原文链接

本指南指引你在TensorFlow上面编程。在使用本指南前，先安装TensorFlow。为了最有效使用该指南，你需要先了解一下内容：

• 怎样用Python来编程。
• 至少对数组有一点了解。
• 最好对机器学习有一些了解。但是如果你只是了解一点点甚至还没有了解过机器学习，这依然是你第一篇需要阅读的指南。

TensoFlow提供了多样API。 最低级别API –TensorFlow Core– 提供给你完整的编程控制。我们推荐机器学习研究者和其他需要对模型进行良好控制的人使用TensorFlow Core。较高级别的API构建在TensorFlow Core之上。这些更高级的API通常比TensorFlow Core更容易学习和使用。另外，较高级别的API使重复任务更容易，并且在不同用户之间更一致。像tf.estimator这样的高级API可以帮助你管理数据集，估计器，训练和推理。

本指南从TensorFlow Core教程开始。然后我们将演示如何在tf.estimator中实现相同的模型。了解TensorFlow Core原理,在你使用高级API时理解它们的内部工作会很有帮助。

Tensors(张量)

TensorFlow中的数据中心单位是张量。张量由一组任意数量的阵列的原始值组成。张量的阶(rank)是其维数。以下是张量的一些例子：

3 # a rank 0 tensor; this is a scalar with shape []
[1., 2., 3.] # a rank 1 tensor; this is a vector with shape [3]
[[1., 2., 3.], [4., 5., 6.]] # a rank 2 tensor; a matrix with shape [2, 3]
[[[1., 2., 3.]], [[7., 8., 9.]]] # a rank 3 tensor with shape [2, 1, 3]

TensorFlow核心教程

导入TensorFlow

TensorFlow程序的规范导入声明如下：

import tensorflow as tf

这让Python可以访问TensorFlow的所有类，方法和符号。大多数文档假设您已经完成了。

计算图

你可能会认为TensorFlow 核心程序由两个不同的部分组成：

1.构建计算图。

2.运行计算图。

一个计算图是一系列TensorFlow操作排列成节点的图。我们来构建一个简单的计算图。每个节点采用零个或多个张量作为输入，并产生一个张量作为输出。一种类型的节点是一个常数。像所有TensorFlow常量一样，它不需要任何输入，它输出一个内部存储的值。我们可以创建两个浮点式张量node1 ，node2如下所示：

node1 = tf.constant(3.0, dtype=tf.float32)
node2 = tf.constant(4.0) # also tf.float32 implicitly
print(node1, node2)

最后的打印语句输出

Tensor("Const:0", shape=(), dtype=float32) Tensor("Const_1:0", shape=(), dtype=float32)

注意，打印节点不会如你所期望的那样输出值3.0，4.0。相反，它们是在评估时分别产生3.0和4.0的节点。要实际评估节点，我们必须在会话中运行计算图。会话封装了TensorFlow运行时的控制和状态。

下面的代码创建一个Session对象，然后调用其run方法运行足够的计算图来评估node1和node2。通过在会话中运行计算图如下：

sess = tf.Session()
print(sess.run([node1, node2]))

我们看到3.0和4.0的预期值：

[3.0, 4.0]

我们可以通过将Tensor节点与操作相结合来构建更复杂的计算（操作也是节点）。例如，我们可以添加我们的两个常量节点并生成一个新的图，如下所示：

node3 = tf.add(node1, node2)
print("node3:", node3)
print("sess.run(node3):", sess.run(node3))

最后两个print语句生成

node3: Tensor("Add:0", shape=(), dtype=float32)
sess.run(node3): 7.0

TensorFlow提供了一个名为TensorBoard的实用工具，可以显示计算图的图片。这是一个屏幕截图，显示TensorBoard如何可视化图形：

就像这样，这个图并不是特别有趣，因为它总是产生一个常量结果。可以将图形参数化为接受外部输入，称为占位符。一个占位符预示着会提供一个值。

a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
adder_node = a + b  # + provides a shortcut for tf.add(a, b)

前面的三行有点像一个函数或一个lambda，其中我们定义了两个输入参数（a和b），然后对它们进行一个操作。我们可以通过使用run方法的feed_dict参数来对多个输入进行评估， 以将具体值提供给占位符：

print(sess.run(adder_node, {a: 3, b: 4.5}))
print(sess.run(adder_node, {a: [1, 3], b: [2, 4]}))

输出结果

7.5
[ 3.  7.]

在TensorBoard中，图如下所示：

我们可以通过添加另一个操作使计算图更加复杂。例如，

add_and_triple = adder_node * 3.
print(sess.run(add_and_triple, {a: 3, b: 4.5}))

产生输出

22.5

前面的计算图在TensorBoard中将如下所示：

在机器学习中，我们通常会想要一个可以接受任意输入的模型，比如上面的一个。为了使模型可训练，我们需要能够修改图形以获得具有相同输入的新输出。 变量允许我们向图中添加可训练的参数。它们的构造类型和初始值：

W = tf.Variable([.3], dtype=tf.float32)
b = tf.Variable([-.3], dtype=tf.float32)
x = tf.placeholder(tf.float32)
linear_model = W * x + b

常量在调用tf.constant时被初始化，其值永远不会改变。相比之下，当调用tf.Variable，变量不会被初始化。要初始化TensorFlow程序中的所有变量，您必须显式调用特殊操作，如下所示：

init = tf.global_variables_initializer()
sess.run(init)

重要的是要实现initTensorFlow子图的一个句柄来初始化所有的全局变量。直到我们调用sess.run，这些变量才被初始化。

既然x是占位符，我们可以同时评估linear_model几个值， x如下所示：

print(sess.run(linear_model, {x: [1, 2, 3, 4]}))

产生输出

[ 0.          0.30000001  0.60000002  0.90000004]

我们创建了一个模型，但是我们不知道它有多好。为了评估训练数据的模型，我们需要一个y占位符来提供所需的值，我们需要写一个损失函数。

损失函数测量当前模型与提供的数据之间的差距。我们将使用线性回归的标准损失模型，它将当前模型和提供的数据之间的三角形的平方相加。linear_model – y创建一个向量，其中每个元素是对应示例的误差增量。我们调用tf.square与那个误差一致。然后，我们创建一个单一的标量求和所有平方误差，使用tf.reduce_sum方法抽象出所有示例的误差：

y = tf.placeholder(tf.float32)
squared_deltas = tf.square(linear_model - y)
loss = tf.reduce_sum(squared_deltas)
print(sess.run(loss, {x: [1, 2, 3, 4], y: [0, -1, -2, -3]}))

产生损失值

23.66

我们可以通过手动重新赋值W和b为完美的-1和1来让提升上面的例子。一个变量由用于tf.Variable的值初始化，但可以使用类似tf.assign这些操作来改变。例如， W=-1并且b=1是我们的模型的最佳参数。我们可以改变W和b：

fixW = tf.assign(W, [-1.])
fixb = tf.assign(b, [1.])
sess.run([fixW, fixb])
print(sess.run(loss, {x: [1, 2, 3, 4], y: [0, -1, -2, -3]}))

最终打印显示现在的损失为零。

0.0

我们猜测到W和b“完美”的值，但机器学习的意义是自动地找到正确的模型参数。我们将在下一节中展示如何完成此项工作。

tf.train API

机器学习的完整讨论超出了本教程的范围。然而，TensorFlow提供了优化器，可以缓慢地更改每个变量，以便最大限度地减少损失函数。最简单的优化器是梯度下降。它根据该变量的损失导数的大小修改每个变量。通常，手动计算符号导数是冗长乏味且容易出错的。因此，TensorFlow可以在仅给出模型描述使用tf.gradients函数自动生成导数。为了简单起见，优化器通常会这样做。例如，

optimizer = tf.train.GradientDescentOptimizer(0.01)
train = optimizer.minimize(loss)

sess.run(init) # reset values to incorrect defaults.
for i in range(1000):
  sess.run(train, {x: [1, 2, 3, 4], y: [0, -1, -2, -3]})

print(sess.run([W, b]))

导致最终的模型参数：

[array([-0.9999969], dtype=float32), array([ 0.99999082],
 dtype=float32)]

现在我们完成了实际的机器学习！尽管这样做简单的线性回归并不需要太多的TensorFlow核心代码，但更复杂的模型和方法将数据输入到模型中需要更多的代码。因此，TensorFlow为常见的模式、结构和功能提供了更高级别的抽象。我们将在下一节中学习如何使用这些抽象。

完整程序

完整的可训练线性回归模型如下所示：

import tensorflow as tf

# Model parameters
W = tf.Variable([.3], dtype=tf.float32)
b = tf.Variable([-.3], dtype=tf.float32)
# Model input and output
x = tf.placeholder(tf.float32)
linear_model = W * x + b
y = tf.placeholder(tf.float32)

# loss
loss = tf.reduce_sum(tf.square(linear_model - y)) # sum of the squares
# optimizer
optimizer = tf.train.GradientDescentOptimizer(0.01)
train = optimizer.minimize(loss)

# training data
x_train = [1, 2, 3, 4]
y_train = [0, -1, -2, -3]
# training loop
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init) # reset values to wrong
for i in range(1000):
  sess.run(train, {x: x_train, y: y_train})

# evaluate training accuracy
curr_W, curr_b, curr_loss = sess.run([W, b, loss], {x: x_train, y: y_train})
print("W: %s b: %s loss: %s"%(curr_W, curr_b, curr_loss))

运行时，它会产生

W: [-0.9999969] b: [ 0.99999082] loss: 5.69997e-11

请注意，损失是非常小的数字（非常接近零）。如果您运行此程序，您的损失可能不完全相同，因为模型使用伪随机值初始化。

这个更复杂的程序仍然可以在TensorBoard中进行可视化

tf.estimator

tf.estimator 是一个高级TensorFlow库，简化机器学习的机制，包括：

• 运行训练循环
• 运行评估循环
• 管理数据集

tf.estimator定义了许多常见的模型。

基本用法

注意,用了tf.estimator线性回归程序变得简单得多：

import tensorflow as tf
# NumPy is often used to load, manipulate and preprocess data.
import numpy as np

# Declare list of features. We only have one numeric feature. There are many
# other types of columns that are more complicated and useful.
feature_columns = [tf.feature_column.numeric_column("x", shape=[1])]

# An estimator is the front end to invoke training (fitting) and evaluation
# (inference). There are many predefined types like linear regression,
# linear classification, and many neural network classifiers and regressors.
# The following code provides an estimator that does linear regression.
estimator = tf.estimator.LinearRegressor(feature_columns=feature_columns)

# TensorFlow provides many helper methods to read and set up data sets.
# Here we use two data sets: one for training and one for evaluation
# We have to tell the function how many batches
# of data (num_epochs) we want and how big each batch should be.
x_train = np.array([1., 2., 3., 4.])
y_train = np.array([0., -1., -2., -3.])
x_eval = np.array([2., 5., 8., 1.])
y_eval = np.array([-1.01, -4.1, -7, 0.])
input_fn = tf.estimator.inputs.numpy_input_fn(
    {"x": x_train}, y_train, batch_size=4, num_epochs=None, shuffle=True)
train_input_fn = tf.estimator.inputs.numpy_input_fn(
    {"x": x_train}, y_train, batch_size=4, num_epochs=1000, shuffle=False)
eval_input_fn = tf.estimator.inputs.numpy_input_fn(
    {"x": x_eval}, y_eval, batch_size=4, num_epochs=1000, shuffle=False)

# We can invoke 1000 training steps by invoking the  method and passing the
# training data set.
estimator.train(input_fn=input_fn, steps=1000)

# Here we evaluate how well our model did.
train_metrics = estimator.evaluate(input_fn=train_input_fn)
eval_metrics = estimator.evaluate(input_fn=eval_input_fn)
print("train metrics: %r"% train_metrics)
print("eval metrics: %r"% eval_metrics)

运行时，它会产生

train metrics: {'loss': 1.2712867e-09, 'global_step': 1000}
eval metrics: {'loss': 0.0025279333, 'global_step': 1000}

请注意我们的eval数据有较高的损失，但仍然接近于零。这意味着我们正在学习。

定制模型

tf.estimator不会将您锁定到其预定义的模型中。假设我们想创建一个没有内置到TensorFlow中的自定义模型。我们仍然可以保留tf.estimator的数据集、供给、训练等的高级抽象 。为了说明，我们将展示如何使用我们对较低级别TensorFlow API的了解实现我们自己的LinearRegressor等效模型。

要定义一个使用tf.estimator的自定义模型，我们需要使用 tf.estimator.Estimator。tf.estimator.LinearRegressor实际上是tf.estimator.Estimator一个子类。相对于子类Estimator，我们只是提供Estimator一个告诉 tf.estimator如何能评估预测，训练步骤和损失的model_fn函数 。代码如下：

import numpy as np
import tensorflow as tf

# Declare list of features, we only have one real-valued feature
def model_fn(features, labels, mode):
  # Build a linear model and predict values
  W = tf.get_variable("W", [1], dtype=tf.float64)
  b = tf.get_variable("b", [1], dtype=tf.float64)
  y = W * features['x'] + b
  # Loss sub-graph
  loss = tf.reduce_sum(tf.square(y - labels))
  # Training sub-graph
  global_step = tf.train.get_global_step()
  optimizer = tf.train.GradientDescentOptimizer(0.01)
  train = tf.group(optimizer.minimize(loss),
                   tf.assign_add(global_step, 1))
  # EstimatorSpec connects subgraphs we built to the
  # appropriate functionality.
  return tf.estimator.EstimatorSpec(
      mode=mode,
      predictions=y,
      loss=loss,
      train_op=train)

estimator = tf.estimator.Estimator(model_fn=model_fn)
# define our data sets
x_train = np.array([1., 2., 3., 4.])
y_train = np.array([0., -1., -2., -3.])
x_eval = np.array([2., 5., 8., 1.])
y_eval = np.array([-1.01, -4.1, -7, 0.])
input_fn = tf.estimator.inputs.numpy_input_fn(
    {"x": x_train}, y_train, batch_size=4, num_epochs=None, shuffle=True)
train_input_fn = tf.estimator.inputs.numpy_input_fn(
    {"x": x_train}, y_train, batch_size=4, num_epochs=1000, shuffle=False)
eval_input_fn = tf.estimator.inputs.numpy_input_fn(
    {"x": x_eval}, y_eval, batch_size=4, num_epochs=1000, shuffle=False)

# train
estimator.train(input_fn=input_fn, steps=1000)
# Here we evaluate how well our model did.
train_metrics = estimator.evaluate(input_fn=train_input_fn)
eval_metrics = estimator.evaluate(input_fn=eval_input_fn)
print("train metrics: %r"% train_metrics)
print("eval metrics: %r"% eval_metrics)

运行时，它会产生

train metrics: {'loss': 1.227995e-11, 'global_step': 1000}
eval metrics: {'loss': 0.01010036, 'global_step': 1000}

请注意，自定义model_fn()函数的内容与下级API的手动模型训练循环非常相似。

下一步

现在您已经了解了TensorFlow的基础知识。我们有更多的教程可以看看，了解更多。如果您是机器学习的初学者，请参阅MNIST的初学者，否则请参阅Deep MNIST专家。