TensorFlow 学习系列之一：TensorFlow 概述
在计算机相关的很多领域（如大数据、分布式计算、搜索等），Google公司都有着卓越的表现，贡献了很多划时代的产品。在人工智能领域，它也不例外。2011年，谷歌就开发了它的第一代分布式机器学习系统DistBelief[1]。其中计算机科学家杰夫·迪恩（Jeff Dean）和著名深度学习专家吴恩达（Andrew Y. Ng）都是这个项目的核心人员。
除了吴恩达先生声名赫赫之外，这位杰夫·迪恩也非常了得，在牛人辈出的谷歌公司，也可属“人中翘楚”。正所谓人牛轶事多。在著名问答网站Quora上，一则“杰夫·迪恩都有哪些奇闻轶事”[1]的问答中，就有人开玩笑说，“编译器从不会给杰夫·迪恩警告，杰夫·迪恩会警告编译器（Compilers don't warn JeffDean. Jeff Dean warns compilers）”。言外之意，他比编译器还厉害，其工程能力可见一斑（杰夫•迪恩正是美国工程院院士）。
通过杰夫·迪恩等人设计的DistBelief，Google可利用数据中心数以万计的CPU核（core），并以此建立深度神经网络。借助DistBelief，Google的语音识别正确率提升了25%。除此之外，DistBelief在图像识别上也大显神威。2012年6月25日，《纽约时报》报道了Google通过向DistBelief提供数百万份YouTube视频，来让该系统学习猫的关键特征（见图11-1）。
图11-1 《纽约时报》对DistBelief的报道
DistBelief系统之所以引人注目，就是因为它在未事先获取“猫的特征描述”信息的情况下，自行总结出猫这个概念的特征。换句话说，DistBelief具备自学习能力。当然，这套系统的计算开销也不容小觑，它由1,000台机器组成，共包括16,000个内核，训练的神经网络参数高达1,000,000,000个。
作为一家商业公司，为了保证自己在技术的领先优势，谷歌对自己“独门绝技”的态度通常是，要创意（idea），可以！但延迟给；要具体实现（implementation），门都没有！比如说支撑Google分布式系统核心业务的老三驾马车: GFS（Google FileSystem，谷歌文件系统），MapReduce（映射-规约计算范式。顺便说一句，MapReduce也是杰夫·迪恩的大作之一）和BigTable（大表），都是在谷歌内部被用了多年之后，其核心思想才被允许以论文的形式公开发表出来。然后，开源社区才“照猫画虎”，整出来一系列对应的开源软件，如HDFS（Hadoop文件系统）、Hadoop及HBase等。
一开始，DistBelief作为谷歌X-实验室的“黑科技”，也是闭源的。可能是谷歌想由开源社区来维护DistBelief，群策群力力量大，所以在2015年11月，谷歌将它的升级版实现正式开源，开源协议遵循Apache 2.0。而这个升级版的DistBelief，也有了一个新的名称，它就是本章的主角——TensorFlow [2]。
图11-2 TensorFlow 的图标
为什么要取这么一个名字呢？这自然也是有讲究的。TensorFlow命名来源于本身的运行原理。“Tensor”的本意是“张量”，“张量”通常表示多维矩阵[1]。在深度学习项目中，数据大多都高于二维，所以利用深度学习处理的数据核心特征来命名，是有意义的。“Flow”的本意就是“流动”，它意味着基于数据流图的计算。合在一起，“TensorFlow”的蕴意就是，张量从流图的一端流动到另一端的计算过程。它生动形象地描述了复杂数据结构在人工神经网中的流动、传输、分析和处理模式（图11-3）。
图11-3 TensorFlow中的数据流图（图片来源：TensorFlow官网）
TensorFlow 是一个非常棒的深度学习框架，它在诸多方面都有着卓越的表现，比如设计神经网络结构的代码非常简洁，部署便利。特别是有技术实力雄厚的谷歌为其“站台”，拥趸者众多，也在很大程度保证了它的社区非常活跃，从而也导致TensorFlow在技术演化之路上迭代非常快速，基本上每周都有上万行代码的更新。
使用TensorFlow的优点主要表现在如下几个方面：
（1）TensorFlow有一个非常直观的构架，顾名思义，它有一个“张量流”。用户可以很容易地看到张量流动的每一个部分（借助TensorBoard，在后面的章节会有所提及）。
（2）TensorFlow可轻松地在CPU/GPU上部署，进行分布式计算。
（3）TensorFlow跨平台性高，灵活性强。TensorFlow不但可以在Linux、Mac和Windows系统下运行，甚至还可以在移动终端下工作。
当然，TensorFlow也有不足之处，主要表现在它的代码比较底层，需要用户编写大量的代码，而且很多相似的功能，用户还不得不“重造*”。但“瑕不掩瑜”，TensorFlow还是以雄厚技术积淀、稳定的性能，一骑红尘，“笑傲”于众多深度学习框架之巅。在本章的余下部分，我们主要讨论TensorFlow的基本用法[2]。
-----------《待续》------------
[1] https://www.quora.com/Jeff-Dean/What-are-all-the-Jeff-Dean-facts
[1] 在机器学习中，数值通常由4种类型构成：
（1）标量（scalar）：即一个数值，它是计算的最小单元，如“1”或“3.2”等。
（2）向量（vector）：由一些标量构成的一维数组，如[1, 3.2, 4.6]等。
（3）矩阵（matrix）：是由标量构成的二维数组。
（4）张量（tensor）：由多维（通常）数组构成的数据集合，可理解为高维矩阵。
[2] 这里需要说明的是，如同本书并非专门介绍Python的书籍一样，本书亦不属于专门介绍TensorFlow用法的图书，本章所做工作的，更多属于抛砖引玉的性质，为读者铺垫一定的基础。有关更多TensorFlow实战方面的介绍，读者朋友可参阅相关书籍，如黄文坚先生编著的《TensorFlow实战》或喻俨先生主编的《深度学习原理与TensorFlow实战》等。
节选自 张玉宏《深度学习之美》章节，电子工业出版社，博文视点，2018年