人工智能其实也没有那么难嘛！TensorFlow了解一下？最详细
犹记得一周前，对图形验证码有点想法，自信满满的去做破解的工作，但是实际被各种打脸，不接触这行，真不懂里面的套路；
那目前人工智能的应用场景有哪些：
OCR、语音技术（比如Siri）、大数据应用等~
机器学习：一种实现人工智能的方法
机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对事件做出决策和预测。
需要用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。
举个例子，当浏览网上商城时，经常会出现商品推荐的信息。
按照JB的理解，深度学习最终可能会渗透在其他所有机器学习算法；
当然，并不是说深度学习就是万能的，也并不一定比机器学习牛逼，要根据场景来区别；
人工神经网络：一种机器学习的算法
以“停止（Stop）标志牌”为例，将一个停止标志牌图像的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、消防车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论，它到底是不是一个停止标志牌。神经网络会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。
什么是数据流图
数据流图是描述有向图中的数值计算过程。有向图中的节点通常代表数学运算，但也可以表示数据的输入、输出和读写等操作；有向图中的边表示节点之间的某种联系，它负责传输多维数据(Tensors)。
节点可以被分配到多个计算设备上，可以异步和并行地执行操作。因为是有向图，所以只有等到之前的入度节点们的计算状态完成后，当前节点才能执行操作。
TensorFlow的特性
灵活性，TensorFlow不是一个严格的神经网络工具包，只要你可以使用数据流图来描述你的计算过程，你可以使用TensorFlow做任何事情。你还可以方便地根据需要来构建数据流图，用简单的Python语言来实现高层次的功能。
可移植性，TensorFlow可以在任意具备CPU或者GPU的设备上运行，你可以专注于实现你的想法，而不用去考虑硬件环境问题，你甚至可以利用Docker技术来实现相关的云服务。
提高开发效率，TensorFlow可以提升你所研究的东西产品化的效率，并且可以方便与同行们共享代码- 支持语言选项，目前TensorFlow支持Python和C++语言。
充分利用硬件资源，最大化计算性能
输入tensorflow，install package，然后就是等待漫长的安装过程了；
当然，喜欢高难度的同学，可以看github的官网介绍，祝你好运~
https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/get_started/os_setup.md
验证
直接 import tensorflow ，运行试试看有没有问题即可；如果有问题，会直接报错的~
第一个例子
官网有个例子，直接拿来用了：
基本使用
需要理解在TensorFlow中，是如何：
将计算流程表示成图；
通过Sessions来执行图计算；
将数据表示为tensors；
使用Variables来保持状态信息；
分别使用feeds和fetches来填充数据和抓取任意的操作结果；
TensorFlow的基础概念
图（Graph）：用来表示计算任务，也就我们要做的一些操作。
会话（Session）：建立会话，此时会生成一张空图；在会话中添加节点和边，形成一张图，一个会话可以有多个图，通过执行这些图得到结果。如果把每个图看做一个车床，那会话就是一个车间，里面有若干个车床，用来把数据生产成结果。
Tensor：用来表示数据，是我们的原料。
变量（Variable）：用来记录一些数据和状态，是我们的容器。
feed和fetch：可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据。相当于一些铲子，可以操作数据。
形象的比喻是：把会话看做车间，图看做车床，里面用Tensor做原料，变量做容器，feed和fetch做铲子，把数据加工成我们的结果。
如果需要使用GPU，则如下处理：
withtf.Session()assess:withtf.device("/cpu:0"): matrix1 = tf.constant([[3,3]])#这是一行2列matrix2 = tf.constant([[2],[2]])#这个是两行1列product = tf.matmul(matrix1,matrix2)#创建一个矩阵乘法#默认的图，有3个节点，两个constant和一个matmulsess = tf.Session()#定义一个会话result= sess.run(product)#运算乘法，得到结果print(result) sess.close()#关闭会话
device中的各个字符串含义如下：
"/cpu:0": 你机器的CPU；
"/gpu:0": 你机器的第一个GPU；
"/gpu:1": 你机器的第二个GPU；
常量
tf.constant(value, dtype=None, shape=None, name='Const', verify_shape=False),value为值，dtype类型，shape为张量形状，name名称、verify_shape默认False，这些项可选。作用创建一个常量。
a = tf.constant(2, name="a") # print(a) =2b = tf.constant(2.0, dtype=tf.float32, shape=[2,2], name="b") #2x2矩阵，值为2c = tf.constant([[1,2], [3,4]], name="c") #2x2矩阵,值1,2,3,4
是不是懵逼了？没事，留个大概影响就好了~
第三个例子--填充
有的时候，会在声明变量的时候不赋值，计算的时候才进行赋值，这个时候feed就派上用场了
input1 = tf.placeholder(tf.float32)#创建一个变量占位符input1input2 = tf.placeholder(tf.float32)#创建一个变量占位符input2mul = tf.multiply(input1, input2)#乘法操作with tf.Session() as sess: result = sess.run([mul], feed_dict={input1:[7.], input2:[2.]})#在运算时，用feed设置两个输入的值print(result)
综合例子
import tensorflow as tfimport osos.environ["TF_CPP_MIN_LOG_LEVEL"]='2'import numpy as npx_data = np.random.rand(100).astype("float32")y_data = x_data * 0.1 + 0.3# 模拟生成100对数据对, 对应的函数为y = x * 0.1 + 0.3# numpy是Python的一个科学计算库，提供矩阵运算的功能# astype是转换数组的数据类型W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))b = tf.Variable(tf.zeros([1]))#产生尺寸为1的张量y = W * x_data + b# 指定w和b变量的取值范围（注意我们要利用TensorFlow来得到w和b的值）# tf.random_uniform，TensorFlow随机值函数,返回1矩阵，数值产生于-1.0跟1.0之间loss = tf.reduce_mean(tf.square(y - y_data))#reduce_mean求平均值#square是对里面的值求平方操作optimizer = tf.train.GradientDescentOptimizer(0.5)#这个类是实现梯度下降算法的优化器，第一个参数是要使用的学习率 train = optimizer.minimize(loss)# 最小化均方误差init = tf.global_variables_initializer()# 初始化TensorFlow参数sess = tf.Session()sess.run(init)# 运行数据流图（注意在这一步才开始执行计算过程）for step in range(201): sess.run(train) if step % 20 == 0: print(step, sess.run(W), sess.run(b))# 观察多次迭代计算时，w和b的拟合值# 最好的情况是w和b分别接近甚至等于0.1和0.3
输出的结果：
0 [-0.39065683] [0.66207296]20 [-0.0082044] [0.3498935]40 [0.07841039] [0.30995506]60 [0.09569232] [0.3019863]80 [0.09914052] [0.30039632]100 [0.09982852] [0.30007908]120 [0.09996579] [0.30001578]140 [0.09999318] [0.30000314]160 [0.09999864] [0.30000064]180 [0.09999974] [0.30000013]200 [0.09999995] [0.30000004]
谢谢阅读，进群：125240963 即可获取大礼包一份！
