标签：基础 als 文件 自己 device code igp nic cuda
本资料是在Ubuntu14.0.4版本下进行，用来进行图像处理，所以只介绍关于图像处理部分的内容，并且默认TensorFlow已经配置好，如果没有配置好，请参考官方文档配置安装，推荐用pip安装。关于配置TensorFlow，官方已经说得很详细了，我这里就不啰嗦了。官方教程看这里：https://www.tensorflow.org/get_started/os_setup
如果安装了GPU版本的TensorFlow，还需要配置Cuda，关于Cuda安装看这里：https://www.tensorflow.org/get_started/os_setup#optional-install-cuda-gpus-on-linux
我们还需要一个Python编译器，这里我们使用Anaconda，Anaconda2对应Python2，Anaconda3对应Python3，我使用Anaconda2。Anaconda自带了一些常用的Python包，以及一些比较好用的Python编译器。
配置好TensorFlow以后，打开Anaconda的Spyder，输入以下代码检查TensorFlow是否可用。
import tensorflow as tf hello = tf.constant(‘Hello TensorFlow!‘) sess = tf.Session() print(sess.run(hello)) a = tf.constant(10) b = tf.constant(32) print(sess.run(a + b))
如果遇到任何报错，请参考：https://www.tensorflow.org/get_started/os_setup#common_problems
使用TensorFlow之前，要了解一下TensorFlow的基本知识：
1. 使用图(graphs)来表示计算；
2.在会话(Session)中执行图；
3.使用张量(tensors)来代表数据；
4.通过变量(variables)来维护状态；
5.使用供给(feeds)和取回(fetches)来传入或者传出数据。
关于详细的基础使用，请参考：https://www.tensorflow.org/get_started/basic_usage， 太长不看的，至少看下代码以及代码的注释。
了解了这些基本用法以后，活动一下筋骨，来编个小程序测试一下我们学习的结果吧，目标是优化一个一次函数y = wx + b的权值w和偏置b，使得w和b接近给定的表达式y = 0.1*x + b，代码如下：
import tensorflow as tf import numpy as np import os # 占用 0 号 GPU 的 20% 空间 os.environ[‘CUDA_VISIBLE_DEVICES‘]=‘0‘ config = tf.ConfigProto() config.gpu_options.per_process_gpu_memory_fraction=0.2 sess = tf.InteractiveSession(config=config) x_data = np.random.rand(100).astype("float32") y_data = x_data * 0.1 + 0.3 W = tf.Variable(tf.random_uniform([1],-1.0,1.0)) b = tf.Variable(tf.zeros([1])) y = W * x_data + b
loss = tf.reduce_mean(tf.square(y - y_data)) optimizer = tf.train.GradientDescentOptimizer(0.5) train = optimizer.minimize(loss) init = tf.initialize_all_variables() sess.run(init)
for step in xrange(201): sess.run(train) if step % 20 ==0: print(step, sess.run(W), sess.run(b))
代码运行结果如下：
可以看到经过200次迭代，权重w已经接近预设值0.1，b 接近预设值0.3，实际上80次的时候已经收敛到很好的结果了。
接下来，我们进行下一步的工作，用神经网络来进行MNIST手写数字的识别，MNIST手写数字分 training 和 test 两个大类，training 有6万张28*28大小的手写数字，test有1万张28*28大小的数字，更具体的介绍看这里：MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burges。
MNIST手写数字识别在TensorFlow的example中有自带的代码来实现，官方文档也给出了很好的解释，https://www.tensorflow.org/tutorials/mnist/beginners/和https://www.tensorflow.org/tutorials/mnist/pros/这两个，建议都看，加强自己对TensorFlow的理解。
至此，TensorFlow已经有了基本的入门知识，然鹅，还是不足以支撑我膨胀的野心，我是要成为加勒比海盗一样的男人，我是要成为TF Boys一样的男人（背景声音：噫~~），这种基本知识怎么能满足得了我这么优秀的头脑。
接下来，我们来看TensorFlow Mechanics 101，说实话，我也不知道这个名字是什么意思，反正是个教程，管他呢，先学会再说。这里面看起来也不难啊，就是介绍了examples/tutorials/mnist/mnist.py 和 examples/tutorials/mnist/fully_connected_feed.py两个函数，顺便说一下，用pip安装之后的TensorFlow目录一般在：/usr/local/lib/python2.7/dist-packages/tensorflow/或者是/usr/lib/python2.7/dist-packages/tensorflow/这里。细看这两个文件的代码，不是很难，如果前面的知识认真看了，这个可以直接看代码而不看官方文档，实在不明白的地方可以看官方文档的解释。
在看代码的过程中，有不明白的函数，就去Python API这里找相应的函数来看，https://www.tensorflow.org/api_docs/python/，找不到的话，可以点右上角的搜索来搜索该函数。
先写到这里，明天更新TensorFlow的How To。
参考文献：
1. https://www.tensorflow.org/tutorials/
TF Boys (TensorFlow Boys ) 养成记（一）
标签：基础 als 文件 自己 device code igp nic cuda
原文地址：http://www.cnblogs.com/Charles-Wan/p/6197015.html
