorflow 即可：

　　$ sudo printf '\nalias tensorflow="source ~/env/tensorflow/bin/activate"' >> ~/.bashrc

　　特别提醒：启动终端后，最好先输如命令：sudo –i，然后会提醒你输入密码，linux 输入密码一 般不会显示出来，记住你的密码输入即可。

　　以下均是针对 python2.7 用户:

　　接下来安装“简易版”的 tensorflow，使用如下命令：

　　$ pip install --upgrade

　　https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0-cp27none-linux_x86_64.whl

　　安装 Jupyter Notebook(先安装 ipython)：

　　执行以下命令：先在终端中输入输入 sudo –i，然后输入回车，再根据 提示输入密码，最后输入 tensorflow 启动，然后再执行以下安装，以防出现错误

　　$ sudo python2 -m pip install ipykernel

　　$ sudo python2 -m ipykernel install

　　$ sudo apt-get install build-essential

　　$ sudo pip install jupyter

　　安装 matplotlib：

　　$ sudo apt-get build-dep python-matplotlib python-tk

　　最后，让我们检查安装是否成功。创建一个新目录 tf_notebooks，输入该目录并运行 jupyter notebook。

　　打开终端，输入下面命令,打开 jupyter notebooks：

　　sudo –i，再回车

　　输入用户密码，再回车

　　$后输入：tensorflow，再回车

　　然后$后面继续输入：mkdir tf-notebooks，再回车

　　$后面继续输入：cd tf-notebooks，再回车

　　$后面继续输入：jupyter notebook，再回车

　　最后打开了如下界面：

　　本机选择了 Python 2,输入了如下代码并运行如下结果：

　　好了，本文全面讲解了 TensorFlow 的特点及其在机器学习领域内的 优势，并一步一步的指导你如何去安装 tensorflow，并使用它。在接下来的章节中，将带领你一步步地走向深度学习，并怎么利用 tensorflow 构建深度学习模型。另外，本文虽然只是在 Linux 上对 tensorflow 进行了安装，同样在 windows 上，仍然可以用上述的方 法，前提是在 windows 上安装虚拟机，然后装上 ubuntu系统。对 Mac OS X 用户而言，安装 tensorflow 则更容易。附上安装指导地址：

　　https://www.tensorflow.org/versions/master/get_started/os_setup.html#installationfor-mac-os-x

　　深入阅读：

　　(1) https://www.tensorflow.org/，提供了最新的文档、API和学习指导。

　　(2) https://github.com/tensorflow/tensorflow，你可以对tensorflow 贡献你的智慧，也可以查看源代码。

　　(3) https://github.com/tensorflow/models，根据个人的目标， 你可以随时重用这些模型。

　　(4) https://research.googleblog.com/，提供来自谷歌的关于 tensorflow 的最新应用与更新。

　　(5) https://www.kaggle.com/，在这里你可以找到大量公共数据集，是目前线上认可度最高，参与人数最多的线上竞赛平台。

　　(6) https://www.data.gov/，美国的门户网站，用于查找全美的公共数据集。