Tensorflow一瞥

今天跟大家分享一下时下非常流行的一个机器学习框架：TensorFlow。希望大家可以一瞥 TensorFlow 的易用性和强大功能。

TensorFlow 目前在我司的技术雷达上面处于 assess 阶段。

TensorFlow 是什么

TensorFlow 诞生于 Google 公司 Google Brain 项目。其前身是一个名为 DistBelief 的系统，DistBelief 是 Google 内部使用非常广泛的一个机器学习系统。TensorFlow 作为 github 上面的一个很火的开源项目，它的第一个提交是在 2015 年 11 月。到现在也不过刚好一年时间。

TensorFlow 提供的 API 库可以用于编写富有表现力的程序。同时 TensorFlow 底层使用 c++ 实现，其性能也是不错的。

TensorFlow 在系统设计上使用一个有状态的数据流图来描述计算。使用 TensorFlow 时，需要先定义好计算图，以便 TensorFlow 可以在内部进行分布式的调度，然后一般会使用向计算图填充数据的形式进行迭代计算。

TensorFlow 支持的系统非常广泛，从移动设备到桌面电脑再到大型分布式系统，从 CPU 到 GPU，TensorFlow 都提供了支持。

TensorFlow 为了便于高效率的开发，同时也是顺应社区的技术潮流，提供的是 Python 的 API。同时，也可以直接使用 C++ 进行开发。目前还有 Rust，Haskell 的方言支持。

为什么要用 TensorFlow

良好而活跃的社区

丰富的入门教程

TensorFlow 有很多 Tutorial 入门教程，大大降低了入门的门槛。官方的教程已经不错了，社区技术爱好者们还贡献了很多相关的教程。我个人用过的教程，可以列举如下：

官方教程
更有深度的 MOOC 教程
Google 在 Udacity 上面做的教程
Tensorflow and deep learning, without a PhD

大量现成的机器学习模型

Google 内部使用 TensorFlow 实现了很多性能很好的机器学习模型（这里的性能指模型表现好，如分类错误率低），这些模型也都在 github 上面开源了出来。如为图片生成标题的模型，识别街道名称的模型等等。我们可以方便的阅读学习这些模型，同时也可以作为一个很好的起点，用于研究设计自己的模型。

提供了更简单的机器学习的接口

TensorFlow 同时提供了一个简单的机器学习接口。几行代码即可完成模型训练和使用。

丰富的周边工具

TensorFlow 还提供了用于可视化参数的 TensorBoard，大大方便了模型的调优工作。同时还提供了 Caffe 到 TensorFlow 模型转换的工具。

TensorFlow 已经在业界广泛使用。

众所周知的如 Google 自己，京东，Uber，DeepMind，SnapChat，Twitter 等等，都在公司内部使用这个框架进行机器学习的研究。

Google 趋势表现抢眼

从 Google 趋势来看，TensorFlow 也已成为当前非常流行的机器学习框架了。

TensorFlow in Google Trend

一个简单的例子：在 TensorFlow 中使用 Logistic Regression 来进行图片分类

下面用一个简单的例子演示一下 TensorFlow 的使用。这个例子中我们会对 MNIST 手写数字图片库进行分类。

MNIST 数据集的是一个非常基础而简单的用于机器学习的数据集。下载好这个数据集之后，可以看到其包含的图片如下（一个数字对应一张图片）：

MNIST Overview

我们将要使用的分类模型也是基础的 Logistic Regression 模型。

Model Overview

这个模型用数学公司来描述就是如下这样：

Math

模型对应的核心代码 TensorFlow 代码就是：


# Describe Graph

Y = tf.nn.softmax(tf.matmul(XX, W) + b)
cross_entropy = -tf.reduce_mean(Y_ * tf.log(Y)) * 1000.0  # normalized for batches of 100 images
train_step = tf.train.GradientDescentOptimizer(0.005).minimize(cross_entropy)

predict = tf.argmax(tf.nn.softmax(tf.matmul(X, W) + b), 1)

# Train the model
sess = tf.Session()
sess.run(tf.initialize_all_variables())
for i in range(10000):
    batch_X, batch_Y = mnist.train.next_batch(100)
    c = sess.run([cross_entropy], feed_dict={X: batch_X, Y_: batch_Y})

# Predict
labels = sess.run([predict], feed_dict={...})

完整的代码可以参考这里的 tutorial

Bright LGM's Blog

Tensorflow 一瞥

TensorFlow 是什么