原文： https://machinelearningmastery.com/introduction-python-deep-learning-library-tensorflow/
TensorFlow 是一个用于 Google 创建和发布的快速数值计算的 Python 库。
它是一个基础库，可用于直接创建深度学习模型，或使用包装库来简化在 TensorFlow 之上构建的过程。
在这篇文章中，您将学习用于深度学习的 TensorFlow 库。
在我的新书中，通过 18 个渐进式的教程和 9 个项目，探索如何用几行代码为一系列预测性建模问题开发深度学习模型。
让我们开始吧。
Python 深度学习库简介 TensorFlow 摄影： Nicolas Raymond ，保留权利。
TensorFlow 是一个用于快速数值计算的开源库。
它由 Google 创建并维护，并在 Apache 2.0 开源许可下发布。虽然可以访问底层的 C ++ API，但 API 名义上是用于 Python 编程语言的。
与 Theano 等深度学习中使用的其他库不同，TensorFlow 设计用于研究和开发以及企业生产环境系统，尤其是 谷歌搜索 RankBrain 项目 和有趣的DeepDream 项目 ]。
它可以在单 CPU 系统，GPU 以及移动设备和数百台机器的大规模分布式系统上运行。
如果您已经拥有 Python SciPy 环境，那么 TensorFlow 的安装非常简单。
TensorFlow 适用于 Python 2.7 和 Python 3.3+。您可以按照 TensorFlow 网站上的下载和设置说明进行操作。通过 PyPI 进行安装可能是最简单的，并且下载和设置网页上有用于 Linux 或 Mac OS X 平台的 pip 命令的特定说明。
只有 Linux 系统支持 GPU,并且还需要安装 Cuda 工具包。
根据有向图的结构中的数据流和操作来描述计算。
- 节点：节点执行计算并具有零个或多个输入和输出。在节点之间移动的数据称为张量，它是实数值的多维数组。
- 边界 ：该图定义了数据流，分支，循环和状态更新。特殊边缘可用于同步图形中的行为，例如等待完成多个输入的计算。
- 操作：一个操作是一个命名的抽象计算，它可以获取输入属性并产生输出属性。例如，您可以定义加法或乘法操作。
第一个示例是 TensorFlow上的示例的修改版本。它向你展示了如何创建一个 session，在这个 session 中定义常量并使用常量进行计算。
import tensorflow as tf
sess = tf.Session()
a = tf.constant(10)
b = tf.constant(32)
print(sess.run(a+b))运行此示例显示：
42第二个示例来自 TensorFlow 教程的介绍。
此示例显示了如何定义变量（例如 W 和 b）以及变量（y）接收结果输出。
我们对 TensorFlow 有一定的了解，它将计算的定义和声明与 session 中的执行和运行调用分开。
import tensorflow as tf
import numpy as np
# Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3
# Try to find values for W and b that compute y_data = W * x_data + b
# (We know that W should be 0.1 and b 0.3, but Tensorflow will
# figure that out for us.)
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1]))
y = W * x_data + b
# Minimize the mean squared errors.
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
# Before starting, initialize the variables. We will 'run' this first.
init = tf.initialize_all_variables()
# Launch the graph.
sess = tf.Session()
sess.run(init)
# Fit the line.
for step in xrange(201):
sess.run(train)
if step % 20 == 0:
print(step, sess.run(W), sess.run(b))
# Learns best fit is W: [0.1], b: [0.3]运行此示例将输出以下内容：
(0, array([ 0.2629351], dtype=float32), array([ 0.28697217], dtype=float32))
(20, array([ 0.13929555], dtype=float32), array([ 0.27992988], dtype=float32))
(40, array([ 0.11148042], dtype=float32), array([ 0.2941364], dtype=float32))
(60, array([ 0.10335406], dtype=float32), array([ 0.29828694], dtype=float32))
(80, array([ 0.1009799], dtype=float32), array([ 0.29949954], dtype=float32))
(100, array([ 0.10028629], dtype=float32), array([ 0.2998538], dtype=float32))
(120, array([ 0.10008363], dtype=float32), array([ 0.29995731], dtype=float32))
(140, array([ 0.10002445], dtype=float32), array([ 0.29998752], dtype=float32))
(160, array([ 0.10000713], dtype=float32), array([ 0.29999638], dtype=float32))
(180, array([ 0.10000207], dtype=float32), array([ 0.29999897], dtype=float32))
(200, array([ 0.1000006], dtype=float32), array([ 0.29999971], dtype=float32))您可以在基本使用指南中了解有关 TensorFlow 的更多信息。
您的 TensorFlow 安装包中附带了许多深度学习模型，您可以直接使用它们。
首先，您需要找到 TensorFlow 的安装位置。例如，您可以使用以下 Python 脚本：
python -c 'import os; import inspect; import tensorflow; print(os.path.dirname(inspect.getfile(tensorflow)))'例如，它可能是这样的：
/usr/lib/python2.7/site-packages/tensorflow切换到此目录并记下 models 子目录。包括许多深度学习模型，包含类似教程的注释，例如：
- 多线程 word2vec 小批量 skip-gram 模型。
- 多线程 word2vec 全量 skip-gram 模型。
- CNN CIFAR-10 网络。
- 简单，端到端，类似 LeNet-5 的卷积 MNIST 模型示例。
- Seq2seq 模型。
还要检查 examples 目录，因为它包含使用 MNIST 数据集的示例。
在 TensorFlow 主网站上还有一个很全好的教程列表。它们展示了如何使用不同的网络类型，不同的数据集以及如何以各种不同的方式使用框架。
最后，有 TensorFlow 实验室，您可以在 Web 浏览器中试验小型网络。
在这篇文章中，您发现了用于深度学习的 TensorFlow Python 库。
您了解到它是一个快速数值计算库，专门为大型深度学习模型的开发和评估所需的操作类型而设计。
您对 TensorFlow 或者这篇文章有任何疑问吗？在评论中提出您的问题，我会尽力回答。