哇！今天挺开心的，30天的时间，19篇文章，2459人阅读，5313人次阅读！今天开通的原创标识，恩！除了激动，就是非常感谢大家的支持！感谢大家的支持！大家的支持！的支持！支持！持！我会继续努力的！我们一起进步！(./鞠躬！）
******************分割线******************
在学习TensorFlow之前，先给大家安利一波其他的几个库，主要有caffe，CNTK，keras，Theano，Torch，MaxNet。
总的来说，Caffe，CNTK这类是基于配置文件来定义模型，而Torch，Theano，Keras，TensorFlow是基于语言来定义模型。其中Torch是基于lua，一个比较小众的语言，不过也有了Python版。基于Python的有Theano，TensorFlow，Keras。Theano是和TensorFlow最像的一个，应该说TensorFlow是受到了Theano的启发而开发的，他们都是利用了tensor张量的思想。但是Theano是由LISA lab基于学术目的而开发的一套底层算法库，而TensorFlow是由google支持的。他俩主要区别还在于TensorFlow支持分布式编程。
下面有些网址可能打不开，这不是说链接无效~，而是需要“翻墙”，我觉得肯定有人不知道怎么办，就像我刚听说的时候！一般来说翻墙就2种方法，1：免费。2：收费。
我用过免费的有赛风。收费的是Green。类似的收费的还有蓝灯等，但是我没用过，貌似有免费的办法，但是就是有限制！然后接下来你就懂了撒！
1. 开源库资源汇总
1). caffe
项目主页：http://caffe.berkeleyvision.org/
Github：https://github.com/BVLC/caffe
安装教程：https://github.com/BVLC/caffe/wiki/Caffe-installing-
script-for-ubuntu-16.04---support-Cuda-8
英文版教程：
(1). http://caffe.berkeleyvision.org/tutorial/
(2).http://adilmoujahid.com/posts/2016/06/introduction-deep-learning-python-caffe/
(3).http://christopher5106.github.io/deep/learning/2015/09/04/Deep-learning-tutorial-on-Caffe-Technology.html
中文版教程：
(1). https://yufeigan.github.io/
(2). http://blog.csdn.net/fengbingchun/article/details/49535873
2). Keras
主页：https://keras.io/
中文文档：http://keras-cn.readthedocs.io/en/latest/
Github：https://github.com/fchollet/keras
安装：http://keras-cn.readthedocs.io/en/latest/for_beginners
/keras_linux/
英文教程：
(1).http://machinelearningmastery.com/tutorial-first-neural-network-python-keras/
(2). https://elitedatascience.com/keras-tutorial-deep-learning-in-python
中文教程同中文文档
3).Theano
主页：http://deeplearning.net/software/theano/
Github: https://github.com/Theano/Theano
安装：http://deeplearning.net/software/theano/install_
ubuntu.html
英文教程：
(1).http://www.wildml.com/2015/09/speeding-up-your-neural-network-with-theano-and-the-gpu/
(2).https://bigaidream.gitbooks.io/subsets_ml_cookbook/content/dl/theano/theano_tutorial.html
(3). http://www.marekrei.com/blog/theano-tutorial/
中文教程：
(1). http://blog.csdn.net/ycheng_sjtu
(2). http://blog.csdn.net/hjimce
4). Torch
主页：http://torch.ch/
Github：https://github.com/torch/torch7
Python版Github：https://github.com/pytorch/pytorch
安装：http://torch.ch/docs/getting-started.html
英文教程：
(1). http://supercomputingblog.com/machinelearning/an-intro-to-convolutional-networks-in-torch/
(2). https://iamtrask.github.io/2017/01/15/pytorch-tutorial/
5).MaxNet
主页：http://mxnet.io
Github：https://github.com/dmlc/mxnet
安装：http://mxnet.io/get_started/install.html
英文教程：
(1). http://mxnet.io/tutorials/r/fiveMinutesNeuralNetwork.html
(2).https://medium.com/becoming-human/an-introduction-to-the-mxnet-api-part-1-848febdcf8ab
中文教程：
(2).https://ljalphabeta.gitbooks.io/mxnet-notes/content/mxnet_python_overview_tutorial.html
6). CNTK
主页：https://www.microsoft.com/en-us/cognitive-toolkit/
Github：https://github.com/Microsoft/CNTK
安装： https://github.com/Microsoft/CNTK/wiki/Setup-CNTK-on-your-machine
英文教程：https://docs.microsoft.com/en-us/cognitive-toolkit/tutorial/tutorial
好，简单总结到这里，有需要的时候随时来看看，下面开始TensorFlow入门。
2. TensorFlow
关于TensorFlow的说明性介绍，我就不多说了，大家也都知道。就目前来说，几个比较流行的深度学习框架，TensorFlow在Github上的星星是最多的，说明了它的流行程度。但是框架这种东西，我觉得不要太依赖，其实用哪个并不是那么特别重要，做深度学习，重要的我觉得还是经验和idea，还有理论背景。
TensorFlow的安装现在已经很简单了，直接pip就可以，也不用安装底层的numpy，scipy这些依赖库，pip都会帮我们一步到位！
sudo pip install tensorflow-gpu
开始之前，需要对张量的概念有所了解，不要被名字所吓倒。张量可以简单理解为n维数组，但是在深度学习中，我们一般处理的图像都是RGB格式的，也就是三个维度，即n=3.然后加上batch size一个维度，变成n=4。然后最多你会做三维卷积，这时候n=5。
1， 2, 3， 4， 5，上山打老虎。。。哈哈。换个角度思考一下，不要去想一个5维数组是什么样的，你只要盯紧5个维度就好。什么意思呢，就是做运算的时候，只要清楚每一步是那个维度在变化，然后是第几个维度和第几个维度在做运算就好了。这样想是不是很简单。
这里引用一句TensorFlow中文社区的一句介绍的话,“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）。”
关键的几个点，图，操作，张量。
一句话概括就是
由操作连接起许多张量而构成的一张大图。
其中节点，也叫operation，ops。这就是TensorFlow的设计哲学。
然后打开我们的python，导入TensorFlow模块。
>>> import tensorflow as tf
Graph表示当我们导入tf以后，tf就帮我们默认建了一个计算图。可以看到graph是Graph的对象。
>>> graph = tf.get_default_graph()
然后我们查看一下，这个计算图定义那些op，发现op是空的，这是因为我们还没有定义张量和操作等。
>>> graph.get_operations()
[]
然后定义一个常数，1。tf.constant()，就表示常量的意思。
>>> input_value = tf.constant(1.0)
然后在查看一下计算图中，有哪些op。发现有了一个Const的op。类型是Const，常量。
>>> operations =graph.get_operations()
[<tf.Operation 'Const' type=Const>]
然后看一下这个常量op中，都有那些节点。输出的一大堆东西，包括节点的名字，属性，数据类型等。
>>> operations[0].node_def
看一下input_value，Const：0，这里的0表示这是定义的第0个常量，如果你在定义一个常量，它的值就变为1了。
>>> input_value
<tf.Tensor 'Const:0' shape=()dtype=float32>
然后定义一个Session，先看一下文档中对Session的解释：
“A Session object encapsulates theenvironment in which Tensor objects are evaluated”
一个Session对象包括了环境中包含的所要计算的张量对象。我们刚才定义了一个计算图，并定义了一个op，然后我们要看一下op的值是多少，这就需要启动计算图。Session的作用就是启动计算图。能不能不启动直接输出值？不能！why？I don’t know !
>>> sess = tf.Session()
Sess.run()就是来运行Input_value，简单说就是把刚才定义得值输出一下。
>>> sess.run(input_value)
刚才我们干了什么？仅仅是定义了一个阿拉伯数字1，然后让tf帮我们输出一下值。接下来，我们稍微玩的高级一丁点。定义一个变量，然后和刚才的输入1，做加法。就是1+0.8，我们期望让tf输出1.8。
>>> weight = tf.Variable(0.8)
>>> for op ingraph.get_operations(): print(op.name)
这里的输出可以自己去试试，很长的一大堆，可以和之前做个对比，看看有什么不一样。
>>> output_value = weight +input_value
<tf.Tensor 'add_1:0' shape=()dtype=float32>
>>> op =graph.get_operations()[-1]
>>> op.name
'add'
>>> for op_input in op.inputs:print(op_input)
>>> init = tf.global_variables_initializer()
>>> sess.run(init)
>>> sess.run(output_value)
果然输出了1.8。哇，好厉害！做了半天就算了1+0.8！哈哈哈。
今天的内容就到这里，希望大家玩的开心！tf的入门教程，还会有一篇文章来介绍，包括变量，占位符，Fetch，Feed等。后面还会有一个完整的神经网络的栗子，希望大家关注哦！
[参考文献]
1. https://www.oreilly.com/learning/hello-tensorflow
2.https://cs224d.stanford.edu/lectures/CS224d-Lecture7.pdf
3.Nick McClure，TensorFlow Machine Learning Cookbook
4.http://www.tensorfly.cn/
放松一下吧!
有问题可以加我的微信：
Alvin_2580
交流学习进步！！！
本文为作者原创，如有雷同，必然是别人抄我的。
欢迎感兴趣的朋友扫描下面的二维码，或者点上面的公众号的名字，关注！
本文分享自微信公众号 - 机器学习和数学（ML_And_Maths）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
来源：oschina
链接：https://my.oschina.net/u/2883237/blog/4392305