1.基本简介与理解
1.1 简介
作为一个全面灵活的开源机器学习平台，我们可以借助TensorFlow 创建适用于桌面、移动、Web 和云环境的机器学习模型，也可以简单说TensorFlow 是一个开源的机器学习的框架，我们可以使用 TensorFlow 来快速地构建神经网络，同时快捷地进行网络的训练、评估与保存。
我们在安装TensorFlow之后,每次使用可以直接进行导入方便快捷
import TensorFlow as tf
TensorFlow官方网站如下:
关于TensorFlow |TensorFlow中文官网 (google.cn)
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
1.2 优劣势分析与架构解读
1.2.1 优势
● 灵活性强：只要计算能表示为计算流图，都可以使用TF。
● 真正的可移植性：支持台式机、服务器（CPU、GPU均可）、嵌入式设备。
● 多语言支持：基于Python，也提供C++使用界面、Ipython交互界面。
● 可视化工具：TensorFlow提供一个强大的可视化工具，TensorBoard。
● 丰富的封装库支持：TFlearn、TF-Slim、Keras等。
1.2.2 劣势
● 不支持Windows
除了TensorFlow所拥有的所有优势外，它对Windows用户的功能非常有限。对于Linux用户则是非常友好的.
● 支持GPU
TensorFlow只有NVIDIA对GPU的支持和Python编程语言对GPU编程的支持。
1.2.3 TensorFlow架构解读
第一层：设备通信层，由设备层和网络层组成,负责网络通信和设备管理。设备管理可以实现TF设备异构的特性，设备层支持CPU、GPU、Mobile等不同设备的通信实现。网络通信依赖gRPC通信协议实现不同设备间的数据传输和更新。
第二层：Kernel 实现层，以Tensor为处理对象，依赖网络通信和设备内存分配，实现了各种Tensor操作或计算,主要是机器学习的内核实现。
第三层：图计算层，由分布式主控和数据流执行器组成,包含本地计算流图和分布式计算流图的实现。分布式主控根据负载能力将不同的工作量分配在不同的设备上,数据流执行器基于最好的实验方式来执行数据流图.
第四层: API接口层，C API是对TF功能模块的接口封装，它是用C语言实现的。选择C语言是因为它是一种底层语言,简单快速、可靠，并且可以在任何操作系统上运行。
第五层: Client 层，Python,C++等编程语言在应用层通过API接口层调用TF核心功能实现相关实验和应用。
而TensorFlow的最后一层包含用python和C++实现的训练和推理库。
想全面了解TensorFlow入门实操的基础理论和设计思路，可以到中国大学 MOOC 学习《 TensorFlow 入门实操课程 》，快速上手TensorFlow基本应用和实践。
2.安装和使用
2.1 安装
此处以Ubuntu 16.04 或更高版本（64 位）为例进行讲解
2.1.1 使用pip安装
PIP 是一种包管理系统，用于安装和管理用 Python 写的软件包。
首先我们需要安装python环境, 需要使用 Python 3.6-3.9 和 pip 19.0 及更高版本.如果不确定我们是否已经安装,可以通过版本检查的方式进行查看,确保后续可以继续进行.
python3 –version pip3 --version
如果没有安装,请参考如下代码:
sudo apt update sudo apt install python3-dev python3-pip python3-venv
重点: 其实,此处针对python的安装我更建议安装anaconda,这样可以省很多的事情,anaconda包含了conda、Python等190多个科学包及其依赖项. 能减少各种库问题，版本问题.
其次我们需要建立环境,此处建议是安装虚拟环境
最后我们激活虚拟环境,然后在虚拟环境下进行TensorFlow pip 软件包的安装
pip install --upgrade TensorFlow
安装结束以后可以进行验证,确保安装成功
python -c "import TensorFlow
2.1.2 源码编译安装
git clone --recurse-submodules https://github.com/TensorFlow/TensorFlow
安装
参考 https://www.php.cn/link/a03caec56cd82478bf197475b48c05f9
配置./configure根据你的实际情况如实回答一系列问题。回答之后 bazel 会对环境进行配置，此时需要机器可以访问外网，便于获取一些编译依赖包。一些包可能需要翻墙。
编译
bazel build -c opt --config=cuda //TensorFlow/tools/pip_package:build_pip_package
2.1.3 Docker 镜像安装
Docker 是一个开源的应用容器引擎，让开发者可以打包他们的应用以及依赖包到一个可移植的容器中，然后发布到任何流行的 Linux 机器上，也可以实现虚拟化。
当你通过 Docker 安装和运行 TensorFlow 时，它与你机器上之前已安装的软件包完全隔离。
官方镜像
官方提供了 4 个 Docker 镜像可供使用：
仅 CPU 版，无开发环境：gcr.io/TensorFlow/TensorFlow
仅 CPU 版，有开发环境：gcr.io/TensorFlow/TensorFlow:latest-devel
支持 GPU，无开发环境：gcr.io/TensorFlow/TensorFlow:latest-gpu
支持 GPU，有开发环境：gcr.io/TensorFlow/TensorFlow:latest-devel-gpu
创建 Docker 用户组
允许普通用户无需 sudo 即可启动容器。
usermod -a -G docker 用户名
启动 Docker 容器
我使用的是支持GPU的版本所以选择第四个进行安装.大家看自己的电脑支持什么版本然后对应命令下载即可.
docker run -it gcr.io/TensorFlow/TensorFlow
2.2使用
2.2.1占位符
语法: tf.compat.v1.placeholder(dtype,shape=None, name=None)
例子1:
w = tf.constant([1, 1, 2, 2, 3, 3], shape=[2, 3]) h = tf.constant([7, 7, 9, 9, 11, 11], shape=[3, 2]) #下面语法表示的是两个矩阵相乘 l = tf.matmul(w, h) with tf.Session() as print(sess.run([a,b,c]))
例子2:
首先import进行导入
import TensorFlow as tf
w = tf.placeholder(dtype=tf.float32)
h = tf.placeholder(dtype=tf.float32)
sum = tf.add(w,h)
## 填充数据时，使用run()方法的feed_dict参数指定张量对应的值即可，数据格式和字典类似。
with tf.Session() as sess:
# 填充占位符，填充形式类字典
res
= sess.run(sum, feed_dict={w: [5], h: [6]})
print(res)具体的参数说明:
● dtype：张量中元素的数据类型，将被输入。
● shape : 默认为None：将被输入的张量的形状，它是一个可选参数。如果没有指定形状，人们可以输入任何形状的张量。
● name: 默认为None：操作的名称，可选参数。
2.2.2变量
Variable()构造函数希望变量有一个初始值，它可以是任何种类或形状的Tensor。变量的类型和形式由其初始值定义。形状和变量一旦被创建就会被固定下来。
在众多的参数中,需要注意的是validate_shape: 默认为True。如果是False，允许变量以未知的形状值初始化。如果是True，初始值的形状必须是已知的，这是默认的。
2.2.2.1创建变量
最常见的创建变量方式是使用Variable()构造函数。
import TensorFlow as tf v = tf.Variable([1,2,3,4,5,6]) #创建变量v，为一个array print(v) #查看v的shape，不是v的值。 ## 结果是： <tf.Variable 'Variable:0' shape=(6,), numpy=array([1,2,3,4,5,6],dtype=int32)> with tf.Session() as sess: sess.run(v.initializer) ##运行变量的initializer。调用op之前，所有变量都应被显式地初始化过。 sess.run(v) ##查看v的值，结果是：array([1,2,3,4,5,6])
注意: 我们在进行初始化的时候也可以按如下书写
init = tf.global_variables_initializer()#全局变量初始化 with tf.Session() as sess: sess.run(init)
2.2.2.2分配或修改变量中的元素
我们使用assign()方法来修改这个变量。
示例一:assign用来更新值
w = tf.Variable([3, 4,5,6]) w [1].assign(2) w
输出结果如下:
<tf.Variable ‘Variable:0’ shape=(4,), numpy=array([3, 2,5,6], dtype=int32)> ## 我们在此处使用assign将数组中的索引为1的值由4更新为2
示例二 : assign_add()用来添加变量值
# create variable w = tf.Variable([3, 4,5,6]) # using assign_add() function w.assign_add([1, 1,1,1]) w
输出结果如下:
<tf.Variable ‘Variable:0’ shape=(4,), numpy=array([4, 5,6,7], dtype=int32)> ## 我们在此处使用assign_add()将数组中的每一个数值加1进行输出
示例三: assign_sub()用来从变量中减去值
# create variable w = tf.Variable([3, 4,5,6]) # using assign_add() function w.assign_sub([1, 1,1,1]) w <tf.Variable ‘Variable:0’ shape=(4,), numpy=array([2, 3,4,5], dtype=int32)> ## 我们在此处使用assign_sub()将数组中的每一个数值减1进行输出
2.2.2.3改变变量的形状
tf.reshape()方法用于改变变量的形状。必须传递变量和形状。
import TensorFlow as tf w= tf.Variable([[3, 5, 6, 7]]) tf.reshape(w, shape=(2, 2)) w
输出结果如下:
<tf.Tensor: shape=(2, 2), , numpy=array([[3, 5],[6, 7]], dtype=int32)>
2.2.3 Session会话
TensorFlow中只有让Graph（计算图）上的节点在Session（会话）中执行，才会得到结果。Session的开启涉及真实的运算，因此比较消耗资源。在使用结束后，务必关闭Session。
方式一进行手动关闭:
import TensorFlow as tf w= tf.constant(8, dtype=tf.int8) h = tf.constant(6, dtype=tf.int8) result= w + h sess = tf.Session() sess.run(result)#执行运算 sess.close() #手动关闭session
方式二进行自动关闭(使用到with语句):
import TensorFlow as tf w= tf.constant(8, dtype=tf.int8) h = tf.constant(6, dtype=tf.int8) result= w + h with tf.Session() as sess: #运算结束后session自动关闭 sess.run(res)
安装好TensorFlow后，初步入门机器学习的同学可以到中国大学MOOC上学习《 TensorFlow 入门实操课程 》，快速了解如何使用TensorFlow建立和训练神经网络、用自然语言处理系统教会机器理解、分析和回应人类的言语 、构建和训练模型等基本理论。我推荐对模型部署有需求的同学可以去了解《 TensorFlow 入门课程 - 部署篇 》，高效掌握在多种生产场景下灵活部署模型的技巧。大家也可以在TensorFlow官网（https://www.php.cn/link/e48382353dc6c66379fb8e1ebf48c5e8）上探索更多学习资源，持续精进机器学习知识与技能！
作者介绍
张云波，活跃的IT网红讲师，拥有学员31w+，国内早期开始和发布苹果Swift、安卓Kotlin、微信小程序、区块链技术的讲师之一。主攻前端开发、iOS开发、Android开发、Flutter开发、区块链Dapp开发，有丰富的大公司和海外工作经验。
