2015年11月9日，Google发布人工智能系统TensorFlow并宣布开源。

1.TensorFlow的概念

TensorFlow 是使用数据流图进行数值计算的开源软件库。也就是说，TensorFlow 使用图（graph）来表示计算任务。图中的节点表示数学运算，边表示运算之间用来交流的多维数组（也就是tensor，张量）。TensorFlow 灵活的架构使得你可以将计算过程部署到一个或多个CPU或GPU上。

TensorFlow 最初是由 Google Brain Team 的研究人员和工程师开发的，主要是 Google’s Machine Intelligence research organization 用来进行机器学习和深度神经网络研究的，但是这个系统在其它很多领域也是通用的。

模型的抽象表示是由框架自动处理的，这使得TensorFlow 及 Theano 特别适合发展基于梯度优化算法的新模型。

Theano 的主要缺点是对上述符号模型进行编译的时间较长，而 TensorFlow 有效地改善了这一点，也就是编译时间较短。

TensorFlow 的另一个优点是它的支持工具——TensorBoard ，将模型的训练过程可视化。这样，用户可以交互式地考察模型的结构，也可以观察参数和模型性能的改变。

TensorFlow 的开源版本只能运行在一台机器上，不过它支持多处理器（CPUs或GPUs）并行运算。

1.1 什么是数据流图？

数据流图用有向图来描述数学计算，图中有点和边。

节点通常进行数学计算，但也可以作为终点来表示结果，或者读/写持久变量（persistent variables）。

边用来描述节点之间的输入/输出关系。这些边携带不定大小的多维数组或张量。

这些节点被分配到计算装置上，异步执行。一旦所有的tensor同时到达了，就会进行并行计算。

由于图中张量（tensor）的流动（flow），所以我们称之为 TensorFlow。

1.2 TensorFlow的特点

1. Deep Flexibility，灵活性。TensorFlow并不是一个死板的神经网络的库，只要你可以将你的计算过程表示成数据流图，你就可以使用TensorFlow。定义新的计算就像写一个Python函数那么简单，成本并不大。如果你看不见你需要的底层的数据操作，可以通过C++来添加。
2. True Portability，可移植性。TensorFlow在CPU或GPU上运行，可以在笔记本、服务器、或移动计算平台运行。不需要特殊硬件，不需要改变代码，就可以在移动设备上训练模型，封装Docker 和 TensorFlow 就可以在云上进行计算。
3. Connect Research and Production，学术和工业兼得。在Google，科学家们用 TensorFlow 测试新的算法，产品团队用 TensorFlow 训练模型为用户服务。
4. Auto-Differentiation，自动辨别。TensorFlow 的自动辨别能力 有益于实现那些基于梯度的机器学习算法。当你使用TensorFlow时，你为自己的预测模型定义计算的框架结构，再加上目标函数，接着只需要添加数据，TensorFlow 就会为你计算导数，也就是梯度。
5. Language Options，语言选择。TensorFlow中可以使用Python接口，以及简单的C++接口，来构建和执行你的计算图（computational graphs）。如果你有兴趣，也可以提供自己所喜爱语言的接口——Lua, JavaScript, 或 R 等等。
6. Maximize Performance，性能最大化。TensorFlow 允许你充分利用你可用的硬件：32 CPU cores and 4 GPU cards，线程、队列及异步计算等。你可以将TensorFlow图中的计算元素自由分配到不同的设备上，交给TensorFlow来处理。

1.3 谁可以用TensorFlow？

学生、研究人员、爱好者、黑客、工程师、开发者、发明者及创新者等等。

TensorFlow目前并不完整，它需要扩展。Google只是给了一个初始版本的源代码，他们希望建立一个活跃的开源社区，以使得TensorFlow越来越好。

目前在使用 TensorFlow 的公司有：Google、Uber、Twitter、DeepMind、京东等等。

1.4 为什么谷歌将TensorFlow开源呢？

「TensorFlow」是 Google 多年以来内部的机器学习系统。如今，Google 正将此系统作为开源系统，并将此系统的参数公布给业界工程师、学者和拥有大量编程能力的技术人员，这意味着什么呢？

答案很简单：Google认为，机器学习是未来创新的关键成分，这一领域的研究是全球范围的，并且发展很迅速，但就是缺乏标准工具。Google的工程师们用TensorFlow在做面向用户的产品和服务，Google的研究团队也打算分享TensorFlow的实现历程，他们希望TensorFlow能成为机器学习的最好工具之一。

打个不太恰当的比喻，如今 Google 对待 TensorFlow 系统，有点类似于对待旗下移动操作系统 Android。如果更多的数据科学家开始使用 Google 的系统来从事机器学习方面的研究，那么这将有利于 Google 对日益发展的机器学习行业拥有更多的主导权。

1.5 TensorFlow 与计算生物学

使用当前的深度学习的方法有一个先决条件：拥有许多样本的数据集。

像 识别与特定疾病相关的基因或 methylation probes，样本集很少，所以就不能用深度学习进行分析。【哭……我就是想用深度学习做疾病基因识别啊……】

想要使用深度学习模型，第一步就是解决如何表示数据的问题。如：剪接点、RNA-蛋白质结合位点、或甲基化。也就是说，你的样本的数量要远远超过变量的数量。

所以说，只要这关键的一步解决了，TensorFlow 就会为你打开深度学习的大门。

2.Tensorflow的安装（基于pip）

Pip 是一个 Python 的软件包安装与管理工具。并且，Tensorflow只能在Linux环境下进行安装，具体在VMware下安装Linux系统详情可以参看我另外一篇博客。

2.1 安装pip（需要在超级管理员权限下进行安装）

注：出现以上界面表示pip已经安装成功！

2.2 安装Tensorflow

2.3 测试

注：Linux下退出Python方法：Ctrl+D

 2.4 安装IDE Pycharm

官网下载Community版 for Linux，根据官网教程的步骤进行安装。

注：可以直接在Linux中的浏览器中进行下载。

首先，将文件拷贝到希望安装的位置。

然后解压缩文件：

打开 pycharm.sh 文件所在目录：

运行 pycharm.sh 文件以安装 pycharm：

安装好后会自动打开pycharm，接下来进行一系列的设置：

出现下面界面时，说明安装成功了。

选择“Create New Project”，创建新的工程。默认编译器是python 2.7。

然后在新创建的工程上，右键选择“New->Python File ”，创建一个新的python文件Py01。

在文件Py01中写入一段代码进行测试。

可见，测试结果正确，可以在 Pycharm 上 import tensorflow了！

2.5 将Pycharm锁定到启动器

在Ubuntu下，每次都需要找到 pycharm.sh 所在的文件夹，执行 ./pycharm.sh，打开pycharm，非常麻烦。

所以，我们最好能创建一个快捷方式。Ubuntu 的快捷方式都放在“计算机/usr/share/applications” 下。

首先在该目录下创建一个Pycharm.desktop：

然后输入以下内容，注意 Exec 和 Icon 需要找到你自己电脑中正确的路径，GenericName 和 Comment 中关于Pycharm的版本号你也需要根据实际情况定：

保存后，通过路径/usr/share/applications/路径即可找到对应桌面Pycharm.desktop文件，然后双击打开，再锁定到启动器就好了。

参考文献：

1. TensorFlow 官网
2. 极客学院——TensorFlow 官方文档中文版
3. 极客学院——下载与安装
4. 极客学院——MNIST机器学习入门（构建softmax回归模型）
5. 极客学院——深入MNIST（构建深度卷积神经网络）
6. Ladislav Rampasek and Anna Goldenberg, TensorFlow: Biology’s Gateway to Deep Learning?
7. werm520的专栏：Ubuntu安装PyCharm
8. Ubuntu下安装Anaconda
9. Linux(Ubuntu14.04)下安装Anaconda和Spyder
10. Ubuntu下如何安装TensorFlow
11. http://andyjin.applinzi.com