TensorFlow 基礎
本文翻譯自： 《TensorFlow Basics》， 如有侵權請聯繫刪除，僅限於學術交流，請勿商用。如有謬誤，請聯繫指出。
TensorFlow和其他數值計算庫（如NumPy）之間最顯著的區別在於TensorFlow中的操作是基於符號運算的。這是一個強大的概念，它允許TensorFlow執行命令式庫（如NumPy）所不能做的所有事情（例如，自動區分）。但這也要付出更大的代價。在我我試圖揭秘TensorFlow，並提供一些指導方針和最佳實踐，以便更有效地使用TensorFlow。
讓我們從一個簡單的例子開始，我們要乘以兩個隨機矩陣。首先，我們看一個在NumPy完成的實施：
現在我們在TensorFlow中執行完全相同的計算：
與立即執行計算並生成結果的NumPy不同，tensorflow只向圖中表示結果的節點提供一個handle（類型為Tensor）。如果我們嘗試直接打印Z值，我們會得到這樣的結果：
Tensor("MatMul:0", shape=(10, 10), dtype=float32)
由於兩個輸入都具有完全定義的形狀，所以tensorflow能夠推斷張量的形狀及其類型。為了計算張量的值，我們需要創建一個會話並使用Session.run()方法評估它。
提示：當使用Jupyter筆記本時，請確保在定義新節點之前在開始調用tf.reset_default_graph()來清除符號圖。
為了理解符號計算有多麼強大，讓我們看看另一個例子。假設我們有來自曲線（例如f(x)=5x^2+3）的樣本，並且我們希望基於這些樣本預測f(x)。我們定義一個參數函數g(x, w) = w0 x^2 + w1 x + w2，它是輸入x和潛在參數w的函數，我們的目標是找到潛在的參數，使得g(x，w)≈f(x)。這可以通過最小化損失函數來完成：L(w) = ∑ (f(x) - g(x, w))^2.。雖然這個簡單問題有一個閉合解(a closed form solution)，但我們選擇使用更通用的方法，可以應用於任意的可微函數，並且使用隨機梯度下降。我們簡單地計算L(w)相對於一組採樣點上的w的平均梯度，並沿相反方向移動。
以下是利用TensorFlow完成的代碼：
通過運行這段代碼，你應該看到接近這個的結果：
[4.9924135, 0.00040895029, 3.4504161]
這是我們參數的一個相對接近的近似值。
對於TensorFlow來說，這只是冰山一角。許多問題，例如優化具有數百萬參數的大型神經網絡，只需幾行代碼就可以在TensorFlow中高效實現。TensorFlow考慮到了多個設備和線程的擴展，並支持各種平臺。
最後
如果你有什麼疑問，歡迎在評論區留言。同時如果你覺得本文對你有幫助，希望可以關注並轉發，這樣我會更有動力更新的。
閱讀更多 僱個城管打天下y 的文章
