前言
Tensorflow这个词由来已久，但是对它的理解一直就停留在“听过”的层面。之前做过一个无线图片适配问题智能识别的项目，基于Tensorflow实现了GoogLeNet - Inception V3网络（一种包含22层的深层卷积神经网络），但是基本上也属于“盲人摸象”、“照葫芦画瓢”的程度。作为当今机器学习乃至深度学习界出现频率最高的一个词，有必要去了解一下它到底是个什么东西。
而PAI，作为一站式地机器学习和算法服务平台，它大大简化了模型构建、模型训练、调参、模型性能评估、服务化等一系列算法的工作，可以帮助我们更快捷地实现算法实验和应用。
一、Tensorflow初探
1. 安装和启动
因为我自己的mac-pro安装了docker，所以安装Tensorflow的环境非常简单，只要拉取Tensorflow的官方镜像就可以完成Tensorflow的环境搭建。
#拉取tensorflow镜像 docker pull tensorflow/tensorflow #创建一个tensorflow的工作目录，挂载到容器内 mkdir -p /Users/znifeng/docker-data/tensorflow/notebooks #启动容器 docker run -it --rm --name myts -v /Users/znifeng/docker-data/tensorflow/notebooks:/notebooks -p 8888:8888 tensorflow/tensorflow 启动成功后，将看到如下信息：
复制链接http://127.0.0.1:8888/?token=487c52e0aa0cd2a7b231bf909c1d6666482f8ed03353e510到浏览器，就可以看到jupyter（支持在线编写和调试python的交互式笔记本）页面：
接下来，你可以在jupyter上或者在docker容器内部编写和调试tensorflow的代码，容器内部已经包含了tensorflow的所有库。
2. 基本使用
2.1 核心概念
- 使用图(graph)来表示计算任务
- 使用张量（tensor）来表示数据。张量与矢量的区别：矢量相当于一阶的张量，张量可以从0阶到多阶（多维）
- 图中的每一个节点称之为op（operation），每一个op有0或多个Tensor作为输入，执行计算后产出0或多个Tensor作为输出
- 在被称之为会话Session的上下文（context）中执行图
- 通过变量（variable）来维护状态
- 使用feed和fetch可以为任意的操作赋值或者从其中获取数据
- 使用placeholder来定义占位符，在运行时传入对应的参数值
TensorFlow程序通常被组织成一个构建阶段和一个执行阶段。在构建阶段，op的执行步骤被描述成一个图，在执行阶段，使用会话执行图中的op。在Python中，返回的tensor是numpy.ndarray对象。；在C/C++中，返回的是tensorflow:Tensor实例。
2.2 使用示例
2.2.1 第一个helloworld程序：
import tensorflow as tf #第一阶段： 构建图 #定义一个1x2的矩阵，矩阵元素为[3 3] matrix1 = tf.constant([[3., 3.]]) #定义一个2x1的矩阵，矩阵元素为[2 2] matrix2 = tf.constant([[2.],[2.]]) # 创建一个矩阵乘法 matmul op , 把 'matrix1' 和 'matrix2' 作为输入. product = tf.matmul(matrix1, matrix2) #第二阶段： 执行图 with tf.Session() as sess: print "matrix1: %s" % sess.run(matrix1) print "matrix2: %s" % sess.run(matrix2) print "result type: %s" % type(sess.run(product)) print "result: %s" % sess.run(product) 输出结果：
matrix1: [[3. 3.]] matrix2: [[2.] [2.]] result type: <type 'numpy.ndarray'> result: [[12.]] 如上图所示，在第一阶段（构建图）中，我们的每一行操作其实都是一个operation，包含两个constant操作和一个矩阵相乘的操作，每个operation的输出都是tensor，它的类型是num.ndarray。实际上，构建阶段我们只是定义op，并不会真正去执行；而在第二阶段中，通过定义了一个会话session，我们才会在会话中真正开始执行前面定义的各个operation，然后获得执行的结果。
2.2.2 使用tensorflow实现识别手写数字（1～9）模型 —— Softmax Regression
import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) import tensorflow as tf ##Define input data format #input images, each image is represented by a tensor of 784 dimensions x = tf.placeholder("float", [None,784]) #input labels, each label values one digit of [0,9], which is represented by a tensor of 10 dimensions y_ = tf.
