谷歌于2015年11月釋出了全新人工智能系統TensorFlow。該系統可被用于語音識别或照片識别等多項機器深度學習領域，主要針對2011年開發的深度學習基礎架構DistBelief進行了各方面的改進，它可在小到一部智能手機、大到數千台資料中心伺服器的各種裝置上運作。
那麼為什麼會産生TensorFlow系統，以及谷歌為何将其開源？這個問題可以看雷鋒網文章《Google開源TensorFlow系統，這背後都有什麼門道？》。
2016年4月14日，Google釋出了分布式TensorFlow，版本号為0.8，這是TensorFlow釋出之後的比較重大的版本更新。Google的博文介紹了TensorFlow在圖像分類的任務中，在100個GPUs和不到65小時的訓練時間下，達到了78%的正确率。在激烈的商業競争中，更快的訓練速度是人工智能企業的核心競争力。而分布式TensorFlow意味着它能夠真正大規模進入到人工智能産業中，産生實質的影響。
詳情可以閱讀雷鋒網文章《開源後5個月，Google的深度學習系統都有哪些改變？》。
在2016年6月，TensorFlow釋出了新版本的早期版本，版本号為0.9，增加了對iOS的支援。
随着谷歌增加了TensorFlow對iOS的支援，應用程式将能夠在更聰明的神經網絡功能內建到它們的應用程式，最終使它們更聰明相當能幹。具體更新内容可以在《谷歌AI平台釋出早期版本，并登陸iOS》中看到。
在2017年1月底，TensorFlow 終于将迎來史上最重大更新：TensorFlow 1.0。Tensorflow它已成為 GitHub 最受歡迎的機器學習開源項目。因其高度普及率，尤其是在 Python 生态圈中，TensorFlow 的功能變化會對全世界的機器學習開發者造成重大影響。
上月初，谷歌公布了 TensorFlow 1.0.0-alpha ，即 TensorFlow 1.0 的第一個“草稿”版本。近日，新的候選版本 TensorFlow 1.0.0-rc0 被釋出出來，披露了更多技術細節，标志着我們離 “完全體”的 TensorFlow 1.0 更近一步。
1.0 版本不僅為 TensorFlow 機器學習函數庫帶來多重更新，而且為 Python 和 Java 使用者使用 TensorFlow 做開發降低了難度。另外，新版本的漏洞修補也得到了改善。更有意思的是，由于對 TensorFlow 計算做優化的新編譯器，在智能手機上運作基于 TensorFlow 的機器學習 APP 将成為可能。具體更新内容可以看雷鋒網(公衆号：雷鋒網)文章《TensorFlow 1.0 要來了！它将帶來哪些革命性變化？》
在2月7日谷歌通過部落格正式釋出了 TensorFlow Fold，該庫針對 TensorFlow 1.0 架構量身打造，可以幫助深度學習開發者根據不同結構的輸入資料建立動态的計算圖（Dynamic Computation Graphs），簡化了模型訓練階段對輸入資料的預處理過程，提升了系統的運作效率。這個庫的更多資訊可以在《谷歌剛釋出的深度學習動态計算圖工具TensorFlow Fold是什麼？》中看到。
本文作者：AI研習社 本文轉自雷鋒網禁止二次轉載， 原文連結
<!-- 登入檢視 begin -->
<!-- 登入檢視 end -->
</div>
自2015年11月釋出以來，谷歌旗下的機器學習開源架構TensorFlow已經在圖像識别，大資料分析，語音識别和語義了解，機器翻譯等各個領域得到了廣泛應用，同時也得到了業内人士的普遍認可，成為了目前最受關注和使用率最高的開源架構之一。
本文将重點整理TensorFlow架構的入門和安裝教程。更多關于TensorFlow的深入介紹、應用項目以及各機器學習開源架構之間的對比等内容，請見雷鋒網的系列文章。
下面是本文整理的資料内容：
在安裝之前，這裡先列出一些對TensorFlow給出大略介紹的文章，其中包括一些重要的概念解釋，TensorFlow的具體含義和優點，以及TensorFlow的基本工作原理等。
1. 《TensorFlow極速入門》
連結：http://www.leiphone.com/news/201702/vJpJqREn7EyoAd09.html
本文介紹了 graph 與 session 等基本元件，解釋了 rank 和 shape 等基礎資料結構概念，講解了一些 variable 需要注意的地方并介紹了 placeholders 與 feed_dict 。最終以一個手寫數字識别的執行個體将這些點串起來進行了具體說明。
2. 《TensorFlow學習筆記1：入門》
連結：http://www.jeyzhang.com/tensorflow-learning-notes.html
本文與上一篇的行文思路基本一緻，首先概括了TensorFlow的特性，然後介紹了graph、session、variable 等基本概念的含義，以具體代碼的形式針對每個概念給出了進一步的解釋。最後通過手寫數字識别的執行個體将這些點串起來進行了具體說明。
需要指出的是，兩篇文章覆寫的基礎概念不盡相同，并且舉例用的代碼也不一樣。
3. 《TensorFlow入門》
連結：http://www.jianshu.com/p/6766fbcd43b9#
與上面兩篇不同，本文簡單介紹了 TensorFlow 的含義、優點、安裝和基本工作原理之後，直接通過代碼示例的方式講解了 TensorFlow 的簡單用法，包括生成三維資料，然後用一個平面拟合它，以及通過 variable 實作一個簡單的計數器等。
值得一提的是，以上第二和第三篇分别來自兩個系列文章，這兩個系列也都是關于 TensorFlow 入門和實踐的優秀部落格。第二篇的後續文章講述了卷積神經網絡（CNN）模型建構，以及利用 TensorFlow 生成詞向量 (Word Embedding) 的具體過程。第三篇則實際上是基于斯坦福大學基于深度學習的自然語言處理課程的學習筆記，該系列其他的文章還講述了循環神經網絡（RNN）和 word2vec 模型等更深入的知識，感興趣的讀者可以從文章的作者頁找到更多文章。
上述文章都更傾向于 TensorFlow 的簡單介紹了基礎用法，但對于TensorFlow具體安裝過程的講述則不夠細緻。是以這裡專門針對TensorFlow的安裝過程推薦一篇教程。
4. 《真正從零開始，TensorFlow詳細安裝入門圖文教程！》
連結：http://www.leiphone.com/news/201606/ORlQ7uK3TIW8xVGF.html
上文來自雷鋒網小編的親身實踐，真正做到了從零開始，詳細介紹了在Linux環境下如何通過pip指令安裝TensorFlow架構的完整流程，以及面對一些常見問題的處理辦法。值得一提的是，本文在講解完架構安裝之後，還針對Komodo開發環境進行了簡單介紹。
經過了以上來自民間的實踐教程之後，相信各位讀者對TensorFlow的大緻情況和具體安裝方法已經有了自己的了解。下面對于那些想要更全面和深入地了解TensorFlow的讀者，我們推薦幾個官方的教程。
5. 谷歌官方入門教程
連結：https://www.tensorflow.org/get_started/
6. 谷歌教程翻譯
https://github.com/jikexueyuanwiki/tensorflow-zh
這裡谷歌給出的入門教程内容十分豐富，除了最基本的安裝、名詞解釋和代碼示例之外，還給出了 API 接口的詳細解釋和說明。但考慮到内容全是英文，是以雷鋒網(公衆号：雷鋒網)在這裡給出了國内志願者對谷歌内容的中文翻譯版，可以為那些英文不好的讀者提供參考。
7. TensorFlow中文社群
http://www.tensorfly.cn/
最後我們在這裡推薦一個 TensorFlow 的中文社群，該網站幾乎可以認為是 TensorFlow 的中文官網，除了上述谷歌官方教程的中文翻譯之外，該網站還包括進階指南、API中文手冊、精華文章和TF社群等諸多闆塊。
本文作者：AI研習社
作為機器學習領域、尤其是 Python 生态圈最受歡迎的架構平台，TensorFlow 具有許多吸引開發者的優點。其中最顯而易見的是谷歌的技術支援和完善的社群（龐大使用者群）。這些都為 TensorFlow 的普及打下了基礎。但是，開發者需要了解 Tensorflow 在技術上有哪些值得一提的優勢，又有哪些不足，以便在處理特定任務時進行工具選擇。而這些，必須要在與其他平台、架構的對比中才能凸顯。順便說一句老生常談的話，沒有萬能的工具，隻有在不同應用場景下最合适的選擇。是以，雷鋒網整理了介紹 Tensorflow、Caffe、Microsoft Cognitive Toolkit （CNTK）、MXnet、Torch 等平台架構，以及對它們做橫向對比的文章，供讀者按圖索骥。
綜合介紹
這部分的文章，對 TensorFlow 和其它主流深度學習架構、平台做了概括性介紹，歸納它們的主要特點。有經驗的開發者可跳過。
- 谷歌、微軟、OpenAI 等巨頭的七大機器學習開源項目 看這篇就夠了
對 Tensorflow、DeepMind Lab、Universe、FastText、CNTK、MXNet、SystemML 這七個開源機器學習平台、架構做了介紹。它們都是谷歌、微軟、亞馬遜、IBM 等國際網際網路巨頭開發或維護的平台，在一定程度上反應了巨頭們的 ML 布局以及研究傾向。
注意：該文章釋出時 Facebook 尚未推出 Pytorch。現在看來，Pytorch 是臉書在 ML 領域的關鍵項目。
位址：http://www.leiphone.com/news/201612/rFVygnQf4WjogJQR.html
- 深度學習——你需要了解的八大開源架構
對 TensorFlow、Torch、Caffe、Theano、Deeplearning4j 等主流開源架構作了簡要介紹，總結了它們的核心優勢及特點。
位址：http://www.leiphone.com/news/201608/5kCJ4Vim3wMjpBPU.html （來源雷鋒網(公衆号：雷鋒網)）
- 對比深度學習十大架構：TensorFlow 最流行但并不是最好
這篇文章翻譯自 Medium，同樣是對開源架構的綜合性介紹。它出自 BEEVA Labs 的資料分析師 Ricardo Guerrero Gomez-Ol 之手，對 TensorFlow、Theano、Keras、Lasagne 等架構和工具做了簡要介紹。
位址：http://geek.csdn.net/news/detail/132553
橫向對比
- 這幾天 AI 圈都在關注的深度學習庫評測
整理自香港浸會大學褚曉文教授研究團隊的論文。褚教授在論文中對 Caffe、CNTK、MXNet、TensorFlow、Torch 幾大工具在 CPU、GPU 平台上的性能表現做了深度評測。該論文一經發表便受到廣泛關注，堪稱是迄今為止，對上述幾個主流深度學習架構最深入、客觀的計算性能對比。其研究結果，簡明扼要得歸納了這幾大平台分别最适合處理何種神經網絡任務。雷鋒網強力推薦。
位址：http://www.leiphone.com/news/201701/OlEiX6kZLKHVUyW2.html （來源雷鋒網）
- 機器學習和深度學習的最佳架構大比拼
這篇文章翻譯自 Infoworld，對 TensorFlow、Caffe、CNTK、MXNet、Scikit-learning、Spark MLlib 等幾大架構的優缺點進行了點評，以及實踐總結。本文針對不同背景、習慣的開發者，提供了平台選擇上的建議。
位址：https://news.cnblogs.com/n/562250/
- TensorFlow 等主流深度學習架構比較分析
這篇文章羅列了 TensorFlow、Theano、MXnet 三者的主要屬性和技術規格，做了簡明扼要的對比。
位址：http://www.tuicool.com/articles/BVFb6bb
- Caffe、TensorFlow、MXnet 三個開源庫對比
這是國内一名為陳汝丹的開發者的實操心得，對三個架構發表了自己的看法。文章對技術的讨論較為細緻，适合做實踐參考。
位址：http://chenrudan.github.io/blog/2015/11/18/comparethreeopenlib.html#0-tsina-1-2654-397232819ff9a47a7b7e80a40613cfe1
與其它架構的對比
- 如何評價百度剛剛開源的 Paddle 平台？
2016 年下半年開源的 PaddlePaddle 是百度的誠意之作，或許還是國内誕生的最具重量級的機器學習架構。這篇文章對其做了介紹，并邀請行業人士對 PaddlePaddle 相對于 TensorFlow、Caffe 的優缺點做了簡要評論。
位址：http://www.leiphone.com/news/201608/TfDtMfbKkUOEieWm.html（來源雷鋒網）
- 應該選擇 TensorFlow 還是 Theano？
由于 TensorFlow 與 Theano 有替代關系，兩者之間的比較是個相對熱門的話題。這是知乎上的問答，直接對比了這兩個深度學習架構。
位址：https://www.zhihu.com/question/41907061
補充
- TensorFlow 與 Apache Spark 結合：雅虎開源“TensorFlowOnSpark”
最後，說到 TensorFlow 就不得不提最近的一個大新聞——“TensorFlowOnSpark”。該架構使得 TensorFlow 相容于 Apache Spark，能直接擷取後者的資料集，為開發者減少大量麻煩。
位址：http://www.leiphone.com/news/201702/XwhHugKHTk86WQso.html
本文作者：AI研習社 本文轉自雷鋒網禁止二次轉載， 原文連結
<!-- 登入檢視 begin -->
<!-- 登入檢視 end -->
</div>
随着谷歌2015年釋出開源人工智能系統TensorFlow，讓本就如火如荼的深度學習再添一把火，截至現在，TensorFlow已經曆了多個版本演進，功能不斷完善，AI開發者也能靈活自如的運用TensorFlow解決一些實際問題，下面雷鋒網會對一些比較實用的TensorFlow應用做相關整理，讓大家對TensorFlow有理性和感性的雙層認知。
TensorFlow在圖像識别中的應用
對人類而言，區分畫面、圖像就如同與生俱來一樣簡單，例如我們能夠輕松的識别老虎與雄獅的差別，但如果把這個問題交給計算機看上去并不簡單。
在過去幾年裡，機器學習在解決這些難題方面取得了巨大的進步。其中，我們發現一種稱為深度卷積神經網絡的模型在困難的視覺識别任務中取得了理想的效果 —— 達到人類水準，在某些領域甚至超過。下面這篇文章雷鋒網(公衆号：雷鋒網)重點整理了TensorFlow在圖像識别中的應用，看計算機如何識别圖像。
位址：http://www.csdn.net/article/2015-12-16/2826496
除了認識TensorFlow在圖像識别中的應用，關于如何搭建圖像識别系統雷鋒網也有相關教程：
- 手把手教你用TensorFlow搭建圖像識别系統（一）
- 手把手教你用TensorFlow搭建圖像識别系統（二）
- 手把手教你用TensorFlow搭建圖像識别系統（三）
農場主與TensorFlow的邂逅，AI告訴你一根優秀的黃瓜應該具備什麼素質
一根優秀的黃瓜應該具備什麼素質？相信這是很多人不可描述的問題，而對于黃瓜農場主而言，同一個品種的黃瓜可以根據顔色、刺、體态等因素分成9類，但分檢工作對于人來說恰好是一個枯燥繁瑣的過程。
一位日本農場主 Makoto 為解決這一難題，利用TensorFlow制作了一款黃瓜分類機，通過機器就能夠完成黃瓜的分類工作，但識别準确率目前隻有70%，Makoto 目前正打算使用谷歌的雲機器學習（Cloud Machine Learning）平台，來進一步改善他的黃瓜分類機。
位址：http://www.leiphone.com/news/201609/dHgxLbz96OQqVN8z.html（來源雷鋒網）
用TensorFlow搭建圖像分類器
本文将詳細介紹如何通過TensorFlow搭建圖像分類器，從安裝、優化、編碼、和使用等方面手把手教你用TensorFlow搭建圖像分類器。
位址：http://www.leiphone.com/news/201702/JdaLcpYO59zTTF06.html
如何使用Tensorflow實作快速風格遷移？
風格遷移（Style Transfer）是深度學習衆多應用中非常有趣的一種，如圖，我們可以使用這種方法把一張圖檔的風格“遷移”到另一張圖檔上，但原始的風格遷移的速度是非常慢的。在GPU上，生成一張圖檔都需要10分鐘左右，而如果隻使用CPU而不使用GPU運作程式，甚至需要幾個小時。這個時間還會随着圖檔尺寸的增大而迅速增大，那麼能否實作使用Tensorflow實作快速風格遷移？
位址：http://www.leiphone.com/news/201701/tGlVRXWShwe7ffHW.html
運用TensorFlow處理簡單的NLP問題
目前網際網路每天都在産生大量的文本和音頻資料，通過挖掘這些資料，我們可以做一些更加便捷的應用，例如機器翻譯、語音識别、詞性标注以及資訊檢索等，這些都屬于NLP範疇。而在NLP領域中，語言模型是最基本的一個環節，本文主要圍繞語言模型展開，首先介紹其基本原理，進而引出詞向量(word2vec)、循環神經網絡(RNN)、長短時記憶網絡(LSTM)等深度學習相關模型，并詳細介紹如何利用 TensorFlow 實作上述模型。
位址：http://blog.csdn.net/frankiegu/article/details/52133763
在TensorFlow中用深度度學習修複圖像
生活中經常會遇到圖檔缺失問題，設計師和攝影師用内容自動填補來補充圖像中不想要的或缺失的部分，本文将介紹通過一個 DCGAN 用深度學習進行圖像修複。
位址：http://blog.csdn.net/whiteboy1999/article/details/53727376?locationNum=1&fps=1
基于Tensorflow的CNN/CRF圖像分割技術
本篇文章驗證了卷積神經網絡應用于圖像分割領域時存在的一個問題——粗糙的分割結果。根據像素間交叉熵損失的定義，我們在簡化的場景下進行了模型的訓練，并使用後向傳播來更新權重。我們使用條件随機場（CRFs）來解決分割結果粗糙的問題，并取得了很好的效果。
位址：https://yq.aliyun.com/articles/67189?spm=5176.8067842.tagmain.47.W3YH1h
利用Docker和阿裡雲容器服務輕松搭建分布式TensorFlow訓練叢集
由于在現實世界裡，單機訓練大型神經網絡的速度非常緩慢，這就需要運作分布式TensorFlow叢集并行化的訓練模型。但是TensorFlow本身隻是計算架構，要将其應用在生産環境，還是需要叢集管理工具的資源排程，監控以及生命周期管理等能力。
本文将分兩個部分介紹如何在阿裡雲容器服務上玩轉TensorFlow訓練叢集。
第一部分：https://yq.aliyun.com/articles/68337?spm=5176.100239.blogcont60894.15.tOeTKV
第二部分：https://yq.aliyun.com/articles/60894?spm=5176.8067842.tagmain.29.W3YH1h
本文作者：AI研習社 本文轉自雷鋒網禁止二次轉載， 原文連結
<!-- 登入檢視 begin -->
<!-- 登入檢視 end -->
</div>