机器学习的敲门砖：手把手教你TensorFlow初级入门
本文章来自于阿里云云栖社区
摘要： 在开始使用机器学习算法之前，我们应该首先熟悉如何使用它们。而本文就是通过对TensorFlow的一些基本特点的介绍，让你了解它是机器学习类库中的一个不错的选择。
本文由北邮@爱可可-爱生活 老师推荐，阿里云云栖社区组织翻译。 以下为译文：
在开始使用机器学习算法之前，我们应该首先熟悉如何使用它们。 而本文就是通过对TensorFlow的一些基本特点的介绍，让你了解它是机器学习类库中的一个不错的选择。
让我们设想一下，当我们用Python写代码时，没有那些方便的类库会是怎样一种窘境。 这就好比你有一个新的智能手机，而不安装任何应用程序。 虽然它仍然可以打电话，发短信，但如果有了那些更方便的应用程序，这部智能手机才更有价值。
设想一下这个场景...你作为一名业务负责人，需要负责跟踪销售流程。 你希望计算销售产品的收入。 现在有100个不同的产品在你的仓库中，你需要用一个向量表示每个产品的价格。 另一个大小为100的向量表示每个产品的库存量。 以下的Python代码是用来计算销售所有产品的收入。注意了， 这里没有调用任何类库。
revenue = 0
for price, amount in zip(prices, amounts): revenue += price * amount
代码列表1. 不使用任何Python类库计算两个向量的内积
这段代码只是计算两个向量（也称为点积）的内积。 想象一下，对于更复杂的问题，需要多少代码。例如求解线性方程或计算两个向量之间的距离。
当你安装TensorFlow类库的同时，其中还包括了非常知名的NumPy类库，对Python编程中的数学操作非常有用。用Python编程时，不使用类库（例如NumPy和TensorFlow）就像使用没有自动对焦的相机：你虽然获得了更多的灵活性，但你可能很容易犯错。在机器学习的过程中已经很容易犯错误了，所以就让我们使用TensorFlow来提高化软件开发的效率吧。
代码列表2展示了如何使用NumPy简洁地编写相同的内积运算。
importnumpy as np
revenue = np.dot(prices, amounts)
代码列表2. 用NumPy类库计算内积
Python是一种简洁的语言，这意味着你不会看到冗长的代码。另一方面，Python语言的简洁意味着许多处理都在后台进行，因此我们应该熟悉它背后的原理。
关于TensorFlow的Python和C ++ API的各种函数的详细文档，请参见https://www.tensorflow.org/api_docs/index.html。
机器学习主要依赖于很多数学公式，本文将对使用
TensorFlow进行这类数学运算做一个初步的介绍。通过示例和代码，大家可以对TensorFlow有一个初步了解。例如如何运用TensorFlow计算大数据的统计信息。 因此本文的重点将完全是关于如何使用TensorFlow，而不是一般的机器学习算法运用。
机器学习算法需要大量的数学运算。 通常，某个算法可以归结为简单函数组合的迭代，直到它收敛为止。 当然，也可以使用任何标准编程语言来执行这些计算。但是使用像TensorFlow这样已经非常完善了的类库是提高代码可控性和性能的关键。
确保TensorFlow工作
首先，为我们的第一段代码创建一个名为test.py的新文件。 通过运行以下代码导入TensorFlow：
importtensorflow as tf
在导入TensorFlow后，如果Python解释器没有报错，那么我们就可以开始使用TensorFlow了。
遇到了错误？ 在这里，常见错误的原因是你可能安装了GPU版本，并且类库无法搜索CUDA驱动程序。 请记住，如果使用CUDA编译库，则需要使用CUDA的路径更新环境变量。 你需要检查TensorFlow上的CUDA指令。（ 有关详情，请参阅
https://www.tensorflow.org/versions/master/get_started/os_setup.html#optional-linux-enable-gpu-support）。
使用TensorFlow中的规则
TensorFlow库通常使用tf限定名称来进行导入。 一般来说，使用tf限定名称是一个不错的方法，以便与其他开发人员和开源TensorFlow项目保持一致。 你也可以选择不使用这个限定名称，但这会影响你在自己的项目中重用别人的TensorFlow代码。
机器学习的敲门砖：手把手教你TensorFlow初级入门
