这篇TensorFlow教程的目标读者是那些对机器学习有一定基本概念并且想尝试上手TensorFlow的人。首先你需要安装好TensorFlow（可以跟着本教程进行安装http://cv-tricks.com/artificial-intelligence/deep-learning/deep-learning-frameworks/tensorflow/install-tensorflow-1-0-gpu-ubuntu-14-04-aws-p2-xlarge/）。 本教程共分为两部分： 第一部分我们会配合代码实例解释基础概念， 第二部分我们会构建一个线性回归模型。
第一部分： TensorFlow基础
TensorFlow是一个用于数值计算的库，其中数据沿着图（graph）而流动。在TensorFlow中数据用n维数组表示并被称之为Tensors。而图（graph）由数据(也叫Tensors)和数学运算共同组成。
- 图中的节点： 代表数学运算
- 图中的边(edges)： 代表在不同运算中流动的Tensors
TensorFlow不同于其他编程语言的另一个方面是： 在TensorFlow中无论你要构建什么，首先你需要构思整个蓝图。在创建图的时候，变量并没有被赋值。随后当已经创建了完整的图之后，还需要在一个会话(session)中去运行它，此时图中的变量才会被赋值。稍后还有更详细的介绍。
现在让我们通过动手来学习。运行Python并导入tensorflow：
1. TensorFlow中的图
图是TensorFlow的主干，所有的计算/操作/变量都位于图中。代码中发生的一切都位于TensorFlow提供的一个默认图中。可以通过如下代码访问该图：
你也可以这样得到所有操作的list：
由于现在图是空的，所以该语句的输出也是空的,即[]。
如果想打印出各操作的名称，用这条语句：
这回还是空的，等我们在图中加入了操作之后再来执行该语句。
另外，我们也可创建多个图，现在先不细讲。
2. TensorFlow会话
图是用来定义操作的，而操作必须运行在一个会话(session)中，图和会话的创建是相互独立的。可以把图想象成是设计蓝图，则会话就是它的施工地点。
图仅仅是定义了计算或者说构建了设计蓝图。 然而，除非我们在会话中运行图或者图的一部分，否则没有任何变量也没有任何值。
可以这样创建会话：
打开一个会话时，要记得在结尾处关闭。或者可以用python中的with语句块，如此一来，它将会自动被关闭：
在本教程的代码中我们会频繁使用with语句块，我们也推荐你这样操作。
3. TensorFlow中的Tensors
TF将数据保存在Tensors中，它有点像numPy包中的多维数组（尽管它们和numPy数组不同）
常量
常量的值不能修改，定义方式如下：
可以看到，不同于Python之类的其他语言，这里并不能直接打印/访问常量的值，除非在会话中运行，再来试一下：
这回打印了输出结果1.0
变量
即Tensors，和其它语言中的变量相似。
变量（顾名思义）和常量不同，能够存储不同的值。然而，在TF中，变量需要分别进行初始化，单独初始化每个变量效率很低。但TensorFlow提供了一次性初始化所有变量的机制，具体方法如下：
对于0.11及更早的tf版本，使用initialize_all_variables()方法：
>>>init_op = tf.initialize_all_variables()0.12及以后的版本，使用global_variables_initializer():
>>>init_op = tf.global_variables_initializer()上述代码会把init_op添加到TensorFlow的默认图中。
现在，试图访问刚才定义的变量b之前，先运行一下init_op，打印b输出2.0：
现在可以打印出该图中的全部操作：
这回输出了：
Const
test_var/initial_value
test_var
test_var/Assign
test_var/read
init如你所见，之前定义过常量a, 所以它被加到了图中。同理，对于变量b而言，许多’test_var’的状态，例如test_var/initial_value，test_var/read等也被加入了图中。你可以利用TensorBoard来可视化整个网络，TensorBoard是一个用于可视化TensorFlow图和训练过程的工具。
占位符
占位符，顾名思义表示占位，是指等待被初始化/填充的tensors。占位符被用于训练数据，只有当代码是在会话中运行的时候占位符才会被填充。“喂给”占位符的东西叫做feed_dict。Feed_dict是用于存储数据的（一系列）键值对：
上例输出结果为6.
4. 在TensorFlow中应用设备
TensorFlow具有非常强大的内置功能，可以在gpu, cpu或者gpu集群上运行你的代码。 它为你提供了选项，使你能选择要用来运行代码的设备。 这里不对此进行详细介绍，随后会有单独关于这个主题的教程。先来看一下TensorFlow全貌：
第二部分： 简单代码样例
这部分我们会学习线性回归的代码，首先来看几个代码中用到的TensorFlow函数：
创建随机正态分布：
使用random_normal创建服从正态分布的随机值。本例中，w是一个784*10的变量，其中的值服从标准差为0.01的正态分布。
Reduce_mean:
计算一个数组的均值
输出35
ArgMax:
类似于python中的argmax, 返回沿指定轴方向上，tensor最大值的索引
输出：array([2, 0]), 表示每一行中最大值的索引。
线性回归练习：
问题描述：线性回归中，开始时有很多数据点，我们的任务是用一条直线来拟合这些点。本例中，我们将生成100个点，并拟合他们。
生成训练数据
trainX的值位于-1和1之间。
trainY是trainX的3倍外加一些干扰值。
占位符
定义两个占位符，用于随后填充训练数据
建模
线性回归的模型是 y_model = w * x, 我们需要计算出w的值。首先可以初始化w为0来建立一个模型, 并且定义cost函数为(Y – y_model)的平方。TensorFlow中自带了许多优化器（Optimizer），用来在每次迭代后更新梯度，从而使cost函数最小。这里我们使用GradientDescentOptimizer以0.01的学习率来训练模型, 随后会循环运行该训练操作：
训练
目前为止，我们仅仅是定义好了图，还没有任何具体的计算。
TensorFlow的变量还没有被赋值。为了真正运行定义好的图，还需要创建并运行一个会话，在此之前，可以先定义初始化所有变量的操作init：
第一步，在session.run()中调用init完成初始化操作。随后我们通过向feed_dict“喂”数据来运行train_op。迭代完成之后，我们打印出最终的w值，应该接近3。
练习
如果你又新建了一个会话，会输出什么结果呢？
将会输出0.0， 这就是符号计算(symbolic computation)的思想, 一旦脱离了之前的会话，所有的操作都不复存在。
原文发布时间为：2017-12-20
本文作者：ANKIT SACHAN
本文来自合作伙伴“数据派THU”，了解相关信息可以关注“数据派THU”微信公众号