介绍
TensorFlow是Google开发的用于训练神经网络的开源机器学习软件。 TensorFlow的神经网络以状态数据流图的形式表示。 图中的每个节点表示神经网络在多维阵列上执行的操作。 这些多维阵列通常被称为“张量”，因此称为TensorFlow。
TensorFlow是一个深度学习软件系统。 谷歌在他们的机器学习人工智能系统RankBrain中如何进行搜索排名，TensorFlow可以很好地用于信息检索。 TensorFlow可以执行图像识别，如Google的Inception所示，以及人类语言的音频识别。 它也可以用来解决其他非机器学习问题，如偏微分方程 。
TensorFlow架构允许部署在桌面，服务器或移动设备中的多个CPU或GPU上。 还有与CUDA （Nvidia的并行计算平台）集成的扩展。 这使正在GPU上部署的用户可以直接访问并行计算任务所需的虚拟指令集和GPU的其他元素。
在本教程中，您将安装TensorFlow的“仅支持CPU”版本。 此安装非常适合希望安装和使用TensorFlow，但没有Nvidia显卡或不需要运行性能关键型应用程序的用户。
你可以用几种方法安装TensorFlow。 每种方法都有不同的用例和开发环境：
- Python和Virtualenv ：在这种方法中，您将安装TensorFlow以及在Python虚拟环境中使用TensorFlow所需的所有软件包。 这将您的TensorFlow环境与其他Python程序隔离在同一台机器上。
- 本地点：在这种方法中，您可以在您的系统上全局安装TensorFlow。 对于想要在多用户系统上向所有人提供TensorFlow的用户，建议使用此功能。 这种安装方法不能在封闭的环境中隔离TensorFlow，并且可能会干扰其他Python安装或库。
- Docker ：Docker是一个容器运行时环境，它完全隔离了系统中已有包的内容。 在这个方法中，你使用一个包含TensorFlow及其所有依赖项的Docker容器。 此方法非常适合将TensorFlow并入已经使用Docker的更大应用程序体系结构中。 但是，Docker镜像的大小将会相当大。
在本教程中，您将使用virtualenv将TensorFlow安装在Python虚拟环境中。 这种方法隔离了TensorFlow安装并快速启动并运行。 完成安装后，您将通过运行一个简短的TensorFlow程序来验证您的安装，然后使用TensorFlow执行图像识别。
先决条件
在开始本教程之前，您需要以下内容：
按照Ubuntu 16.04初始服务器设置指南设置的一个Ubuntu 16.04服务器，其中至少有1GB内存，其中包括sudo非root用户和防火墙。 您将需要至少1GB的内存才能成功执行本教程中的最后一个示例。
Python 3.3或更高版本和
virtualenv安装。 遵循如何在Ubuntu 16.04上安装Python 3来配置Python和virtualenv。安装Git，你可以按照如何在Ubuntu 16.04上安装Git来完成 。 您将使用它来下载示例的存储库。
第1步 - 安装TensorFlow
在这一步中，我们将创建一个虚拟环境并安装TensorFlow。
首先创建一个名为tf-demo的项目目录：
mkdir ~/tf-demo
导航到您新创建的tf-demo目录：
cd ~/tf-demo
然后创建一个名为tensorflow-dev的新虚拟环境。 运行以下命令创建环境：
python3 -m venv tensorflow-dev
这将创建一个新的tensorflow-dev目录，其中将包含在激活此环境时安装的所有软件包。 它还包括pip和一个独立版本的Python。
现在激活你的虚拟环境：
source tensorflow-dev/bin/activate
一旦激活，您将在终端中看到与此相似的内容：
(tensorflow-dev)username@hostname:~/tf-demo $
现在，您可以在您的虚拟环境中安装TensorFlow。
运行以下命令安装并升级到PyPi中可用的最新版本的TensorFlow：
pip3 install --upgrade tensorflow
TensorFlow将安装：
OutputCollecting tensorflow
Downloading tensorflow-1.4.0-cp36-cp36m-macosx_10_11_x86_64.whl (39.3MB)
100% |████████████████████████████████| 39.3MB 35kB/s
...
Successfully installed bleach-1.5.0 enum34-1.1.6 html5lib-0.9999999 markdown-2.6.9 numpy-1.13.3 protobuf-3.5.0.post1 setuptools-38.2.3 six-1.11.0 tensorflow-1.4.0 tensorflow-tensorboard-0.4.0rc3 werkzeug-0.12.2 wheel-0.30.0
如果您想要随时取消激活虚拟环境，那么该命令是：
deactivate
稍后重新激活环境，导航到您的项目目录并运行source tensorflow-dev /bin/activate 。
现在，你已经安装了TensorFlow，让我们确保TensorFlow安装工作。
第2步 - 验证安装
为了验证TensorFlow的安装，我们将以非root用户的身份在TensorFlow中运行一个简单的程序。 我们将使用“Hello，world”的标准初学者例子。 作为验证的一种形式。 我们不是创建一个Python文件，而是使用Python的交互式控制台创建这个程序。
要编写程序，启动你的Python解释器：
python
您会看到在终端中出现以下提示
>>>
这是Python解释器的提示，它表明它已经准备好开始输入一些Python语句。
首先，输入这一行来导入TensorFlow软件包，并将其作为局部变量tf 。 输入代码后按ENTER ：
import tensorflow as tf
接下来，添加下面这行代码来设置消息“Hello，world！”：
hello = tf.constant("Hello, world!")
然后创建一个新的TensorFlow会话并将其分配给变量sess ：
sess = tf.Session()
注意 ：根据您的环境，您可能会看到以下输出：
Output2017-06-18 16:22:45.956946: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-18 16:22:45.957158: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-18 16:22:45.957282: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
2017-06-18 16:22:45.957404: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-18 16:22:45.957527: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.
这告诉你，你有一个指令集 ，有可能通过TensorFlow进行优化以获得更好的性能。 如果你看到这个，你可以放心地忽略它并继续。
最后，输入以下代码行来打印出您在之前的代码行中构建的hello TensorFlow会话的结果：
print(sess.run(hello))
你会在控制台中看到这个输出：
OutputHello, world!
这表明一切正常，您可以开始使用TensorFlow做更有趣的事情。
按CTRL+D退出Python交互式控制台。
现在让我们使用TensorFlow的图像识别API来更加熟悉TensorFlow。
第3步 - 使用张量流进行图像识别
现在已经安装了TensorFlow，并且已经通过运行一个简单的程序来验证它，让我们来看看TensorFlow的图像识别功能。
为了分类图像，你需要训练一个模型。 那么你需要编写一些代码来使用模型。 要了解更多关于这些概念的信息，可以查看“ 。
TensorFlow提供了一个模型和示例的存储库 ，包括代码和训练有素的图像分类模型。
使用Git将GitHub中的TensorFlow模型库克隆到您的项目目录中：
git clone https://github.com/tensorflow/models.git
你会看到下面的输出，因为Git检出了一个名为models的新文件夹：
OutputCloning into 'models'...
remote: Counting objects: 8785, done.
remote: Total 8785 (delta 0), reused 0 (delta 0), pack-reused 8785
Receiving objects: 100% (8785/8785), 203.16 MiB | 24.16 MiB/s, done.
Resolving deltas: 100% (4942/4942), done.
Checking connectivity... done.
切换到models/tutorials/image/imagenet目录：
cd models/tutorials/image/imagenet
该目录包含使用TensorFlow识别图像的classify_image.py文件。 该程序首次从tensorflow.org下载经过训练的模型。 下载这个模型需要你在磁盘上有200MB的可用空间。
在这个例子中，我们将分类 。 执行此命令来运行图像分类器程序：
python classify_image.py
你会看到类似这样的输出：
Outputgiant panda, panda, panda bear, coon bear, Ailuropoda melanoleuca (score = 0.89107)
indri, indris, Indri indri, Indri brevicaudatus (score = 0.00779)
lesser panda, red panda, panda, bear cat, cat bear, Ailurus fulgens (score = 0.00296)
custard apple (score = 0.00147)
earthstar (score = 0.00117)
您已经使用TensorFlow的图像识别功能对您的第一张图像进行了分类。
如果您想使用其他图像，可以通过将-- image_file参数添加到python3 classify_image.py命令中来实现。 对于参数，你会传递图像文件的绝对路径。
结论
您已经在Python虚拟环境中安装了TensorFlow，并通过运行一些示例来验证TensorFlow的工作原理。 您现在拥有的工具可以让您探索更多的主题，包括卷积神经网络和文字嵌入 。
TensorFlow的程序员指南是TensorFlow开发的一个很好的资源和参考。 您还可以探索Kaggle ，这是一个机器学习概念的实际应用的竞争环境，可以让您与其他机器学习，数据科学和统计爱好者交流。 他们有一个优秀的wiki ，你可以看到和分享解决方案，其中一些在统计和机器学习技术的尖端。
